融合元学习与不确定性预测的作物单叶光合速率少样本估测方法

本研究针对作物单叶光合速率(A L )预测中数据需求量大、可靠性不足的难题，创新性地整合元学习(ML)、多层感知机(MLP)、分位数回归(QR)和高斯核密度估计(GKDE)，构建了兼具少样本适应能力和不确定性量化功能的A L 预测模型。该模型仅需5%新样本即可实现高精度预测，并通过95%置信区间输出显著提升决策可靠性，为精准农业中的产量评估、逆境感知和育种研究提供了新范式。

　　

在气候变化和人口增长的双重压力下，准确评估作物光合效率成为保障粮食安全的核心课题。单叶光合速率(A
_L
)作为反映叶片光合效率的关键指标，其精确预测对产量评估、逆境响应研究和育种筛选具有重要意义。然而，传统预测方法面临两大瓶颈：经典"FvCB"等过程模型需要复杂参数标定且泛化性差，而人工智能模型虽能捕捉非线性关系却依赖海量数据。更严峻的是，现有方法多输出确定性点估计，无法量化预测不确定性，严重制约其在田间决策中的应用可靠性。

为突破这些限制，中国的研究团队在《Biosystems Engineering》发表研究，创新性地将元学习框架与不确定性量化技术相结合。研究团队收集了涵盖多物种、多环境条件的A
_L
数据集，通过元学习-多层感知机(ML-MLP)构建基础预测模型，实现少样本场景下的快速适应；继而引入分位数回归(QR)获取预测值的95%置信区间，并采用高斯核密度估计(GKDE)计算环境条件特异性概率密度，最终建立全球首个具备不确定性量化能力的A
_L
区间预测系统。

材料与方法
研究设计采用三阶段递进架构：首先对多源A
_L
数据进行环境因子标准化和特征分析；随后通过ML-MLP实现基础模型构建与任务特异性微调；最终采用QR-GKDE联合框架输出区间预测结果。关键技术包括基于光照强度(LI)、气温(T_a
)等环境参数的元任务划分，以及通过OJIP瞬态分析验证模型生理学合理性。

实验结果
在包含生菜、水稻等作物的多数据集测试中，ML-MLP仅需5%支持样本即可使预测精度达R²

0.9，显著优于传统MLP和随机森林。QR输出的预测区间成功覆盖92.3%实测值，而GKDE生成的概率密度曲线准确反映了环境胁迫下的A
_L
分布偏移。

模型可解释性分析
通过解析Dataset-I中OJIP参数与模型权重的关联，发现ML-MLP能自主识别光系统II(PSII)活性与A
_L
的非线性映射关系，其注意力机制与叶片氮含量(NCNS)的生理调控规律高度吻合。

结论与意义
该研究实现了三大突破：1) 将A
_L
预测从点估计拓展至概率化区间估计；2) 通过ML框架使模型具备"学会学习"能力，样本需求降低20倍；3) 首创环境条件-概率密度联合输出模式。这些进展不仅为作物表型组学研究提供新工具，更通过可靠的预测不确定性量化，为智慧农业中的风险决策建立了新标准。研究揭示的ML-MLP跨物种泛化能力，特别适用于气候变化背景下新兴作物的快速评估，展现出广阔的产业化应用前景。