基于Sentinel-2时序数据与PROSAIL模型耦合的多克隆杨树人工林锈病监测与生物物理性状反演研究

为解决气候变化下杨树人工林锈病（Melampsora spp.）早期监测难题，研究人员通过耦合Sentinel-2时序数据与PROSAIL辐射传输模型，开发了三种机器学习检测模型（DMs）。研究揭示了叶绿素（Cab）、类胡萝卜素（Car）和叶片含水量（LWC）为锈病检测的关键功能性状，最优模型整体精度达89.5%（Kappa=0.78），为森林健康管理提供了可扩展的遥感解决方案。

　　

气候变化正以前所未有的速度重塑全球森林生态系统，其中病原体驱动的病害扩散尤为突出。杨树人工林作为重要的经济林和生态屏障，正面临锈病（Melampsora spp.）的严重威胁——这种真菌病害不仅导致叶片早落、光合能力下降，还会诱发次生寄生菌感染，造成年均生长量减少高达30%。传统监测依赖人工巡检，效率低下且难以捕捉早期生理变化。如何实现大范围、高精度的病害动态监测，成为森林可持续管理的核心挑战。

西班牙莱昂大学等单位的研究团队创新性地将哨兵2号（Sentinel-2）卫星时序数据与PROSAIL辐射传输模型（一种结合叶片PROSPECT模型与冠层SAIL模型的物理光学模型）相耦合，通过机器学习算法构建了锈病检测框架。研究发现，基于叶绿素（Cab）、类胡萝卜素（Car）和叶片含水量（LWC）等生物物理性状的反演结果，能有效区分健康与染病植株，最优模型精度达89.5%。相关成果发表于《International Journal of Applied Earth Observation and Geoinformation》，为森林病害遥感监测提供了新范式。

研究团队采用三项关键技术：首先利用PROSAIL模型生成包含60,000组模拟反射率与植物性状的查找表（LUT），通过支持向量机（SVM）反演关键性状；其次基于方差膨胀因子（VIF≤10）筛选出MSR、OSAVI等4个核心植被指数；最后采用随机森林（RF）、支持向量机（SVM）和神经网络集成（NN）三类算法，构建了融合性状与指数的多模型检测体系。所有分析均基于西班牙莱昂省三个杨树人工林125株样本的实地锈病等级数据（按INBO标准分为12级后合并为3个严重度等级）。

植物性状反演的ML反演结果
通过PROSAIL-SVM框架反演的叶绿素（Cab）、类胡萝卜素（Car）和叶面积指数（LAI）在测试集上表现优异，R²
分别达0.94、0.91和0.97。外部验证使用ANGERS叶片光学数据库，尽管Cab反演的RMSE升至6.87 μg cm^-2
，但SPAD校准数据证实了模型可靠性。时序分析显示不同无性系性状差异显著，如AF8克隆的Cab峰值比其他克隆高15-20 μg cm^-2
。

锈病严重度分级下的性状变异
Kruskal-Wallis检验证实，随着锈病严重度（SEV 0→2），Cab、Car和LWC分别下降31%、25%和40%，而花青素（Anth）上升62%。值得注意的是，LAI和NDVI在早期感染阶段无显著变化，说明结构参数对早期病害不敏感。

锈病检测模型性能
融合性状与指数的DM-3模型表现最优，RF算法的生产者精度（PA）达91.21%。性状重要性分析揭示Cab贡献度最高（21%），其次是Car（16.5%）和MSR指数（15.6%）。对比发现，纯性状模型（DM-1）稳定性优于纯指数模型（DM-2），后者NN算法的PA骤降至63.33%。

叶绿素时空动态的监测潜力
感染期染病植株Cab均值较健康植株低27.5 μg cm^-2
（p<0.005）。空间制图清晰显示Turcia试验区11月的感染热点，验证了该方法对病害扩散轨迹的捕捉能力。

这项研究开创性地证明了中分辨率卫星数据在森林病害生理监测中的可行性。通过物理模型与机器学习融合，首次量化了锈病对杨树光合器官的多尺度影响：从叶片尺度的Cab降解、Car抗氧化耗竭，到冠层尺度的水分传输受阻。相较于传统植被指数方法，PROSAIL反演的性状参数显著提升了模型可解释性，例如发现Anth升高与植物防御机制激活的直接关联。

研究的创新性体现在三方面：一是将高光谱尺度建立的病害检测理论成功移植到Sentinel-2平台，二是明确了SWIR波段（B11-B12）对叶片含水量反演的关键作用，三是通过ANGERS数据库验证了跨物种性状反演的普适性。未来研究可结合无人机高光谱与LiDAR数据，突破20米分辨率对早期感染的检测限制，并整合气象数据构建病害预警系统。该框架已展示出对杨树溃疡病（Dothichiza populea）等次生病害的监测潜力，为全球人工林的智慧化管理提供了技术蓝图。