基于EnMAP高光谱数据与有限地面样本的森林叶片及冠层性状混合模型优化制图研究

本研究针对森林生态系统监测中地面样本稀缺的难题，创新性地结合PROSAIL-D辐射传输模型与主动学习(AL)优化的高斯过程回归(GPR)方法，利用德国EnMAP卫星高光谱数据成功实现了LAI(R2=0.69)、叶绿素含量Cab(R2=0.68)等6种关键植被性状的反演，首次完成星载高光谱对花青素含量Canth的定量制图，为全球变化背景下森林健康监测提供了高效解决方案。

　　

随着全球气候变化加剧，森林生态系统面临着干旱、高温和病虫害等多重威胁。准确监测植被功能性状对理解生态系统动态至关重要，但传统地面采样方法耗时费力且覆盖有限。虽然星载高光谱技术如德国环境制图与分析计划(EnMAP)为广域监测带来希望，但在复杂性状反演和样本稀缺情境下的模型优化仍是重大挑战。

德国马尔堡大学等机构的研究团队选择德国中部马尔堡教学林场为研究对象，针对叶片花青素含量(C_anth)、叶绿素含量(C_ab)、叶片干物质含量(LMA)等6种关键性状，创新性地将PROSPECT-D叶片模型与4SAIL冠层模型耦合，构建了包含1000组模拟数据的训练库。研究采用主成分分析(PCA)降维后，通过4种主动学习算法(角度多样性ABD、聚类多样性CBD等)优化训练样本，最终建立高斯过程回归(GPR)预测模型，并应用于30米分辨率的EnMAP影像。

关键技术包括：1) 同步采集192份叶片样本和半球摄影数据，实验室测定LAI、C_ab等性状；2) PROSAIL-D模型参数化与拉丁超立方采样；3) 基于Matlab的GPR算法实现与平方指数核函数优化；4) 随机森林分类提取纯森林像元。

研究结果显示：
3.1 主动学习优化效果：ABD算法对LAI的优化效果最佳(NRMSE=17.57%)，将原始训练样本减少70%仍保持精度，计算时间从16秒缩短至0.1秒。有趣的是，被剔除样本多集中在性状均值附近，而AL优选样本则覆盖更广的取值范围。

3.2 性状反演精度：LAI反演精度最高(R²=0.69，RMSE=0.172 m²/m²)，C_ab次之(R²=0.68)。首次实现的C_anth卫星反演达到中等精度(R²=0.45)，其敏感波段集中在520-530nm窄区间。

3.3 景观尺度制图：处理1237×1208像素的EnMAP影像仅需8秒，生成的空间分布图显示LAI不确定度在0.1-1.73 m²/m²之间，验证了方法的实用性。

这项发表于《Science of Remote Sensing》的研究具有多重意义：首先，建立的AL-GPR框架仅需5%初始训练样本即可达到全样本集的精度，大幅降低对地面数据的依赖；其次，首次实现EnMAP数据对C_anth的定量制图，为监测叶片衰老等生态过程提供新工具；最后，提出的"物理模型+智能采样+机器学习"范式，为后续CHIME等新一代高光谱卫星的植被监测奠定方法基础。尽管在异质森林和混合树种场景存在局限，但该研究为全球变化背景下的生态系统监测提供了高效可行的技术方案。