融合PROSPECT-D辐射传输模型与对抗域自适应ResNet的跨生态系统植物性状稳健估测

这篇研究创新性地提出PPADA-Net框架，通过整合PROSPECT-D辐射传输模型（RTM）的物理先验与对抗域自适应（ADA）ResNet网络，实现了跨生态系统（森林/农田）的植物功能性状（叶绿素CHL、等效水厚度EWT、叶质量面积比LMA）高精度估算（平均R2达0.72-0.86）。该模型采用两阶段训练策略：先基于20,000组PROSPECT-D模拟光谱预训练，再通过层次化跨域特征对齐模块（HCDFA）消除域偏移，在5个公开数据集和独立农田数据集验证中显著优于传统PLSR和纯数据驱动模型（nRMSE降低30%），为生态系统碳汇评估和精准农业提供了可扩展技术方案。

　　

1 引言

全球气候变化背景下，植物功能性状作为生态系统功能和碳循环的关键指标备受关注。叶绿素含量（CHL）直接反映光合能力，等效水厚度（EWT）表征抗旱性，而叶质量面积比（LMA）与碳分配效率密切相关。传统破坏性测量方法效率低下，高光谱遥感技术通过400-2500nm范围内的精细光谱特征（如CHL在500-700nm强吸收峰，EWT在1900-2100nm水吸收谷）实现了无损检测。然而现有模型在跨生态系统（如森林到农田）应用时，因物种组成、冠层结构和环境胁迫导致的域偏移（domain shift）而性能骤降。

PROSPECT-D辐射传输模型虽能模拟叶片生化参数与光谱的物理关系，但存在"病态反演"问题——不同参数组合可能产生相似反射谱。纯数据驱动的深度学习模型（如ResNet）虽能捕捉非线性特征，却面临训练数据稀缺和域适应性差的瓶颈。PPADA-Net的创新在于将PROSPECT-D的物理约束与对抗学习相结合：通过拉丁超立方采样生成20,000组涵盖CHL（0.1-100 μg/cm²）、EWT（0.01-0.05 cm）、LMA（0.004-0.009 g/cm²）的模拟光谱预训练ResNet-18编码器，再通过HCDFA模块的对比注意力机制对齐跨域特征分布。

2 材料与方法

研究整合5个数据集：4个公共数据集（D1-D4）来自EcoSIS平台，涵盖温带森林（D1）、热带植物（D2）、草本（D3）和旱生植物（D4）；独立采集的农田数据集（D5）包含河南新乡的36个玉米品种、151个大豆品种和马铃薯，使用ASD FieldSpec3光谱仪（1nm分辨率）测量。统计显示D5的CHL均值最高（21.99 μg/cm²），而旱生植物D4的LMA达峰值（0.0085 g/cm²）。

PPADA-Net采用224×224×3张量重构1D光谱，通过7×7卷积和残差块（通道数64→1024）提取特征。损失函数设计独具匠心：下游任务采用均方误差（MSE）损失（公式1），而域适应损失（公式3）通过λ₁/λ₂加权平衡。对比实验设置PLSR、纯ResNet、仅物理预训练（ResNet-PROSPECT）和仅域适应（ResNet-GRL）四个对照组，采用五折交叉验证和留一数据集验证策略。

3 结果

3.1 光谱-性状关联分析
可见光区（400-700nm）CHL相关性最强（r=0.82），而EWT在700-1900nm呈现宽峰（r=0.66）。LMA在700-1400nm的稳定正相关（r=0.74）解释了其最高预测精度（R2=0.86）。t-SNE可视化显示，PPADA-Net使不同数据集特征空间重叠度提升60%，证实HCDFA有效消除了域偏移。

3.2 模型性能比较
PPADA-Net在D5测试中全面领先：CHL预测R2达0.72（PLSR仅0.53），LMA的nRMSE低至0.07。值得注意的是，当PROSPECT模拟数据量从2k增至20k时，EWT预测R2提升23%，证实物理仿真的数据增强价值。Transformer架构在对比实验中表现次优（R2=0.81），反映ResNet在光谱建模中的固有优势。

3.3 跨数据集验证
极端场景D1→D2迁移中，PPADA-Net的LMA预测R2（0.68）显著高于PLSR（0.34）。但CHL在D5→D4迁移时仍存在高值低估现象，可能与叶绿素饱和状态的光谱非线性有关。

3.4 农田空间制图
河南试验田的LMA空间分布图（图12）清晰显示玉米早播与晚播群体的差异（nRMSE=0.07），验证了模型在育种表型分析中的应用潜力。EWT预测成功识别灌溉不足区域，为精准水分管理提供依据。

4 讨论

4.1 物理-数据融合优势
PROSPECT-D预训练使ResNet-PROSPECT的EWT预测R2提升17.7%，证明NIR水吸收特征的物理建模能有效引导网络学习。但单纯物理模型在D4旱生植物预测中偏差较大（nRMSE=0.15），凸显数据驱动修正的必要性。

4.2 农业应用价值
模型对大豆品种间LMA变异（CV=12.3%）的敏感检测，有助于快速筛选高水分利用效率品种。但在马铃薯块茎形成期，CHL预测出现系统偏差，可能源于冠层结构变化未在PROSPECT-D中参数化。

4.3 局限与展望
当前框架对叶倾角、气孔导度等结构参数考虑不足。未来可耦合PROSAIL模型扩展冠层尺度模拟，并引入元学习（meta-learning）动态适应新作物类型。光谱-性状数据库的标准化建设将是推动领域发展的关键基础工作。

5 结论

PPADA-Net通过物理机理与数据驱动的有机融合，在保持PROSPECT-D可解释性的同时，将跨生态系统性状预测精度提升22.4%。该框架特别适用于育种高通量表型分析（LMA制图误差<7%）和干旱胁迫监测，为《巴黎协定》背景下的碳汇精准评估提供了创新技术路径。研究揭示的"光谱-性状-环境"多维关联规律，对理解植被对气候变化的适应机制具有重要科学意义。