《Remote Sensing》：Canopy Chlorophyll Retrieval in Structurally Complex Pedunculate Oak Forests: Empirical Machine Learning Versus Hybrid PROSAIL–GPR
编辑推荐：
摘要：混合辐射传输模型–机器学习（hybrid radiative transfer model–machine learning, RTM–ML）方法能够将物理约束融入植被性状反演中，但其相对于经验学习的优势在对结构异质性森林冠层的甚高分辨率有限波段观测中仍
摘要：混合辐射传输模型–机器学习（hybrid radiative transfer model–machine learning, RTM–ML）方法能够将物理约束融入植被性状反演中，但其相对于经验学习的优势在对结构异质性森林冠层的甚高分辨率有限波段观测中仍不确定。本研究将六种经验机器学习回归算法与一种混合PROSAIL–高斯过程回归（Gaussian Process Regression, GPR）方法进行了比较，用于从四波段无人机（UAV）多光谱影像中反演衍生的冠层叶绿素含量（canopy chlorophyll content, CCC），研究对象为处于不同橡树网蝽（oak lace bug, Corythucha arcuata）胁迫程度下的夏栎（Quercus robur L.）林分。CCC由野外实测的叶片叶绿素含量（leaf chlorophyll content, LCC）和无人机估算的叶面积指数（leaf area index, LAI）推导得出。数据采集覆盖2021至2023年的三个采样时期，模型采用树分组三折交叉验证进行评估，以保持训练集与留出树之间的独立性。经验模型的性能因算法、样地和采样时期而异。在受害样地，GPR在5月表现最佳（R2 = 0.61，RMSE = 27.04 μg cm?2，NRMSE = 10.87%），而随机森林（Random Forest）在9月表现最优。在参考样地，随机森林、最小二乘线性回归（least-squares linear regression）和核岭回归（kernel ridge regression）在不同采样时期和性能指标下取得最强结果，R2最高达0.60。根据主要的交叉验证预测指标（R2、RMSE和NRMSE），所测试的PROSAIL–GPR方法在相同的树分组评估框架下通常表现出低于经验模型的预测性能。经验GPR制图揭示了林分内衍生CCC的显著空间变异。总体而言，在所测试的四波段、冠幅尺度配置下，引入PROSAIL模拟信息并未改善预测性能。研究结果并非指向单一原因，而是表明物理约束反演的收益取决于模型表征与参数化、冠层结构、光谱信息和可用训练数据之间的兼容性。
论文解读文章
一、研究背景与科学问题
欧洲森林生态系统正日益受到外来入侵害虫的威胁，这些害虫的暴发可能在落叶或树冠枯死显现之前就已改变叶片生理状态。因此，早期检测至关重要，因为一旦结构性损伤形成，管理手段便十分有限。遥感技术可通过探测包括冠层色素变化在内的生理响应来实现早期评估，而非仅依赖可见的结构性症状。无人机（unmanned aerial vehicle, UAV）因其极高的空间分辨率，特别适合在结构异质性森林中刻画冠层及林分尺度的变异性。
目前，从光谱观测中反演植被性状主要有两种互补途径。其一是经验机器学习回归算法（machine-learning regression algorithm, MLRA），该方法建立实测反射率与参考观测值之间的统计关系，而不显式表达控制辐射传输的物理过程。这类方法计算效率高，在校准数据充分代表应用条件时能达到较高预测精度，但其主要局限在于可迁移性——当冠层结构、光照、物候或环境条件与校准数据不一致时，性能可能下降。其二是辐射传输模型（radiative transfer model, RTM），它通过显式表达植被属性与反射辐射之间的关系提供替代方案。其中，PROSAIL是最广泛使用的RTM框架之一，它将PROSPECT叶片光学模型与SAIL冠层辐射传输模型耦合。然而，PROSAIL的标准形式将植被视为水平均匀的浑浊介质，这种表征与树叶组织在枝条和离散树冠内的森林冠层匹配度较差。混合方法（hybrid approach）则结合了物理建模与经验建模，通过在RTM模拟的光谱上训练机器学习算法，既纳入基于物理的信息又保留机器学习的计算优势。尽管混合方法已在农业和草地冠层中成功应用，并逐步拓展至森林场景，但对于结构异质性森林冠层的甚高分辨率、有限波段UAV观测，混合方法相较于经验方法的预测优势仍未得到充分证实。
本研究选取受橡树网蝽（oak lace bug, OLB; Corythucha arcuata）影响的夏栎（Quercus robur L.）林分为研究对象。OLB已在欧洲橡树林生态系统中广泛分布，其取食可降低夏栎的光合性能并改变色素组成。这类生理变化，加上成熟橡树冠层的结构异质性，为评估基于甚高分辨率UAV观测的冠层叶绿素含量（canopy chlorophyll content, CCC）反演提供了合适的场景。研究的核心贡献并非开发新的机器学习或辐射传输算法，而是在一个具有挑战性且相对少被考察的传感器–冠层配置——即四波段、甚高空间分辨率UAV对结构异质性成熟橡树冠层的观测——下，对已有经验方法和混合方法进行受控比较。
二、研究方法概述
研究人员在克罗地亚选取了两个夏栎林样地：A样地（受害样地，位于卡尔洛瓦茨林管局，持续遭受OLB侵害并有可见冠层损伤）和B样地（参考样地，位于布泽特林管局，OLB压力低且无可见冠层损伤）。野外测量覆盖2021至2023年，每年5月、7月和9月开展三次采样以捕捉不同物候阶段和冠层条件的季节变化。叶片叶绿素含量（leaf chlorophyll content, LCC）通过SPAD-502叶绿素仪现场测定，并使用针对夏栎的物种特异性校准公式转换为μg cm?2。叶面积指数（leaf area index, LAI）由无人机估算，基于归一化差异红边指数（normalized difference red-edge index, NDRE）和摄影测量冠层高度模型（canopy height model, CHM）的经验关系得出。CCC随后计算为LCC与LAI的乘积。无人机影像使用eBee SQ固定翼无人机搭载Parrot Sequoia多光谱相机获取，记录绿光（550 nm）、红光（668 nm）、红边（735 nm）和近红外（790 nm）四个波段。回归建模方面，研究人员评估了六种经验机器学习算法（最小二乘线性回归LSLR、核岭回归KRR、回归树RT、随机森林RF、神经网络NN和高斯过程回归GPR）以及一种混合PROSAIL–GPR方法。所有模型均采用树分组三折交叉验证进行评估，即以树木个体为分组变量，确保同一棵树的所有冠向观测值始终在同一折中，从而评估对留出树的泛化能力。
三、研究结果
3.1 叶片叶绿素、LAI和冠层叶绿素的变异
在A样地，平均LCC从5月的48.02 ± 13.38 μg cm?2增至7月的53.01 ± 12.70 μg cm?2，9月基本持平（53.31 ± 13.43 μg cm?2）。B样地平均LCC从5月的53.35 ± 8.38 μg cm?2升至7月的60.70 ± 15.08 μg cm?2，9月降至53.02 ± 14.12 μg cm?2。无人机估算的LAI在A样地从5月的2.71 ± 0.46 m2 m?2增至7月的2.97 ± 0.60 m2 m?2，9月保持相似（2.98 ± 0.92 m2 m?2）。B样地平均LAI为5月3.71 ± 1.22 m2 m?2、7月3.47 ± 1.14 m2 m?2、9月2.84 ± 0.87 m2 m?2。衍生CCC在A样地从5月的130.60 ± 42.08 μg cm?2增至7月的159.06 ± 54.14 μg cm?2，9月保持相似（160.06 ± 61.32 μg cm?2）。B样地平均CCC为5月200.86 ± 82.23 μg cm?2、7月213.09 ± 93.04 μg cm?2、9月157.44 ± 86.19 μg cm?2。
3.2 基于经验机器学习的CCC反演
3.2.1 经验模型的对比性能
树分组三折交叉验证产生了中等程度的反演性能，并揭示了算法、样地和采样时期之间的差异。在A样地，GPR在5月表现最强（R2 = 0.61, RMSE = 27.04 μg cm?2, NRMSE = 10.87%），并在7月取得最低预测误差（RMSE = 44.28 μg cm?2, NRMSE = 12.17%, R2 = 0.38）。在9月，RF表现最优（R2 = 0.34, RMSE = 50.60 μg cm?2, NRMSE = 11.09%）。在B样地，没有单一算法在所有采样时期一致最优。5月RF取得最低RMSE（74.83 μg cm?2; NRMSE = 15.44%），而LSLR取得最高R2（0.33）。7月LSLR取得最低RMSE（65.28 μg cm?2; NRMSE = 12.32%），RF取得最高R2（0.60）。9月RF取得最低RMSE（67.07 μg cm?2; NRMSE = 12.17%），KRR取得最高R2（0.57）。
3.2.2 衍生CCC与预测CCC的一致性
皮尔逊相关分析显示经验GPR模型的衍生与预测CCC之间存在正向但可变的关联。A样地的皮尔逊相关系数R在5月、7月和9月分别为0.76、0.58和0.55；B样地分别为0.34、0.60和0.50。
3.2.3 CCC的空间反演
经验GPR模型的空间预测揭示了两个林分内CCC的精细尺度变异。A样地呈现显著的预测CCC空间异质性，存在连续的低值和高值区域；B样地总体上预测CCC更高。
3.3 混合PROSAIL–GPR反演
混合PROSAIL–GPR方法的性能在样地、采样时期和查找表（look-up table, LUT）参数化方案间差异较大。使用原始PROSAIL参数范围时，R2范围为0.05至0.15，NRMSE范围为24.34%至55.55%。基于训练树信息的参数化未产生一致的改进，R2范围为0.00至0.20，NRMSE范围为20.23%至106.31%。与经验模型相比，混合PROSAIL–GPR方法在相同树分组验证框架下通常产生更高的预测误差和更低的R2值。在任一LUT参数化方案下，对于任何样地×月份组合，所测试的混合方法在预测R2、RMSE或NRMSE方面均未优于相应的经验GPR模型。混合模型的衍生与预测CCC关系也呈现大幅变异，B样地9月的皮尔逊R为?0.14，而B样地7月为0.65。
四、讨论与结论
讨论部分总结：本研究的核心贡献在于，在相同的四波段、甚高空间分辨率UAV观测下，对结构异质性橡树冠层进行了经验方法与物理约束CCC反演的直接比较。在所测试的PROSAIL–GPR实施方式下，并未提供优于经验方法的反演优势，这一发现特定于所研究的传感器、冠层条件、模型配置和验证框架。树分组交叉验证产生了比观测级验证更为适中的经验反演性能，并揭示了算法间的更大变异。没有单一经验算法在所有样地×月份组合中一致最优。混合方法的较差表现不能归因于单一机制，可能的贡献因素包括：PROSAIL参数化、有限四波段光谱配置、独立训练树的数量与变异性、主动学习与LUT选择流程、衍生CCC响应变量的不确定性、采集几何条件，以及PROSAIL假设的冠层表征与UAV观测到的实际结构之间的差异。一个重要考虑是CCC为衍生响应变量而非独立测量的冠层级参考值，LAI估计未经独立验证，且经验预测因子与衍生CCC之间存在部分依赖性。
研究结论翻译：本研究比较了经验机器学习与混合PROSAIL–GPR方法，用于从四波段、甚高空间分辨率UAV影像中反演结构异质性夏栎冠层的衍生冠层叶绿素含量（CCC）。在树分组交叉验证下，经验反演性能因算法、样地和采样时期而异，没有单一算法一致最优。GPR、RF、LSLR和KRR在不同条件和指标下取得最强结果，空间预测揭示了林分内衍生CCC的显著空间变异。本研究的主要贡献是在相同的有限波段、冠幅尺度观测和树分组验证框架下，对经验方法与物理约束反演进行了直接比较。根据主要的交叉验证预测指标（R2、RMSE和NRMSE），所测试的PROSAIL–GPR实施方式相对于经验方法并未改善整体预测性能。这一结果可能反映了有限光谱信息、冠层复杂性、PROSAIL表征与参数化、独立训练树可用性、采集几何条件、主动学习与LUT配置以及衍生CCC不确定性之间的交互影响。CCC由野外实测LCC和无人机估算LAI推导而来而非独立测量，引入了与LAI估计、方程可迁移性以及对经验光谱预测因子的部分依赖性相关的不确定性。总体而言，研究结果强调在选择甚高分辨率森林影像的反演策略时，应关注模型与观测之间的兼容性而非单纯追求模型复杂度。未来利用独立冠层测量、更多样化的树木样本、更丰富的光谱信息和三维辐射传输表征的评估，将有助于确定在复杂森林冠层中物理约束反演何时能提供额外价值。
