《Computers and Electronics in Agriculture》：Spectral feature extraction via 1D-CNN and band-synergy analysis for grassland aboveground fresh biomass estimation
编辑推荐：
AGB反演框架融合1D-CNN深度光谱特征提取与机器学习回归，利用Sentinel-2数据及大规模实地测量，显著提升模型精度（R2+0.06）和泛化能力（RMSE降低12.82%），并构建可解释的SHAP分析体系优化植被指数组合。
顾凯|薛静文|白斌|王旭|辛晓萍|群培土登|丹桑|王京龙|Dorjeeh Tondrob|徐大为
中国高效利用耕地国家重点实验室/农业农村部草原资源监测评估与创新利用重点实验室/呼伦贝尔草原生态系统国家观测研究站/中国农业科学院农业资源与区域规划研究所，北京100081，中国
摘要
地上新鲜生物量（研究中称为AGB）是衡量草原生产力、利用强度和生态系统状况的基本指标。尽管卫星遥感已被广泛用于大规模AGB监测，但在光谱信息提取和利用多光谱波段之间的协同关系方面仍需进一步改进。本研究开发了一种反演框架，该框架结合了基于1D-CNN的光谱特征提取和机器学习回归方法，使用了来自天然草原的广泛实地测量数据以及Sentinel-2多光谱影像。研究结果表明：（1）1D-CNN有效捕获了反射序列中的深度光谱特征；当这些特征与优化的植被指数结合时，得到的高斯过程回归（GPR）模型优于仅使用反射率和传统植被指数的基线模型，R2提高了0.06，RMSE相对减少了12.82%；（2）红光、红边和短波红外波段表现出较高的协同效应，通过高贡献波段的替代构建优化植被指数，在五种机器学习算法中平均使R2提高了0.02；（3）在所有特征集和回归模型中，从反射率、深度光谱特征和优化植被指数中筛选出的H2特征集在GPR模型中表现最佳（R2 = 0.81，RMSE = 58.66 g·m?2）；（4）空间和时间泛化分析显示1D-CNN增强模型的良好可转移性。总体而言，本研究为估算大面积天然草原的AGB提供了一种可扩展且可解释的方法。
引言
草原是陆地生态系统的重要组成部分。它们提供了重要的生态功能，包括气候调节、土壤和水资源保护以及风蚀控制，同时也是维持畜牧业生产系统的主要饲料基础（Cao等人，2019；Liu等人，2022；Yan等人，2024）。中国拥有广阔多样的草原资源，其生产力和利用模式由于气候变化和人类活动的共同影响而表现出显著的空间差异（Chang等人，2021）。作为草原生产力、利用强度和生态系统状况的直接指标，地上新鲜生物量（AGB；除非另有说明，以下AGB均指地上新鲜生物量）在支持高效草原管理和制定生态保护策略方面起着核心作用（Gao等人，2020；Shoko等人，2016）。
AGB监测方法大致可以分为基于地面的调查和遥感方法（Murphy等人，2021）。地面调查通过剪取并称重固定面积样方内的所有植被来确定AGB；虽然这种方法非常准确，但劳动强度高、成本高昂，且不适用于大规模或多时相监测。相比之下，遥感——特别是基于卫星的观测——具有广泛的空间覆盖范围和重复采集能力，因此已成为大规模AGB估算的基础（Guo等人，2024；Li等人，2024；Pang等人，2020）。现有的基于卫星的方法通常分为三类。（1）统计模型建立AGB与光谱反射率或植被指数之间的线性或非线性关系。虽然简单易行，但其在不同地区或年份间的可转移性往往有限（Wang等人，2022b）。（2）物理模型通常基于辐射传输理论，通过模型反演或查找表来推断AGB。这些模型具有很强的机制可解释性，但需要详细的冠层和土壤参数，这限制了其在大规模应用中的使用（He等人，2019；Zhang等人，2023）。（3）机器学习模型利用大量的实地样本和多光谱特征来学习与AGB的经验关系，在许多情况下提高了准确性和泛化能力（Wu等人，2024；Yang等人，2025）。
尽管统计和机器学习模型已在不同地区和空间尺度上被广泛采用并验证用于草原AGB估算，但基于光学卫星数据的AGB反演仍面临明显局限性。特别是，多光谱数据中嵌入的潜在波段间交互信息尚未得到系统建模，离散的光谱结构和联合光谱响应缺乏统一的表示和解释框架。这些缺陷限制了反演准确性和模型泛化的进一步提高。主要体现在三个方面。首先，尽管像Sentinel-2和Landsat-8/9这样的多光谱卫星提供了丰富的光谱信息，但大多数现有研究仍主要关注光谱波段的直接使用——例如，敏感波段的识别或波段组合优化（Immitzer等人，2016；Qian等人，2022）——而未能充分探索波段间的交互效应和协同响应。植被的生理和结构特征通常通过多个光谱区域的协调变化表现出来；孤立分析单个波段的贡献难以揭示其综合预测潜力。因此，高阶光谱交互对于精细尺度植被特征描述的价值尚未得到充分探索（Wu等人，2024；Zheng等人，2025）。其次，仅由两个或三个光谱波段构建的植被指数计算简单且与传感器兼容性好。然而，它们的数学形式本质上是简单的代数组合，这限制了它们表示复杂非线性光谱关系的能力。此外，它们对环境干扰相对敏感，在高生物量条件下容易产生饱和效应，从而在AGB监测的稳健性和跨区域可转移性方面仍有很大的改进空间（Meng等人，2017；Wang等人，2025）。第三，传统的浅层机器学习模型——如支持向量回归（SVR）和随机森林（RF）——易于训练，能够捕捉基本的非线性模式，因此在AGB反演中得到了广泛应用（Ogungbuyi等人，2024；Pinna等人，2024）。然而，这些模型通常依赖于手工设计的特征输入，缺乏直接从原始光谱反射数据中提取复杂波段间和多层次关系的能力。
为了解决上述问题，需要构建一个能够提取高阶光谱表示并明确表征波段间交互的特征表示框架。深度学习的快速发展为表示高维遥感光谱提供了新的机会（Wang等人，2022；Zhang等人，2024）。与人工神经网络（ANNs）或多层感知器（MLPs）等浅层模型相比，深度卷积神经网络（CNNs）具有更强的特征表示能力，可以直接从原始光谱数据中自动学习多尺度和层次信息，而无需显式的特征工程（Cai等人，2022；Wang等人，2023；Zhao等人，2025）。特别是，为一维数据量身定制的一维CNN（1D-CNN）沿光谱维度应用卷积核来捕获波段间的依赖性，并构建层次化的光谱表示。与基于预定义波段组合的传统植被指数方法相比，1D-CNN不依赖于关于波段关系功能形式的先验假设；相反，它以数据驱动的方式建模多波段协同响应（Xing等人，2025；Zhu等人，2022），从而为后续的AGB反演提供了更丰富的特征基础。随着深度光谱表示的引入，有必要建立跨阶段的解释机制，以阐明原始光谱波段在深度特征构建和最终预测中的贡献路径。为此，本研究提出了一个两阶段的SHAP框架，以提高模型的可解释性并捕捉光谱波段间的协同效应。该框架进一步指导植被指数的优化，实现了稳定的同时一致的性能提升，并增强了模型的泛化能力。
在此背景下，本研究将天然草原的大规模实地测量数据与Sentinel-2多光谱数据相结合，开发了一种混合反演框架，该框架结合了基于1D-CNN的光谱特征提取和机器学习回归。研究解决了三个关键目标：（1）评估1D-CNN如何有效提取光谱特征并表征波段间交互；（2）通过两阶段可解释性框架量化混合模型中的波段响应关系，并指导植被指数优化；（3）系统比较不同特征集和算法在准确性和时空泛化方面的AGB反演性能。
研究区域
研究区域
本研究重点关注中国的两个主要草原区域：内蒙古的温带草原和西藏的高山草原（图1）。内蒙古的温带草原主要由温带草原草原、典型草原和温带沙漠草原组成。该地区以高原地形为特征，大部分地区海拔超过1000米，具有温带大陆性季风气候，年平均气温为1-15°C
草原中AGB的空间变异性
研究区域内AGB表现出显著的空间变异性（图3）。总体而言，AGB范围从15.89 g·m?2到647.84 g·m?2，平均值为201.30 g·m?22 vs 126.43 g·m?2）。两个区域都显示出正偏态分布（Shapiro–Wilk检验，p < 0.05；偏度 > 0），表明低至中等生物量值占主导
深度学习驱动的特征提取和植被指数优化
在本研究中，应用1D-CNN从Sentinel-2多光谱反射序列中提取深度光谱特征，以提高AGB估算的准确性。通过卷积操作和权重共享，深度网络逐步识别局部光谱模式并构建高维的、整合的光谱信号表示。这种能力减少了对手工设计特征的依赖，并允许相关光谱信息得到表达
结论
本研究开发了一个AGB反演框架，该框架结合了基于1D-CNN的光谱特征提取和机器学习回归，使用了来自天然草原的广泛实地测量数据和Sentinel-2多光谱影像。该框架实现了光谱特征挖掘、植被指数优化和生物量估算的统一分析。主要结论如下：（1）1D-CNN有效捕获了多光谱反射序列中的深度光谱特征，
CRediT作者贡献声明
顾凯：撰写——原始草稿、验证、软件、调查、数据整理。薛静文：软件、方法论、形式分析。白斌：软件、方法论、形式分析。王旭：撰写——审阅与编辑、方法论。辛晓萍：撰写——审阅与编辑、方法论。群培土登：撰写——审阅与编辑、方法论。丹桑：撰写——审阅与编辑、方法论。王京龙：撰写——审阅与编辑、方法论。Dorjeeh Tondrob：撰写——审阅与
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了中国西藏自治区科技项目（XZ202301ZY0021N）、国家自然科学基金（42101372）、国家重点研发计划（2021YFD1300501）、中国农业部现代农业技术系统专项经费（CARS-34）以及农业科技创新计划（ASTIP）的支持。
