《Ecological Indicators》:Drone-measured canopy spectra can be a complementary predictor of belowground arbuscular mycorrhizal fungi variations in urban community gardens
编辑推荐:
丛枝菌根真菌(AMF)与植物根系形成关键共生关系,改善养分吸收、植物健康和土壤功能。然而,评估城市生态系统中AMF丰度仍具挑战性。基于无人机的多光谱成像可估算冠层功能性状,这引发了一个问题:地上冠层指标的变化能否作为地下AMF丰度的生态指示因子。研究人员在两个
丛枝菌根真菌(AMF)与植物根系形成关键共生关系,改善养分吸收、植物健康和土壤功能。然而,评估城市生态系统中AMF丰度仍具挑战性。基于无人机的多光谱成像可估算冠层功能性状,这引发了一个问题:地上冠层指标的变化能否作为地下AMF丰度的生态指示因子。研究人员在两个生长季内对五个社区花园进行了取样,结合了样方级植物调查、用于AMF丰度的土壤采样、无人机(UAV)多光谱影像和点云。从无人机数据中,研究人员推导出植被指数、光谱多样性和纹理指标,并从点云中提取冠层高度指标。利用LASSO交叉验证回归和分段结构方程模型(SEM),将这些性状与对数AMF丰度相关联。分析表明,无人机衍生的冠层性状捕捉了与地下AMF丰度相关的部分地上变异,尤其是通过冠层绿度和图像纹理模式。较高的AMF丰度与更绿且垂直异质性更强的冠层相关。无人机衍生的冠层纹理特征解释了高达约38%的AMF丰度方差。分段SEM表明,AMF丰度与非线性气候响应相关,由二次气候项(β = 0.25)和正植被指数路径(β = 0.21)表示。AMF丰度SEM模型的边际R2为0.62,表明季节性气候条件与冠层绿度共同结构了AMF变异。总体而言,无人机衍生的冠层性状代表了城市花园中相对AMF丰度的可扩展生态指示因子,支持对相对AMF变异的非破坏性评估以及野外采样的空间定位。建立这一联系为通过整合无人机数据与土壤测量、花园管理及更高分辨率遥感方法,开发更强城市生态指示因子提供了基线。
**论文解读:无人机冠层光谱作为城市社区花园地下丛枝菌根真菌丰度的生态指示因子**
**研究背景与问题**
在全球快速变化和加速城市化背景下,监测从地上到地下的生物多样性并理解其对生态系统功能的影响是重大挑战。丛枝菌根真菌(AMF)与约72%的维管植物形成共生关系,通过菌丝网络扩展根系表面积,促进磷(P)和氮(N)等养分吸收,从而影响植物健康、土壤功能和冠层结构。然而,传统评估AMF丰度的方法(如根染色显微观察、定量PCR和宏条形码)通常具有破坏性、劳动密集且不适合城市生态系统的大规模重复监测。遥感技术,尤其是无人机(UAV)多光谱成像,可非破坏性地评估冠层生物物理和生化性状(如叶绿素含量、冠层高度和异质性),但能否作为地下AMF丰度的生态指示因子尚不清楚。城市社区花园具有高度异质性、管理多样和空间尺度精细的特点,使得标准野外指标难以有效追踪生物多样性和生态系统功能。因此,研究人员假设:更高的叶绿素相关植被指数、更大的冠层结构复杂性和更高的植物群落多样性可能与更高的AMF丰度相关,并探索无人机冠层性状能否作为预测AMF的非侵入性工具。
**研究内容与意义**
研究人员在德国慕尼黑五个城市社区花园(Essbare Stadt、Freihamer Freiluftgarten、Karlsfeld Community Garden、StadtAcker、Sonnengarten Solln)于2021和2022两个生长季(共约240个1×1 m样方)开展研究。通过结合样方级植物调查、土壤AMF丰度定量(qPCR)、无人机多光谱影像和点云数据,提取植被指数、光谱多样性、纹理特征和冠层高度指标,并利用LASSO交叉验证回归和分段结构方程模型(SEM)分析它们与对数AMF丰度的关系。研究得出:无人机冠层性状可部分预测AMF丰度,其中纹理特征解释力最强(约38%),植被指数和冠层高度也有贡献,但整体预测能力中等。该研究发表在《Ecological Indicators》,首次建立了基于无人机冠层性状的非破坏性AMF相对丰度生态指示因子,为城市花园地下真菌变异的空间定位和采样提供了可扩展的方法,并为整合遥感与土壤管理数据开发更强城市生态指标奠定了基础。
**主要关键技术方法**
研究人员采用大疆Phantom 4多光谱RTK无人机,在5个花园(慕尼黑市)于2021-2022年三个时间点(2021年7月、8月、10月;2022年5月、7月、10月)获取8-13 mm/像素分辨率的正射影像和冠层高度模型(CHM)。从影像中提取四类指标:光谱多样性(变异系数、光谱熵、光谱角)、植被指数(NDVI、GNDVI、NDRE、EVI、SAVI、OSAVI、GCVI)、灰度共生矩阵(GLCM)纹理特征(对比度、相关性、能量、同质性)和CHM结构指标(高度熵、结构丰富度)。AMF丰度通过土壤样品qPCR定量(引物FLR3/FLR4,靶向AMF rRNA大亚基基因),所得基因拷贝数/g干土作为响应变量。建模采用LASSO交叉验证回归(各指标组独立建模)和分段SEM(考虑气候、生物多样性、冠层性状的路径关系)。
**研究结果**
**3.1 AMF的时空变化与环境影响**
AMF丰度在年际和季节间差异显著。2021年各花园的AMF丰度普遍高于2022年,峰值出现在2021年7-8月(约7.1-8.3 log拷贝/g干土)。气候PC1(月均温和降水,解释81%方差)与AMF呈非线性关系:中间气候值对应低AMF,两端对应高AMF。生物多样性PC1(物种丰富度和总丰度,解释70%方差)与AMF近似单调正相关。
**3.2 AMF丰度与无人机冠层指标的关系**
Pearson相关分析显示,光谱熵(H_spec)与AMF负相关,部分变异系数(CV)和光谱角(SAM)在可见光波段正相关;纹理特征在多个波段呈现混合正负相关;植被指数(除GCVI外)均显著正相关;冠层高度指标(Hh、Sh)均正相关。主成分分析(PCA)后,植被指数PC1和冠层高度PC1与AMF显著正相关(r=0.36, p<0.001; r=0.29, p<0.001),而光谱多样性和纹理PC1无显著线性关系。
**3.3 机器学习预测AMF**
LASSO交叉验证回归显示,各指标组解释的AMF方差介于4%-38%。纹理特征表现最佳(测试R
2=0.38,RMSE=0.79),其次为植被指数(R
2=0.18)、光谱多样性(R
2=0.15),冠层高度预测力最弱(R
2=0.04)。100次随机80:20分训练集验证结果一致,纹理特征平均R
2=0.36±0.17。
**3.4 分段结构方程模型**
SEM模型边际R
2=0.62,条件R
2=0.70。气候与AMF呈非线性关系(CLIM_PC1: β=-0.51, p<0.001; CLIM_PC1
2: β=0.25, p=0.019);植被指数直接正效应于AMF(β=0.21, p<0.001);生物多样性和冠层高度无直接效应。生物多样性通过负向影响植被指数间接影响AMF(间接效应β=-0.09, p<0.001)。气候也通过生物多样性→植被指数→AMF路径产生间接效应(β=-0.04, p<0.001)。
**3.5 植被群落类型间的AMF变化**
基于野外植物覆盖数据,群落类型显著影响AMF(p<0.001)。裸地/低植被覆盖样方AMF最低,禾草和豆科相关样方较高。物种水平分析显示,Mentha × piperita、Fragaria × ananassa、Erigeron annuus和Trifolium repens覆盖度与AMF正相关,Pisum sativum和Brassica oleracea负相关。无人机植被指数和纹理特征在不同群落类型间存在差异(PERMANOVA R
2=0.21和0.11,均p<0.05)。
**总结与讨论**
讨论部分指出,AMF在温暖高产期更高,与植物碳分配增加一致;生物多样性的正效应主要通过冠层性状间接体现,而非直接驱动。无人机冠层性状(尤其纹理特征)可捕捉部分AMF变异,但预测能力有限,因为AMF还受土壤化学、管理干扰和宿主根系过程影响。气候是主导因子,冠层绿度和纹理作为补充指标而非替代品。研究局限包括:仅限五个灌溉花园、两个生长季、AMF仅以基因拷贝数衡量、未考虑土壤养分和管理历史。未来方向:整合土壤属性、微气候和管理数据;扩展至高光谱和LiDAR;结合宏条形码探究群落组成;通过控制实验验证因果。
**研究结论翻译**
本研究表明,城市社区花园中AMF丰度在温暖、高产期以及植被密集、物种丰富/多样的样方中最高,但这些关系主要通过气候和冠层性状介导,而非仅由生物多样性(物种丰富度)驱动。无人机衍生的植被指数和纹理指标捕捉了AMF丰度中具有生态意义但中等程度的变异。结构方程模型进一步强调气候是AMF的主要驱动因子,而生物多样性主要通过影响冠层绿度和结构产生间接效应。总体而言,这些结果表明,基于无人机的冠层性状为评估城市社区花园中AMF丰度的空间变异提供了有用的可扩展生态指示因子,尽管它们不能替代直接的土壤和环境野外评估。未来研究将无人机数据与详细的土壤、微气候和群落信息相结合,并扩展至AMF群落组成和受控实验,将有助于明确何时何地地上冠层信号能可靠地指示地下菌根状态。