基于全局自适应连续重加权衰减算法的Malus sieversii叶片相对叶绿素含量高光谱估计

《Science of Remote Sensing》：Hyperspectral Estimation of Relative Chlorophyll Content in Malus sieversii Leaves Based on a Global Adaptive Continuous Reweighting Decay Algorithm

　　

随着全球变暖加剧，热旱复合胁迫严重制约了植被生长。尽管高光谱遥感能够快速监测植被叶绿素含量，但传统特征选择算法在热旱复合胁迫下往往难以有效平衡冗余信息去除与微弱协同信号保留。因此，本研究提出了一种创新的特征选择方法，即全局自适应连续重加权衰减算法（GACRDA）。通过挖掘元启发式优化算法（MOAs）的历史精英信息并整合软正则化策略，GACRDA实现了对复合胁迫下Malus sieversii叶片高光谱数据的精确降维。结果表明：（1）复合胁迫下植被生理响应发生显著变化。在可见光谱之外，1300-2400 nm的短波红外波段在捕捉叶片内部生理生化信号与相对叶绿素含量（RCC）之间的协同变化中发挥重要作用，从而实现准确的RCC估计。（2）GACRDA能够在减少冗余和潜在噪声信号干扰的同时，选择与RCC及热旱复合胁迫生理响应密切相关的敏感光谱信号。（3）在评估的16种算法中，GACRDBPSO-BPSO最优地平衡了建模成本与筛选性能。GACRDBPSO-BPSO-GPR模型表现出最佳预测精度（R²_C = 0.7688，RMSEC = 3.337，R²_V = 0.7183，RMSEV = 3.7031，RPDV = 1.9009）。最终，本研究提出的GACRDA不仅突破了传统方法在复杂生境高维光谱分析中的算法瓶颈，还为复合胁迫条件下植被健康监测和生态韧性研究提供了新方法。

**论文解读：基于全局自适应连续重加权衰减算法的新疆野苹果叶片相对叶绿素含量高光谱估计**

**研究背景与科学问题**

全球变暖加剧导致极端气候事件频发，高温和干旱常以复合胁迫（combined heat-drought stress）形式共同出现，严重制约植被生长。高光谱遥感（hyperspectral remote sensing）凭借其快速、无损、数据丰富的优势，已被广泛用于监测植被叶绿素含量（chlorophyll content）。然而，在热旱复合胁迫下，植物叶片内部发生色素降解与水分流失的同步变化，导致光谱叠加效应复杂化，使传统特征选择算法（如CARS、VCPA、RF等）难以有效平衡冗余信息去除与微弱协同信号（如水分与叶绿素变化的耦合信号）的保留。现有算法缺乏对历史有效特征子集的自适应记忆与数据增强机制，在处理高维非线性胁迫光谱数据时，容易将弱物理信号视为冗余而剔除。因此，迫切需要开发一种能够同时实现全局搜索与弱信号保留的新型特征选择算法。本研究基于此背景，提出全局自适应连续重加权衰减算法（GACRDA），并以生长于新疆干旱半干旱地区、夏季长期遭受热旱复合胁迫的新疆野苹果（Malus sieversii）为研究对象，验证该算法在复杂胁迫环境下监测植被生理指标的效能。该论文发表在《Science of Remote Sensing》。

**研究内容与结论**

研究人员通过野外采样获取新疆野苹果叶片的高光谱反射率数据（350-2500 nm）和相对叶绿素含量（RCC，以SPAD值表征），共采集889个有效样本（样本来源于新疆伊犁哈萨克自治州新源县，2025年6-8月）。利用16种特征选择算法（包括GA、BPSO、CARS、VCPA、VCPA-CO、GACRDA的10种变体）进行波段筛选，并构建7种机器学习模型（PLSR、SVR、KNN、GPR、RF、LightGBM、LSBoost）进行RCC反演。主要结论如下：（1）复合胁迫下，短波红外（SWIR，1300-2400 nm）波段对叶片水分流失、组织结构变化、干物质积累及叶绿素降解相关的生理响应高度敏感，可作为间接辅助光谱信号实现RCC精准估计；（2）GACRDA能够有效减少冗余和噪声信号干扰，同时选择与RCC及胁迫生理响应密切相关的敏感光谱信号（如520-580 nm绿峰、705-730 nm红边及1300-2400 nm短波红外区域）；（3）在16种算法中，GACRDBPSO-BPSO（以BPSO为内部核心优化器，最终输出经BPSO二次搜索的最优子集）在建模成本与筛选性能间达到最优平衡，其构建的GPR模型预测精度最高（R²_V=0.7183，RMSEV=3.7031，RPDV=1.9009）。该研究突破了传统方法在复杂生境高维光谱分析中的算法瓶颈，为复合胁迫下植被健康监测与生态韧性研究提供了新途径。

**关键技术方法**

研究采用的主要方法包括：（1）全局自适应连续重加权衰减算法（GACRDA），其核心创新在于：内部以元启发式优化算法（MOAs，如遗传算法GA或二进制粒子群优化BPSO）进行全局搜索，并保留每代最优精英个体；利用偏最小二乘回归（PLSR）模型计算每个特征子集的均方误差（MSE）及各特征的选择性比率（SR），通过归一化后加权计算特征全局权重；外部采用指数衰减函数（EDF）实施软正则化，动态剔除低权重特征，实现特征空间的自适应连续收缩。GACRDA共有10种变体，根据最终输出策略分为GACRDCO（仅保留2个波段）、GACRDCO-BF（保留14个波段后穷举搜索）、GACRDCO-CO（保留200个波段后由MOAs精细搜索）。样本来源：新疆伊犁新源县，2025年6-8月采集，共889个叶片样本。

**研究结果**

**3.1 生理生化参数与叶片光谱特征**
通过分析不同RCC水平下的光谱曲线，发现绿峰（520-580 nm）反射峰随RCC升高而降低，红边（680-750 nm）区域向长波方向移动，近红外平台（750-1100 nm）反射率较高，短波红外区（1300-2400 nm）呈现明显水吸收特征（1450 nm、1950 nm）。这些特征与叶片水分和叶绿素含量密切相关。

**3.2 基于CARS和VCPA算法的波段选择结果**
CARS算法在迭代初期快速剔除大量波段，最终保留27个波段，RMSECV在31次迭代后达到最小，随后急剧上升。VCPA算法保留11个波段，RMSECV先降后升，波动较小。CARS和VCPA均未能有效提取红边区（680-750 nm）核心特征。

**3.3 基于MOAs和VCPA-CO算法的波段选择结果**
GA和BPSO分别保留949和1035个波段，分布均匀，但冗余度高。VCPA-GA和VCPA-BPSO分别保留89和117个波段，在EDF阶段RMSECV线性下降，但在MOAs阶段仍受噪声干扰，泛化能力较弱。

**3.4 基于GACRDCO算法的波段选择结果**
GACRDGA(EDF)、GACRDGA(GA)、GACRDBPSO(EDF)、GACRDBPSO(BPSO)分别保留55、45、41、34个波段，集中在绿峰、红边和短波红外区。RMSECV在EDF迭代中先缓慢下降后快速上升，表明EDF对核心特征影响时模型性能骤降。

**3.5 基于GACRDA-BF算法的波段选择结果**
GACRDGA-BF和GACRDBPSO-BF分别保留12和13个波段，但模型预测性能较差，稳定性低，表明当最终保留波段过少时，丢失了潜在协同生理信号。

**3.6 基于GACRDCO-CO算法的波段选择结果**
GACRDGA-GA、GACRDGA-BPSO、GACRDBPSO-GA、GACRDBPSO-BPSO分别保留87、114、90、109个波段。RMSECV呈波动下降趋势，表明该混合策略能维持特征子集内部稳定性，同时实现精确降维。

**3.7 基于机器学习算法的M. sieversii RCC建模结果**
KNN、RF、LightGBM、LSBoost在校准集上表现优异但在验证集泛化差（R²_V<0.5，RPDV<1.41），存在过拟合。PLSR、SVR、GPR在校准集精度较低但验证集泛化强。GPR模型整体最优，GACRDBPSO-BPSO-GPR模型达到最高预测精度（R²_V=0.7183，RMSEV=3.7031，RPDV=1.9009）。

**3.8 基于多种特征选择算法的建模成本分析**
BPSO运行时间（1.7652 min）仅为GA（3.4289 min）的一半。CARS最快（1.1592 min）。GACRDA中，BPSO驱动的变体比GA驱动的变体效率提高30%-55%。GACRDBPSO-BPSO在10次重复运行中稳定性最佳，平均R²_V=0.7160，RMSEV=3.7173。

**讨论部分总结**

讨论部分深入分析了所选波段与叶片生理参数的响应机制：在热旱复合胁迫下，RCC与叶片等效水厚度（EWT）呈显著正相关（r=0.509），水分缺失导致叶绿素降解，短波红外波段（1300-2400 nm）通过反映水分状态、组织结构和干物质积累间接表征胁迫状态。GACRDA能快速剔除750-1300 nm内高冗余、高共线性信号，而传统算法（CARS、VCPA、VCPA-CO）则难以有效挖掘弱协同信号。GA与BPSO的迭代差异源于其搜索策略：GA采用渐进式进化，收敛慢；BPSO利用信息共享机制快速收敛，但易波动。CARS、VCPA与VCPA-CO的RMSECV变化趋势差异由算法架构（双筛选 vs. 单筛选）和最终保留变量数决定。GACRDA通过全局自适应重加权和MOAs历史精英信息，实现了特征空间的高效收缩与弱信号保留。在机器学习模型中，GPR凭借核函数控制复杂度，优于集成算法；KNN等受到噪声干扰，过拟合严重。消融实验表明，MOAs的全局搜索策略和选择性比率（SR）指标优于随机采样（BMS）和回归系数（RC），是GACRDA成功的关键。研究局限性包括：GACRDA计算成本较高，SPAD值作为RCC指示受叶片结构变化影响，样本时空代表性单一，尚未应用于冠层尺度。未来需结合化学分析、多站点多季节数据及PROSAIL辐射传输模型，验证GACRDA的普适性。

**结论部分翻译**

(1) 在热旱复合胁迫下，短波红外区域（1300-2400 nm）对叶片水分流失、组织结构性变化、干物质积累以及与叶绿素降解相关的生理响应高度敏感。因此，短波红外波段可作为表征复合胁迫下植物水分状况、结构、干物质含量与叶绿素含量协同响应的间接辅助光谱信号。

(2) 在热旱复合胁迫下，CARS、VCPA和VCPA-CO等传统算法难以从高维光谱数据中充分挖掘有效特征信号。同时，由于缺乏特征空间约束机制，GA和BPSO算法选择的波段仍存在显著特征冗余。

(3) 在热旱复合胁迫下，GACRDA能够减少冗余和潜在噪声信号的干扰，同时选择与叶绿素含量及胁迫相关生理响应机制密切相关、具有强生理可解释性的敏感光谱信号。

(4) 在七种机器学习算法中，GPR（高斯过程回归）模型表现出最高的鲁棒性和预测性能。相反，KNN（K近邻）、RF（随机森林）、LightGBM和LSBoost（最小二乘提升）模型对噪声光谱信号相对敏感，导致预测性能最差。

(5) 在本研究提出的十种GACRDA变体中，GACRDBPSO-BPSO算法在有效平衡计算成本与波段筛选效率的同时，取得了最优预测性能。

(6) 当使用GACRDA进行特征选择时，应根据具体研究目标和算法内部架构选择合适的MOAs（元启发式优化算法）作为GACRDA的驱动策略，以实现目标样本的精准估计。