《Smart Agricultural Technology》：Physiology-Informed Hyperspectral Retrieval of Leaf Vcmax across Wheat and Maize
编辑推荐：
叶片高光谱反射率可提供一种可扩展的手段来估算光合能力（Vcmax），但在某一物种或测量情境下训练的模型在另一种情境下往往精度下降。这一迁移问题限制了光谱方法在多物种作物表型分析和碳循环应用中的使用。本研究利用来自不同氮供应条件下生长的小麦（C?；n=198）和
叶片高光谱反射率可提供一种可扩展的手段来估算光合能力（Vcmax），但在某一物种或测量情境下训练的模型在另一种情境下往往精度下降。这一迁移问题限制了光谱方法在多物种作物表型分析和碳循环应用中的使用。本研究利用来自不同氮供应条件下生长的小麦（C?；n=198）和玉米（C?；n=81）的配对气体交换与反射率数据，检验了生理信息输入对叶片尺度Vcmax25（归一化至25°C的Vcmax）反演的影响。四种输入配置分别为：原始光谱（Mod1）、经光合光子通量密度（PPFD）–吸收率代理缩放的光谱（Mod2）、缩放光谱结合辐射传输模型（RTM）反演性状（Mod3）、以及缩放光谱结合光谱协调代理（Mod4）。在数据集内部，最优模型的R2在小麦中达到0.82，在玉米中为0.41，在合并数据集中为0.76。在与通用随机森林学习器的匹配比较中，光谱协调代理Mod4在小麦（RMSE ?0.51%；p=0.0058）和玉米（RMSE ?1.26%；p=0.0011）中较Mod2仅略有改进，但在合并数据集中无显著改进（RMSE ?0.15%；p=0.074），而基于性状的Mod3未表现出一致优势。当小麦模型在未经训练的测量日期上测试时，精度保持中等水平（R2=0.563；RMSE=15.07 μmol m?2 s?1）。尽管数据集内性能如此，未经校准便将模型应用于另一物种时，两个方向均失败（R2为负），且即使使用少量新物种样本进行校准，添加源物种数据也未改善预测。这些结果表明，生理信息输入设计在数据集内部最多带来微小的增益，而要实现C?与C?作物间的可靠预测，必须使用目标作物的校准数据。
**论文解读：生理信息引导的高光谱反演方法在小麦与玉米叶片Vcmax25估算中的表现与迁移性评估**
**一、研究背景与问题**
光合碳同化是陆地碳交换与作物生产力的核心驱动力，而Rubisco最大羧化速率（Vcmax）是控制CO?固定的关键叶片生化参数，也是Farquhar–von Caemmerer–Berry（FvCB）光合生化模型的核心输入，被广泛应用于陆地表面模型与作物生长模拟。Vcmax通常通过气体交换测量并结合A–Ci响应曲线非线性拟合获取，该方法生理学上严谨但费时费力，难以支撑高通量表型分析和大规模生态监测。高光谱反射率因对色素吸收、叶片结构和水分含量敏感，被视为估算Vcmax的潜在可扩展手段。然而，现有经验光谱模型常因物种、氮处理或环境条件的变化而精度显著下降，即模型迁移性问题。C?与C?植物在光合碳同化途径上存在根本性生化差异，进一步增加了跨物种光谱反演的复杂度。已有研究虽提出生理信息输入可能改善光谱回归模型的泛化能力，但尚未在严格区分数据集内精度与域外部署的框架下，系统评估生理信息引导的Vcmax25反演在C?与C?作物中的表现。
**二、研究内容与主要结论**
研究人员在德国慕尼黑工业大学Dürnast研究站（弗赖辛，48°24′22″ N，11°41′43″ E）开展了田间与温室试验，采集了小麦（C?，n=198）和玉米（C?，n=81）叶片的配对气体交换与高光谱反射率数据。小麦涵盖田间三种氮水平（0、120、180 kg N ha?1）及温室多种营养液配方，生育期从抽穗到成熟；玉米设低氮与高氮两个处理，于V3–V5营养期测量。研究构建了四种递进式输入配置：原始光谱（Mod1）、经PPFD–吸收率代理缩放的光谱（Mod2）、追加PROSPECT-D反演性状（Cab、Cm、Cab/Cm）的Mod3、追加Cab/Cm–CIred-edge–PRI协调代理的Mod4。采用偏最小二乘回归（PLSR）、随机森林（RF）、支持向量回归（SVR）和一维卷积神经网络（CNN）四种学习器，通过数据集内重复划分、严格嵌套的留一日期交叉验证（LODO）以及预设的跨物种零样本迁移基准对模型进行系统评估。研究发表于《Smart Agricultural Technology》。
主要结论包括：数据集内最优模型R2在小麦、玉米和合并数据集中分别为0.82、0.41和0.76；匹配比较中Mod4较Mod2仅带来小幅RMSE降低（小麦?0.51%，玉米?1.26%，合并数据集差异不显著），Mod3无一致优势；小麦日期留出验证的池化R2为0.563，但各日期间波动较大；零样本跨物种预测在两个方向均得到负R2（小麦→玉米：?0.417；玉米→小麦：?1.166），添加目标物种少量校准样本也未能改善源物种数据的效用。研究表明，生理信息输入设计仅带来数据集内的小幅增益，跨C?/C?作物的可靠预测必须依赖目标作物自身的校准数据。
**三、主要关键技术方法**
研究使用LI-6800便携式光合仪测定A–Ci响应曲线，小麦采用植物生理学C?模型（plantecophys::fitaci），玉米采用C?专用模型（plantecophys::AciC4）；光谱数据由ASD FieldSpec光谱辐射计采集（400–2500 nm）。光谱预处理包括原始反射率（RAW）、标准正态变量变换（SNV）、Savitzky–Golay一阶导数（SG1）和四级Haar小波分解（WAVELET）；特征选择采用竞争性自适应重加权采样（CARS）。RTM性状经PROSPECT-D查找表反演获得。匹配比较统一采用WAVELET预处理和500棵树随机森林，50次70:30划分；LODO采用嵌套日期级验证；零样本迁移采用SNV+双分量PLS+对数目标预设管线。样本来源为德国弗赖辛Dürnast研究站田间与温室。
**四、研究结果**
**1. 氮相关的Vcmax25与光谱变异**
田间小麦各氮处理间Vcmax25无显著差异（ANOVA，F=2.57，p=0.083），温室小麦低氮与高氮组间也无显著差异；玉米高氮处理Vcmax25显著高于低氮（36.6 vs. 24.7 μmol m?2 s?1，p<0.001）。光谱差异主要集中在可见光区：田间小麦可见光反射率随施氮量增加而降低，玉米低氮叶片可见光反射率明显高于高氮，而近红外与短波红外变化较小。
**2. 数据集内探索性预测表现**
小麦中Mod1表现最佳（SG1-PLSR，R2=0.817），Mod2与Mod4相近，Mod3最低；玉米中Mod1最差（R2=0.272），Mod4名义最高（R2=0.413），Mod3居中；合并数据集中四种配置差异很小（R2=0.745–0.764），但物种身份单独解释约40%的方差，合并R2受物种间分离影响较大。
**3. 生理信息输入的匹配贡献**
50次匹配随机森林比较中，Mod4在小麦（64%分割胜出，R2提高0.008，p=0.0058）和玉米（70%分割胜出，R2提高0.018，p=0.0021）中较Mod2有小幅提高，在合并数据集中无显著差异。Mod3未显示一致优势。玉米预测误差在低值端表现为系统性高估（偏差+8.34至+9.37），高值端表现为低估（偏差?11.51至?10.92），呈现明显的向均值回归特征。
**4. 与Vcmax25反演相关的光谱区域**
PLSR系数与变量重要性投影（VIP）图谱显示，三个数据集的VIP均在约700–730 nm红边区域出现峰值；玉米在500 nm以下和1000 nm附近有附加峰，小麦在1400 nm和1850 nm附近出现与水及干物质吸收相关的次级峰；合并数据集的VIP在宽泛的短波红外范围保持较高水平。
**5. 跨测量日期的时间泛化**
LODO验证的池化R2为0.563（95%日期聚类CI：0.339–0.706），RMSE为15.07 μmol m?2 s?1，Spearman ρ=0.749。15个留出日期中9个R2为正、6个为负。两条预设固定管线精度较低（Mod1固定管线R2=0.220，Mod4参考管线R2=0.434），嵌套流程因在训练日期内进行模型选择而表现更好。排除少于5个观测的日期后结果基本不变。
**6. 零样本跨物种迁移与域偏移**
预设源-only管线在小麦→玉米方向得到R2=?0.417、RMSE=13.87 μmol m?2 s?1、Spearman ρ=0.544；玉米→小麦方向R2=?1.166、RMSE=33.56 μmol m?2 s?1、ρ=0.226。光谱域分类AUC接近完全分离（1.000和0.9999），59%玉米和78%小麦目标样本超出源域95%杠杆包络线，Vcmax25的KS统计量达0.742，表明源-目标域分布偏移严重。
**7. 目标物种校准与迁移对照**
随目标校准集增大，模型选择倾向舍弃源数据权重：在最大校准规模下，小麦→玉米49/50分割和玉米→小麦35/50分割选择零源权重。源监督PLS子空间未优于源无监督PCA子空间，源标签置换检验在k=5和10时无显著差异，说明低k下的稳定化效果来自正则化的通用作用，而非源域可迁移标签信息。
**五、讨论总结**
研究确认叶片高光谱反射率在作物特异性标定域内对Vcmax25具有信息价值，但生理信息输入仅带来微小增益，日期留出精度中等但不稳定，零样本跨物种预测完全失败。C?叶片中氮在Rubisco、CO?浓缩机制、电子传递等多组分间的分配、Kranz解剖结构及内部散射可能削弱光谱-生化性状间的稳定协变关系。时间不稳定性源于叶片光谱整合的色素、干物质、水分、结构与光保护状态等性状不同步变化。跨物种预测需显式目标校准，模型部署评估应与目标域分布偏移程度相匹配。
**六、研究结论翻译**
叶片高光谱反射率在作物特异性校准数据集中对Vcmax25的估算具有信息价值，但生理信息补充仅较Mod2带来边际增益。日期留出验证在小麦中保持中等技能（R2=0.563），但各日期间差异显著，而仅使用源物种数据的跨物种预测在两个方向均产生负R2。置换与子空间对照未提供源物种标签改善目标作物预测的证据。因此，面向新日期的模型应采用日期分组留出验证评估，并在时间偏移显著时进行重校准，而在本研究所测试的协议下，向新物种部署需要目标域校准。
