利用二维光谱表征和多任务学习结合多门控专家组合模型来预测植物叶片的功能特征

《Computers and Electronics in Agriculture》：Predicting plant leaf functional traits using 2D spectral representation and multi-task learning with multi-gate mixture-of-experts

　　• 提出了LGSA-Net，这是一个多任务框架，结合了2D光谱和深度学习来实现联合特征反演。• GASF被确定为叶特征反演的最佳2D编码方法。• MMoE机制有效减轻了多特征反演任务中的负迁移现象。• LGSA-Net显著提高了植物叶片功能特征的反演精度。

引言
植物功能特征代表了反映植物适应策略和生态系统功能的关键生态特性（Funk等人，2017年）。如单位面积叶质量（LMA）、等效水厚度（EWT）和叶色素等叶功能特征不仅直接决定了光合作用效率和抗逆性，还为定义“叶经济谱”（Wright等人，2004年）和监测植被健康状况提供了重要指标。例如，EWT与植物的温度调节能力和抗旱机制直接相关，为维持光合作用和蒸腾作用提供了坚实基础（De Jong等人，2014年）。同时，叶色素控制着光能的捕获和散布，其含量的变化通常被视为植物对环境压力响应的早期预警信号（Blackburn，2006年）。因此，准确量化这些关键特征对于监测植物多样性和评估生态系统功能至关重要。

传统的特征测量主要依赖于破坏性采样和实验室生化分析（Wang等人，2020b；Yang等人，2016年）。尽管这些方法准确，但耗时且不适合大规模、实时的监测应用。高光谱数据通过捕获与植物叶片功能特征相关的连续光谱信息提供了一种非破坏性的替代方案（Burnett等人，2021年；Qi等人，2026年；Wang等人，2023年）。现有的基于高光谱的反演方法大致可分为经验统计方法和基于物理的模型（Verrelst等人，2015年）。统计模型如偏最小二乘回归（PLSR）（Kong等人，2025年；Liu等人，2021年）建立了光谱变量与特征之间的关系，但它们描述复杂的光谱-特征交互的能力有限。与此同时，使用辐射传输模型（RTMs，例如PROSPECT）的物理反演方法已得到广泛应用（Feret等人，2008年；Sun等人，2018年）。现有研究表明，将模拟数据与迁移学习或集成策略相结合可以有效缓解观测样本的稀缺问题。同时，引入结合物理约束的深度学习框架对于减少数据冗余和增强时空监测的鲁棒性至关重要（Ji等人，2025年；Singh等人，2025年；Sinha等人，2020年）。物理模型提供了机制解释，但其准确性受到病态反演和简化叶结构假设的限制（Combal等人，2003年）。因此，需要更灵活的数据驱动方法。

深度学习由于其强大的非线性特征表示能力，最近已成为高光谱特征反演的强大工具。Xiao等人（2022年）结合了光谱预处理技术和深度迁移学习，使用卷积神经网络（CNN）高效评估了不同棉花品种叶片中的叶绿素含量。Shi等人（2022年）整合了AlexNet和PROSPECT-5模型，利用一维卷积神经网络（1DCNN）学习光谱带间的局部相关特征，从而实现了森林叶片中叶绿素和类胡萝卜素含量的高精度反演。基于高光谱数据的单任务叶片特征建模能够实现叶片特征的高精度反演。然而，单任务模型忽略了各种植物功能特征之间的内在生物学协同机制（例如色素之间的共生关系（Hallik等人，2017年））。面对多特征联合反演的需求时，这种策略存在局限性，包括建模效率低和未能充分利用特征间的相关性。

为解决上述问题，研究人员引入了一个多任务学习框架（MTL），该框架通过利用共享的特征表示来同时学习多个相关任务，同时保留任务特定的特征（Zhang和Yang，2018年）。最新研究表明，将MTL应用于农业和林业光谱分析可以即使在使用异质或稀疏数据的情况下也能实现植物功能特征的稳健预测（Cherif等人，2023年）。此外，将MTL与深度卷积神经网络或注意力机制相结合可以从高光谱或多源遥感数据中实现多个生理指标（如叶绿素和水分状态）的高精度和协同估计（Cheng等人，2025年；Zhai等人，2025年）。结果表明，多任务模型显著降低了计算成本，同时在不同品种和生长阶段实现了高预测精度。然而，现有模型主要使用1D光谱数据作为输入，尽管1D光谱保留了波长信息，但它们无法明确表示光谱带间的复杂相关性，限制了对内在光谱结构的利用（He等人，2024年）。

为了捕捉更丰富和更有信息量的光谱带间关系，最近的研究将一维光谱转换为二维表示（Guo等人，2025年；Jiang等人，2023年）。例如，光谱变换方法（如Gramian角差异场（GADF）和连续小波变换）与特征级融合网络相结合，用于木材含水量估计和植物功能特征预测（Guzmán等人，2021年；Liu等人，2025年）。其他研究将一维光谱向量编码为二维表示，并使用二维卷积神经网络进行处理，在农产品分类和作物冠层生理参数估计方面取得了有希望的性能（Tang等人，2024a；Yue等人，2023年）。然而，现有的基于二维光谱表示的方法主要是为单任务预测或特定应用场景开发的。它们在多叶片功能特征的联合反演方面的有效性，特别是在共享特征和学习任务特定特征方面，尚未系统地进行研究和验证。

因此，仍存在两个关键挑战：传统的一维光谱模型无法充分利用光谱带间的复杂依赖性，而现有的多特征预测方法缺乏有效机制来平衡不同预测任务中的共享特征和学习任务特定特征。为解决这些问题，本研究提出了一个结合2D光谱表示和多门专家混合模型的框架，用于联合反演植物叶片功能特征。本研究的主要贡献如下：
(1) 提出了一个基于2D光谱表示的植物叶片功能特征多任务反演框架，能够同时预测LMA、EWT、Chl和Car。
(2) 对几种2D光谱表示方法进行了全面评估，以反演叶片特征。通过定量分析它们表征光谱特征的能力，确定了一种最佳表示策略，以增强模型捕捉关键光谱特征的能力。
(3) 设计了一个基于MMoE的软共享决策层。通过使用任务特定的门控单元引导专家网络关注不同的特征子空间，该框架有效减轻了多任务学习中的梯度竞争和负迁移，从而提高了挑战性特征的预测精度。
(4) 设计了一个基于同方差不确定性动态加权的联合损失函数。通过将均方误差与皮尔逊相关系数结合起来建立多标准约束，所提出的策略能够适应性地平衡任务权重，并在复杂的多任务场景中提高收敛稳定性。

数据集和预处理
本研究构建了一个包含3,225个样本的综合性数据集（Kothari等人，2023年；Peters和Noble，2024年），如表1所示。样本根据植物功能类型（PFTs）（Roth等人，2015年）被分类为阔叶、杂草、禾本科植物和灌木。选择了四个反映生长状态和环境适应策略的关键叶片特征（Ji等人，2024年），并将其标准化为相同的单位：LMA（g/cm2）、EWT（g/cm2）、Chl（μg/cm2）和Car（μg/cm2）。

不同光谱编码方法的有效性分析
表4展示了四种叶片特征（LMA、EWT、Chl和Car）反演的不同2D编码方法的比较结果。为了隔离光谱表示的效果，所有五种编码方法都在相同的实验设置下仅使用提出的LGSC-Net进行了评估。表4显示，GASF在多任务反演中实现了更高的精度和最佳稳定性，使其成为本研究中将1D光谱转换为2D图像的最佳策略。

结论
如图7所示，基于2D编码的深度学习模型在多特征反演方面优于传统的1D模型，其中GASF编码策略在所有方法中表现得最好（表3）。GASF不仅完全保留了原始光谱序列中的依赖关系，还明确构建了光谱带之间的强相关纹理矩阵。这增强了模型捕捉微妙光谱吸收特征的能力。

MTF相对于...的表现较差

作者贡献声明
黄建平：写作-审稿与编辑、监督、项目管理、资金获取。
张欣：写作-原始草稿、可视化、资源、方法论、形式分析、数据管理。
王广来：写作-审稿与编辑、方法论、形式分析、数据管理。
莫翀：方法论、调查、形式分析。
王正航：调查、数据管理。
宋文龙：项目管理、资金获取。

利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争财务利益或个人关系。

致谢
本研究得到了中国国家自然科学基金（项目编号61701105、31470714）和黑龙江省自然科学基金（项目编号TD2020C001）的支持。

黄建平 | 张欣 | 王广来 | 莫翀 | 王正航 | 宋文龙