一种基于叶片光谱的不同海拔山地森林植物功能性状预测方法

本发明属于植物生态学与高光谱，涉及植物功能性状的反演方法，具体涉及一种基于叶片光谱的不同海拔山地森林植物功能性状预测方法。

背景技术：

1、植物功能性状是植物在长期环境适应与演化过程中形成的可定量度量的表型特征，它不仅决定植物光合效率、生长速率与抗逆能力，更是评估森林碳汇、养分循环、水文调节及生态系统健康状况的核心依据。叶片作为植物与外界环境进行物质交换与能量捕获的关键器官，其功能性状集中反映了植物对资源的获取、利用与分配策略，主要包括比叶面积、叶绿素含量、叶干物质含量，以及叶碳、氮、磷含量等指标。

2、传统功能性状测定依赖野外破坏性采样与实验室化学分析，存在耗时费力、成本高、时空覆盖有限等局限。尤其在自然保护区内，破坏性采样受到严格限制，难以满足大尺度、非破坏性、高频次的森林生态动态监测需求。

3、高光谱技术通过捕捉与叶片理化成分及结构差异相对应的光谱响应特征实现功能性状的反演，为突破传统测定方法的瓶颈提供了革新性技术路径。现有技术中，已有利用高光谱数据预测植物单一或少数几种性状的研究。例如，公开号为cn121703019a的中国专利申请公开了一种番茄糖度和硬度高光谱检测方法，通过构建偏最小二乘回归模型进行检测；公开号为cn121783908a的专利申请公开了一种基于干叶高光谱的橡胶树叶片养分含量检测方法，也采用了偏最小二乘回归构建多养分协同预测模型。

4、然而，现有研究多集中于农田作物或经济树种，针对地形复杂、环境异质性高、物种组成多样的山地森林生态系统，其植物功能性状的光谱预测面临更大挑战。不同海拔梯度带来的水热条件差异会显著影响叶片光谱特征，导致现有模型预测精度偏低。此外，不同预测模型（如偏最小二乘回归、随机森林、支持向量机）在山地森林复杂环境下的适用性和预测精度差异尚不明确。因此，亟需开发一种专门针对不同海拔山地森林环境、能够有效处理高维共线性光谱数据、预测精度相对较高的植物功能性状预测方法。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于，提供一种基于叶片光谱的不同海拔山地森林植物功能性状预测方法，解决现有技术中山地森林复杂环境下植物功能性状高光谱预测精度偏低，且不同预测模型在海拔梯度影响下的适用性和预测性能不明确的技术问题。

2、为了解决上述技术问题，本发明采用如下技术方案予以实现：

3、一种基于叶片光谱的不同海拔山地森林植物功能性状预测方法，该方法包括：基于训练集的叶片功能性状数据与高光谱数据，构建并训练偏最小二乘回归预测模型；将待测植物的叶片高光谱数据输入至训练好的偏最小二乘回归预测模型中，输出得到待测植物的叶片功能性状预测值。

4、具体的，该方法具体包括如下步骤：

5、步骤一，采集目标山地森林区域内不同海拔梯度上的植物叶片样本：

6、于植物生长旺盛期（6～9月），在各海拔样地内选取胸径≥1 cm、生长健康、光照充足的成年木本植物为采样对象，每个树种选取3株标准株；在植物冠层向阳侧，采用高枝剪随机剪取3～5片完整成熟叶片，将叶片装入自封袋并粘贴含样地信息、物种、采样时间的标签，带回生态站点进行后续处理。

7、步骤二，对步骤一获得的植物叶片样本进行叶片功能性状测定。

8、步骤三，对步骤一获得的植物叶片样本进行叶片高光谱测定并对数据进行预处理：

9、步骤3.1，叶片高光谱测定：测定叶片高光谱数据，所有测定在暗室恒定光源条件下完成；测定前以标准白板进行仪器校准，将叶片平铺于黑色吸光布上以完全覆盖探头视场；每片叶片重复测定至少3次，取平均值作为原始光谱数据，且每10分钟校准一次白板。

10、步骤3.2，叶片高光谱数据预处理：首先剔除异常光谱曲线，消除无效干扰数据；对光谱曲线进行平滑处理，以降低仪器噪声与环境干扰，同时保留关键吸收特征。

11、步骤四，基于步骤二获得的叶片功能性状数据与步骤三预处理后的高光谱数据，构建并训练偏最小二乘回归预测模型：

12、步骤4.1，将样本随机划分为训练集与测试集；对训练集数据进行标准化处理，得到标准化光谱矩阵和标准化性状向量，并保存训练集的各波段均值、波段标准差、性状均值及性状标准差。

13、步骤4.2，对步骤4.1得到的标准化光谱矩阵和标准化性状向量分别进行正交分解，提取两组数据共享的潜在主成分；正交分解后得到光谱潜在得分矩阵、光谱载荷矩阵、光谱残差矩阵、性状潜在得分矩阵、性状载荷系数、性状残差矩阵；基于上述正交分解结果进一步计算得到光谱权重矩阵。

14、步骤4.3，基于步骤4.2得到的光谱潜在得分矩阵和性状潜在得分矩阵，构建线性关联方程，使性状得分矩阵等于光谱得分矩阵乘以得分回归系数矩阵再加上得分拟合残差。

15、步骤4.4，遍历候选主成分数量，采用留一交叉验证计算各主成分数对应的均方根误差；其中，对于每个候选主成分数，所述均方根误差为所有训练样本的实测性状值与利用步骤4.2、步骤4.3和该主成分数建立的预测模型给出的预测值之差的平方和除以样本总数后再开平方；对比不同主成分数量对应的均方根误差，选取均方根误差最小值所对应的主成分数作为最优主成分数。

16、步骤4.5，基于步骤4.4确定的最优主成分数，整合步骤4.2得到的与该最优主成分数对应的光谱权重矩阵、步骤4.3得到的得分回归系数矩阵以及步骤4.2得到的性状载荷系数矩阵，构建标准化光谱对标准化性状的回归预测方程。

17、步骤五，采集待测植物的叶片，对待测植物的叶片高光谱进行测定并对数据进行预处理，测定和预处理过程与步骤三完全一致。

18、步骤六，将步骤五预处理后的待测植物的叶片高光谱数据输入至步骤四训练好的偏最小二乘回归预测模型中，输出得到待测植物的叶片功能性状预测值：

19、步骤6.1，对测试集光谱数据，利用步骤4.1保存的各波段均值、波段标准差、性状均值和性状标准差执行相同标准化变换，得到标准化测试光谱矩阵。

20、步骤6.2，将步骤6.1得到的标准化测试光谱矩阵代入步骤4.5建立的回归预测方程，输出测试集的标准化性状预测向量。

21、步骤6.3，对步骤6.2输出的标准化性状预测向量进行逆标准化变换：将每个标准化预测值乘以步骤4.1保存的训练集性状标准差，再加上训练集性状均值，得到具有实际物理量纲的植物功能性状预测值。

22、本发明还具有如下技术特征：

23、具体的，步骤一中，不同海拔梯度上的植物叶片样本分别采自常绿落叶阔叶混交林、落叶阔叶林、中山小叶林、针阔混交林及亚高山针叶林。

24、具体的，步骤二中，所述叶片功能性状包括叶片的比叶面积、叶绿素含量、叶片干物质含量、叶片碳含量、叶片氮含量以及叶片磷含量中的至少一种。

25、具体的，步骤二中，所有样品均设置3次重复，并采用格拉布斯检验法剔除异常值。

26、具体的，步骤3.1中，叶片高光谱数据的波长范围为350～2500 nm，覆盖可见光、近红外和短波红外波段。

27、具体的，步骤3.2中，所述平滑处理采用savitzkygolay卷积平滑算法，计算参数包括：窗口数值设置为3，多项式次数设置为2。

28、优选且可选的，步骤3.2中，所述预处理还包括标准正态变量变换或多元散射校正。

29、具体的，步骤四中，训练集与验证集的样本数量之比为7∶3。

30、具体的，步骤六中，叶片功能性状预测值包括该待测植物的比叶面积、叶绿素含量、叶片干物质含量、叶片碳含量、叶片氮含量以及叶片磷含量中至少一种的预测值。

31、本发明与现有技术相比，具有如下技术效果：

32、（ⅰ）本发明针对地形复杂、环境异质性高的山地森林生态系统设计，能够在该类复杂环境下实现植物功能性状的快速、无损监测，并且适用于大尺度、多物种、高异质性山地森林植物关键叶片功能性状的预测，尤其在地形复杂的山地森林环境中具有突出的适用性。

33、（ⅱ）本发明通过系统对比偏最小二乘回归、随机森林和支持向量机三种模型在山地森林环境下的预测精度，发现偏最小二乘回归模型整体表现最优，尤其对叶绿素含量和叶片碳含量的预测效果显著优于其他模型，从而为山地森林生态研究确立了优选的光谱预测模型。同时，基于同一套叶片高光谱数据，本发明能够同步预测对比叶面积、叶绿素含量、叶片干物质含量、叶片碳含量、叶片氮含量、叶片磷含量等多项核心功能性状，显著提升了监测效率。

34、（ⅲ）本发明的方法不仅可用于性状预测，还能有效揭示叶片功能性状沿海拔梯度的分异规律，有助于理解山地森林植物对环境变化的适应机制。此外，该方法无需破坏性采样和复杂的化学分析，仅依靠叶片高光谱数据即可快速获取多项功能性状的预测值，为自然保护区和国家公园等生态敏感区域的长期、高频次监测提供了可行的技术方案。