关于利用高光谱与热成像及三维辐射传输模型进行植物功能性状建模以早期检测栎树衰退症中疫霉菌诱导症状的研究报告

一、 研究团队、期刊与发表时间

本研究由来自多个研究机构的学者合作完成。主要作者包括来自英国斯旺西大学地理系的A. Hornero（通讯作者），西班牙可持续农业研究所（IAS-CSIC）的P.J. Zarco-Tejada，西班牙科尔多瓦大学森林系统生态生理学实验室（ECSIFOR—ERSAF）的J.L. Quero、F.J. Ruiz-Gómez、R. Sánchez-Cuesta，以及斯旺西大学的P.R.J. North和R. Hernandez-Clemente。这项研究于2021年6月25日在线发表在遥感领域的重要期刊《Remote Sensing of Environment》（第263卷，文章编号112570）上。

二、 学术背景与研究目的

本研究的主要科学领域是森林生态学、植物病理学与遥感科学的交叉应用，特别是利用高光谱遥感技术进行植物生理胁迫与病害的早期诊断。研究的核心背景是伊比利亚半岛上普遍存在的栎树（特别是圣栎，*Quercus ilex*）衰退现象。这种衰退是一个复杂的过程，其主要驱动因素被认为是水分胁迫以及由疫霉菌（Phytophthora cinnamomi，简称Pc） 等病原体引起的根腐病。疫霉菌是北半球森林生态系统中最具侵入性的外来物种之一。水分胁迫导致水分可用性降低，增加了树木对疫霉菌感染的易感性。

研究面临的实际困境是：当树木表现出落叶、树冠变色等肉眼可见的症状时，衰退已进入不可逆阶段，森林管理措施往往为时已晚。因此，开发能够在“前症状期”（即树木已受影响但尚未出现可见症状）或“无症状期”进行早期检测的方法至关重要。植物功能性状是理解植物健康状况及其对环境与生物胁迫响应的关键。在衰退过程中，树木的生理条件、叶片色素含量、冠层结构等植物功能性状会先后发生改变。传统实地调查耗时耗力且难以大规模实施，而遥感技术，特别是高光谱和热成像技术，为大规模监测植被生理生化状态提供了高效、低成本的替代方案。然而，天然森林的冠层结构、物种组成、林下植被和阴影的高度异质性给从光谱数据中准确提取植物功能性状带来了巨大挑战。

基于此，本研究设定了两个核心目标：1）深入理解不同植物功能性状（由高光谱和热成像数据反演得出）在检测圣栎衰退症状中的贡献，特别是区分受生物与非生物胁迫影响的有症状树与无症状树；2）利用这些植物功能性状信息，构建一种用于森林衰退早期检测与严重程度评估的分析方法。

三、 详细研究流程

本研究采用了一套整合了野外调查、高分辨率航空遥感、三维辐射传输模型反演和机器学习分类的综合技术流程。

1. 研究区域与野外数据采集 研究地点位于西班牙安达卢西亚南部的一片开阔的地中海型圣栎林地。研究团队于2017年和2019年夏季进行了两次大规模的野外调查，对超过1146棵圣栎树进行了评估。根据树冠落叶、枯枝等典型症状的比例，将每棵树的病害严重程度划分为4个等级（DS 0-3，DS0为健康，DS3为极严重）。病害发生率则分为两类（DI 0为无症状，DI 1为有症状）。此外，研究还选取了15棵树，在不同年份（2013、2015、2017年）进行了叶片色素（叶绿素、类胡萝卜素、花青素）含量的实验室测量、稳态叶绿素荧光和叶面积指数的现场测定，为后续遥感反演提供地面验证数据。研究区域存在疫霉菌感染也通过分子分析得到确认。

2. 航空高光谱与热成像数据采集与处理 2017年7月，研究团队利用搭载在飞机上的三台传感器同步采集了高分辨率影像数据：一台可见光-近红外高光谱成像仪（400-885纳米，260个波段，空间分辨率60厘米）、一台近红外-短波红外高光谱成像仪（950-1750纳米，165个波段，空间分辨率90厘米）和一台热成像相机（7.5-14微米，空间分辨率60厘米）。飞行高度为350米，覆盖面积约720公顷。采集的影像经过了一系列复杂的后处理流程，包括辐射定标、大气校正（使用SMART模型）、光照角度校正和正射校正，最终生成反射率图像和经过校准的冠层温度图像。标准化冠层温度差（Tc–Ta）通过从热影像反演的冠层温度中减去气象站测量的气温得到。

3. 树冠分割与光谱指标计算 利用对象化图像分割技术（如Niblack阈值法和Sauvola二值化法），结合分水岭分析，从高分辨率图像中自动识别并勾勒出单棵树的树冠轮廓，最大限度地减少背景和阴影的影响。对每个树冠计算了平均反射率，并由此计算了总计96个光谱指标，包括：a) 与冠层结构、叶绿素、类胡萝卜素、花青素、水分含量及叶黄素循环相关的多种植被指数；b) 基于夫琅和费线深度的叶绿素荧光发射指标（3fld）；c) 冠层温度差（Tc–Ta）。

4. 基于三维辐射传输模型的植物功能性状反演 为了克服森林冠层异质性对光谱特征提取的干扰，本研究核心采用了先进的三维辐射传输模型FLIGHT 8，结合叶片模型FLUSPECT-B和PROSPECT-D，通过反演方法从树冠光谱中定量提取植物功能性状。研究设计了一个两阶段的模型反演流程： * 第一阶段：构建了一个包含超过80万次模拟的查找表，耦合FLUSPECT-B叶片模型与FLIGHT 8冠层模型，旨在反演叶面积指数、叶绿素含量、类胡萝卜素含量和太阳诱导叶绿素荧光量子效率。此阶段通过逐步迭代反演，先确定LAI，然后是Cab和Car，最后是Fi，并使用了特定的光谱指标作为各性状的代理。 * 第二阶段：利用第一阶段获得的部分参数，构建另一个包含超过20万次模拟的查找表，耦合PROSPECT-D叶片模型与FLIGHT 8冠层模型，专门用于反演花青素含量、叶片水分含量和干物质含量。此阶段引入了小波变换分析，将高光谱信号分解为不同光谱尺度下的频率成分，以增强对特定光谱特征（对应特定性状）的识别能力，从而提高反演精度。反演得到的模型性状值与实地测量数据进行了对比验证，结果表明具有较低的标准化均方根误差（NRMSE），证明了反演方法的可靠性。

5. 植物功能性状筛选与机器学习分类模型构建 在获得所有样本的模型反演植物功能性状后，研究采用了“Boruta”算法（一种基于随机森林的特征选择方法）来评估每个性状在区分病害发生率和严重度中的重要性。该算法通过创建原始变量的“影子”变量（随机排列副本），并比较原始变量与影子变量在随机森林分类器中的重要性，从而筛选出对分类真正重要的特征。此外，为了补充信息，研究还将96个光谱指标纳入特征选择过程。最终，通过结合方差膨胀因子分析和皮尔逊相关性分析，剔除了共线性强的变量，筛选出了一组（12个）独立的、具有高预测价值的指标用于最终建模。

研究使用了两种机器学习分类算法——支持向量机（采用高斯径向基核函数）和随机森林，分别构建了用于预测病害发生率（DI）和严重度（DS）的分类模型。模型的训练和验证基于两种数据情况：1）2017年调查的所有1146棵树；2）仅使用在2019年复查中得到确认（病情状态稳定）的506棵树。通过100次迭代的随机抽样（80%训练，20%测试）和10折交叉验证来评估模型的总体分类准确率和科恩卡帕系数。

6. 模型预测能力的前瞻性验证 本研究一个独特的优势是拥有2019年的后续实地调查数据。研究利用2017年影像和调查数据构建的模型，来预测那些在2017年和2019年评估结果不一致（即“未确认”病例，如2017年健康但2019年发病，或反之）的树木的病情变化，从而评估模型提前两年预测衰退发生或缓解的能力。

四、 主要研究结果

1. 植物功能性状与栎树衰退的关联 无论是实地测量数据还是模型反演结果，都清晰地显示了植物功能性状随病害严重程度增加而变化的规律。衰退树木表现出以下特征：叶绿素含量、类胡萝卜素含量、花青素含量、叶绿素荧光（Fi/Fs）和叶面积指数均显著下降；而冠层温度差（Tc–Ta）和干物质含量则显著上升。这表明衰退过程伴随着光合能力的减弱、水分胁迫的加剧以及生物量结构的改变。

2. 不同植物功能性状的重要性排序 特征选择过程明确了不同性状在检测衰退中的相对重要性。在所有分析的变量中，冠层温度差（Tc–Ta）被确定为预测病害发生率和严重度最重要的变量。太阳诱导叶绿素荧光（Fi）紧随其后，是第二重要的变量。对于区分不同严重度等级，LAI和干物质含量在区分中度和重度症状时变得更为重要。主成分分析进一步表明，Tc–Ta和LAI贡献了最大的变异性，且方向相反，表明植被丰度（LAI）与冠层温度之间存在强烈的负相关。此外，一些在短波红外区域的植被指数（如MND， GnyLI）的重要性超过了叶绿素、类胡萝卜素和花青素等色素指标，突显了水分和干物质信息在病害检测中的价值。

3. 分类模型的性能与预测能力 基于筛选出的植物功能性状指标构建的分类模型表现出色。对于病害发生率（DI）的分类，在仅使用确认病例数据、采用随机森林算法的情况下，模型达到了最高的总体准确率（82%）和科恩卡帕系数（0.62），表明模型具有优秀的区分能力。模型还能有效识别出在2017年实地调查中未被发现、但在2019年复查中被确认为衰退的树木，即实现了“前症状期”检测。前瞻性验证结果尤为引人注目：模型能够成功预测高达34%的衰退树木（这些树在2017年视觉检查中未被发现，但在2019年被确认衰退）。在最佳场景下，模型对“未确认”病例（即病情发生变化）的整体预测率可达40%，其中对于病情恶化（从健康到发病）的预测，随机森林算法表现更佳。

五、 结论与研究意义

本研究成功开发并验证了一种整合高分辨率高光谱/热成像遥感、三维辐射传输模型物理反演与机器学习分类的综合性方法，用于圣栎衰退症的早期检测和严重度评估。主要结论如下：

• 方法论价值：研究证明了三维辐射传输模型FLIGHT 8在反演异质森林冠层植物功能性状方面的强大能力，它能有效剥离背景、阴影和林下植被的影响，为精准提取与病害相关的生理生化信息提供了物理基础。结合机器学习，该方法实现了从复杂遥感数据到可直接用于管理决策的病害分布图的有效转换。
• 科学发现：明确了冠层温度（热胁迫）和叶绿素荧光（光合功能）是检测圣栎衰退，尤其是早期无症状阶段的最敏感指标。这为理解疫霉菌与水分胁迫共同作用下的树木生理响应机制提供了遥感视角的实证。研究还系统量化了衰退进程中各植物功能性状的动态变化规律。
• 应用价值：该方法能够在树木出现肉眼可见症状前最多两年进行预警，为森林管理者提供了宝贵的干预时间窗口。早期检测可以指导靶向性的管理措施，如对感染树木进行选择性砍伐、施用土壤改良剂或杀菌剂等，以阻止衰退过程的蔓延，提升森林管理的效率和成效。研究构建的分类模型和筛选的关键指标，可直接应用于未来的航空或卫星监测项目中。

六、 研究亮点

1. 创新的技术集成：本研究将高分辨率多传感器（VNIR， SWIR， 热）航空遥感、先进的三维辐射传输模型物理反演（FLIGHT 8）与机器学习分类算法（Boruta特征选择， SVM/RF）进行了无缝集成，形成了一套完整、严谨且可推广的技术框架。
2. 对早期检测的突破性验证：利用间隔两年的重复实地调查数据，对模型的预测能力进行了前瞻性验证，实证了遥感方法能够检测出视觉无法识别的“前症状”树木，这是本研究最有力的发现之一，极大地增强了该方法的可信度和应用潜力。
3. 深入解析性状重要性：不仅发现了冠层温度和荧光的核心作用，还系统地揭示了不同严重度阶段所依赖的关键植物功能性状的差异（如早期依赖Tc–Ta和Fi，后期更依赖LAI和干物质），为针对不同衰退阶段的监测策略提供了精细化指导。
4. 解决森林遥感核心挑战：研究直面并成功应对了天然森林冠层高度异质性对光谱信息提取带来的长期挑战，证明了三维物理模型在此类环境中的必要性和优越性，为将类似方法推广到其他森林类型和病害监测奠定了基础。

七、 其他有价值内容

研究在附录中详尽列出了所计算的96个植被指数的名称与公式，为其他研究者提供了宝贵的参考。此外，作者在制图时考虑了色盲人群的视觉需求，体现了科学传播中的人文关怀。论文最后指出，该方法未来可与哨兵-2号等多时相卫星数据以及即将发射的荧光探测器任务数据相结合，有望实现更大范围、更频繁的森林健康监测，展现了该研究方向的广阔前景。