本研究由南京林业大学生态与环境学院的赵祖艳（Zuyan Zhao）、毛岭峰（Lingfeng Mao）及宋广满（Guangman Song）等学者，联合长江师范学院大数据与智能工程学院的甘毅（Yi Gan）以及日本静冈大学农学部的王权（Quan Wang）共同完成。论文发表于Elsevier旗下的学术期刊《Computers and Electronics in Agriculture》，该研究于2026年7月15日收稿，2026年10月8日修回，2026年10月21日被接收。
叶片碳（Carbon, C）和氮（Nitrogen, N）是植物结构与代谢的基本组成元素，支撑着资源获取、投资策略和生理功能。叶片碳氮比（C/N）则整合了结构性投资与代谢需求，被广泛用作养分利用效率的代理指标。在植物功能生态学中，叶片性状既可以基于单位叶面积（area-based）表达，也可以基于单位干质量（mass-based）表达，二者通过叶质量面积比（Leaf Mass per Area, LMA）进行数学换算，但在功能含义上并不等同。面积基性状与光截获、气体交换等表面过程密切相关，而质量基性状则更直接反映化学组成与资源投资策略。
传统叶片碳氮测定依赖破坏性采样和实验室化学分析，耗时且难以实现大尺度时空监测。高光谱反射率（hyperspectral reflectance）能够捕捉由叶片化学组成和内部结构共同决定的光学特性变化，为叶片性状的非破坏性、连续估算提供了有力手段。然而，已有研究大多仅采用单一性状表达方式（质量基或面积基），对于何种表达方式在高光谱估算中更具优势尚无定论。
本研究旨在回答三个核心问题：（1）质量基与面积基叶片碳、氮在高光谱估算中是否存在可预测性差异；（2）植物功能型（Plant Functional Types, PFTs）和生物群系（biomes）是否影响预测精度；（3）支撑不同性状表达方式光谱反演的关键波段区域是什么。
本研究构建了一个涵盖北极、热带、地中海、北方和温带生态系统的全球数据集，整合了多个独立数据源的叶片化学性状与高光谱反射率配对数据。样本根据生活型被划分为落叶木本、常绿木本和草本植物三类。叶片光谱测量使用了多种光谱仪，包括ASD FieldSpec、Spectral Evolution PSR+及PSR+ 3500、SVC HR-1024i和Perkin-Elmer Lambda 19等。质量基碳（Cmass）和氮（Nmass）浓度通过元素分析仪测定，面积基碳（Carea）和氮（Narea）利用LMA换算获得，碳氮比（C/N）由Cmass与Nmass之比计算得出。
在数据质量控制方面，研究排除了超出平均值±3个标准差的化学性状异常值，并对光谱数据进行了主成分分析（Principal Component Analysis, PCA）和马氏距离（Mahalanobis distance）异常检测，最终构建了包含Cmass 4952条、Nmass 7298条、Carea 4626条、Narea 6895条及C/N 4944条样本的综合数据集。光谱数据限定在400–2400 nm范围，经Savitzky–Golay平滑处理后，被划分为可见光（Visible, VIS, 400–750 nm）、近红外（Near-infrared, NIR, 750–1300 nm）和短波红外（Shortwave Infrared, SWIR, 1300–2400 nm）三个区域。由于化学性状呈偏态分布（Shapiro-Wilk检验p < 0.001），建模前对所有碳氮及C/N数据进行了log10变换。
建模采用偏最小二乘回归（Partial Least Squares Regression, PLSR）方法，分别针对全谱段和三个独立光谱区域构建质量基与面积基叶片碳、氮及C/N的估算模型。数据集按7:3比例分层划分为校准集与验证集，重复十次以确保性状变异覆盖的稳健性。PLSR成分数通过贝叶斯优化（Bayesian optimization）确定，校准集中采用十折交叉验证防止过拟合，并进行了1000次自助抽样（bootstrap）以评估预测不确定性。模型性能以决定系数（R²）、归一化均方根误差（Normalized Root Mean Square Error, NRMSE）和性能偏差比（Ratio of Performance to Deviation, RPD）进行量化。此外，通过计算变量投影重要性（Variable Importance in Projection, VIP）识别对模型预测贡献显著的光谱波段，VIP值大于1的波段被认定为重要波段。
4.1 数据变异特征
综合数据集中叶片碳氮性状表现出显著变异。Cmass的变化范围为0.34–0.60 g/g（平均值±标准差：0.46±0.04 g/g），变异系数（Coefficient of Variation, CV）仅为7.84%。Nmass变异更大（0.005–0.08 g/g），CV为44.28%。面积基性状的变幅和离散程度明显更高：Carea范围为0.03–181.92 g/m²（CV=77.26%），Narea范围为0.002–6.67 g/m²（CV=45.87%）。C/N比变化范围为4.66–79.02（CV=54.14%）。不同PFTs和生物群系间的性状差异显著（p < 0.05），常绿木本植物具有更高的Cmass和Carea，草本植物则表现出最高的Nmass但最低的Narea。温带植物的Nmass较高但Cmass、Carea和Narea均低于其他生物群系。光谱反射率在不同性状表达方式间的整体形状和量级高度相似，相对变异在可见光（CV=36–87%）和短波红外（CV=24–142%）区域较高，在近红外区域较低（CV=13–47%）。
4.2 质量基与面积基性状的预测精度差异
碳与氮的预测精度呈现出截然相反的表达方式偏好。对于碳元素，面积基模型（Carea）在全谱段和所有单个光谱区域中均一致优于质量基模型（Cmass）：全谱段模型表现最佳（R²=0.76, NRMSE=7.74%, RPD=2.06），SWIR模型次之。相比之下，Cmass全谱段模型的R²仅为0.66，NRMSE为8.73%。对于氮元素，则呈现相反格局——Nmass在所有光谱配置下均优于Narea，全谱段模型R²高达0.71（NRMSE=7.85%, RPD=1.86），而Narea全谱段模型的R²仅为0.53。C/N比的全谱段模型取得了R²=0.75的高精度（NRMSE=8.18%, RPD=2.02），在各光谱区域中SWIR模型优于NIR和VIS模型。仅使用VIS区域的模型对碳、氮及C/N的预测能力均有限。
4.3 不同植物功能型和生物群系间的表现
在常绿、落叶和草本三类PFTs中，Carea的预测精度均一致高于Cmass（R²=0.36–0.77 vs. 0.18–0.54），但二者精度差异在草本植物中略有缩小。Nmass在所有PFTs中均优于Narea，草本植物和落叶木本的全谱段模型表现较好（R²分别为0.71和0.67），常绿木本略低（R²=0.57）。C/N比在草本植物中的可预测性始终高于木本植物。
在生物群系尺度上，除北极生物群系外，Carea模型的精度在所有生物群系中均高于Cmass。Nmass在大多数生物群系中优于Narea，但在北极生物群系中出现了相反格局——Narea表现更好。C/N比的预测精度在北方和温带生物群系中较高（R²=0.63–0.90），在北极和地中海生物群系中较低（R²=0.21–0.65）。热带生物群系表现出明显的光谱对比，SWIR区域的预测精度显著高于VIS和NIR区域。
4.4 关键波段分析
VIP分析揭示了支撑碳、氮及C/N估算的关键光谱区域总体一致，主要集中在VIS和SWIR区域。Cmass和Carea均在512–515 nm和2059–2064 nm附近表现出较高的VIP值，表明两种碳表达方式共享大量光谱信息。Nmass在2060 nm附近呈现突出的窄峰，而Narea的最高VIP值出现在约523 nm和689 nm的VIS区域。C/N比在400、513、694和2059 nm附近呈现显著的VIP峰值。这一模式在PFTs和生物群系间总体一致，但在草本植物中Carea的VIP曲线较为平坦，缺乏明显的SWIR峰，这可能与草本植物叶片结构复杂性和干物质变异性较低有关。
本研究系统证明了高光谱估算精度对叶片性状表达方式的依赖性：面积基碳的可预测性普遍高于质量基碳，而质量基氮的估算精度优于面积基氮。这一分化模式源于两种表达方式所反映的不同生理与结构维度——碳主要以结构性化合物形式储存，面积基碳通过整合LMA捕获了光谱中由叶片厚度和组织密度驱动的多重散射信息；而氮主要存在于与光合作用相关的蛋白质中，其光谱可检测性更多依赖氮相关生物化学组分的分子吸收特征。
该发现对基于光谱学的植物功能性状监测具有重要方法论意义。在作物养分评估、精准农业和生态系统建模等应用中，性状表达基的选择应依据目标生态过程来确定，而不应默认采用单一表达方式。此外，VIS和SWIR被确认为跨性状表达方式、PFTs和生物群系普遍有效的敏感光谱区域，为今后发展普适性光谱反演模型提供了波段选择依据。
研究同时指出了若干局限：数据整合自不同仪器与实验方案，采样在PFTs和生物群系间分布不均，且包含受人为驯化影响的管理作物（如玉米和大豆），这些因素可能影响跨类群比较的稳健性。未来需要在更具代表性的PFTs和生物群系中扩展性状与光谱变异范围，并利用机载和星载成像光谱将叶片尺度的光谱关系推广至冠层和生态系统尺度。
本研究的主要亮点在于：首次在全球尺度上系统比较了质量基与面积基叶片碳、氮及C/N比的高光谱可预测性差异，揭示了碳与氮在最优表达方式上的相反格局（Carea优于Cmass而Nmass优于Narea）；证实了这一分化模式在除北极外的所有生物群系及所有主要PFTs中具有高度一致性；通过VIP分析明确了VIS和SWIR是跨表达方式、跨功能型和跨生物群系普遍有效的敏感光谱区域，并揭示了不同表达方式在具体敏感波长上的差异（如Nmass的2060 nm峰与Narea的523 nm和689 nm峰）。这些发现深化了对光谱信号与植物功能性状表达机制之间联系的理解，为基于遥感的植物养分监测和资源利用策略评估提供了理论支撑。