2024年5月，美国威斯康星大学的FujiangJi等人在NewPhytologist发表了题为UnveilingthetransferabilityofPLSRmodelsforleaftraitestimation:lessonsfromacomprehensiveanalysiswithanovelglobaldataset的文章，基于全球的叶片高光谱和性状数据综合评估了PLSR(偏最小二乘回归)模型的可迁移性，旨在揭示影响PLSR模型可迁移性的关键因素。
doi:10.1111/
01
评估模型技术路线
整合叶片光谱数据
数据预处理(统一波长450-2400nm)
构建PLSR模型
验证模型可迁移性
分析影响因素
图1.来自不同气候区和地理位置的叶片样本
02
该研究整合了来自全球101个地点的47,393条记录，覆盖了超过700个物种和8种植物功能类型(PFT)，构建了包含常见叶片表型及其对应光谱反射率的数据集。在训练数据集范围内，PLSR模型能够准确估算叶片性状，但在应用到新地点时，模型预测精度显著下降，表现为R²值降低和NRMSE值增加。这表明模型的空间可迁移性受限，尤其是在地理和气候条件差异较大的区域。
图2.评估PLSR可迁移性的研究框架
图3.不同地理位置和植物功能类型(PFT)的叶片光谱变异系数
03
PLSR模型在跨季节和跨PFT预测时也表现出精度下降，尤其是在从生长季初期或末期数据训练模型并应用到生长季高峰期的数据时，模型误差较大。这表明植物性状的季节性变化和不同PFT间的差异对模型的可迁移性有显著影响。
图4.叶片预测性状与观测性状之间的相关性
图5.模型性能与植物功能类型(PFT)数量之间的关系
04
传统的随机交叉验证方法未充分考虑影响因素，相比之下，空间交叉验证、跨PFT交叉验证和跨时间交叉验证提供了更为客观和准确的模型性能评估。
图6.预测叶片性状与观测叶片性状之间的相关性
05
为了确保模型在不同情境下的稳健性，需要收集具有广泛代表性的训练数据，包括不同地点、季节和PFT的样本。此外，未来的野外采样策略应充分考虑光谱多样性，以提高数据集的质量和模型的适用性。
图7.PLSR模型的可跨期性评估
该研究整合了来自全球101个地点的47,393条数据，采用多种交叉验证方法综合分析PLSR模型在估算植物叶片表型时的迁移性及其影响因素，解析了光谱多样性和模型训练数据典型性对PLSR模型可迁移性的重要性，在遥感应用和野外采样策略设计方面具有重要意义。
