揭示PLSR模型用于叶子特征估计的可转移性:使用新型全球数据集进行全面分析的经验教训

科学领域:

• 生态生态学 生态生态学
• 植物生理学 植物生理学
• 遥感 遥感 遥感 遥感

背景情况:

• 叶子的特征对于理解生态系统功能和植物生理学至关重要.
• 使用叶子光谱的部分最小平方回归 (PLSR) 是估计叶子特征的常用方法.
• PLSR模型在不同的空间,时间和植物功能类型上下文中的可转移性尚未得到充分理解.

研究的目的:

• 综合评估PLSR模型用于叶子特征估计的可转移性.
• 在推断到新的位置,季节和植物功能类型 (PFTs) 时评估模型性能.
• 确定影响模型可转移性的因素,并为未来的研究提供建议.

主要方法:

• 编制了对联的叶子特征和光谱的大数据集 (>70,000条记录,>700种,8个PFT,101个位置,多个季节).
• 应用PLSR模型来估计叶子的特征,包括叶绿素含量,胡卜素,叶子水和每面积的叶子质量.
• 通过跨空间,时间和PFT梯度的交叉验证评估模型的可转移性,与非空间随机交叉验证进行比较.

主要成果:

• 在他们的训练数据空间内,PLSR模型在特征预测方面表现良好.
• 当推断到新的位置,季节和PFT时,模型性能显著下降 (减少R2,增加NRMSE).
• 外推错误很大,突出了当前模型验证方案的局限性.

结论:

• 在不同的环境和生物环境中,PLSR叶状特征估计模型的可转移性是有限的.
• 将更大的光谱多样性纳入培训数据集对于改善模型可转移性至关重要.
• 研究结果表明,在大规模的叶子特征估计中存在潜在的不准确性,并为未来的遥感策略和现场采样提供信息.