2023年7月，德国学者Eya Cherif等在Remote Sensing of Environment期刊上发表了题为“From spectra to plant functional traits: Transferable multi-trait models from heterogeneous and sparse data”的文章，提出了将高光谱数据转化为适用多种植物类型、多种传感器数据类型的广义方法，并提出了一种基于卷积网络的多任务模型。
关键词：高光谱遥感、植物表型、深度学习、光谱成像、冠层特性、弱监督学习、多任务回归
试验模型
多性状CNN模型、单性状CNN模型、单性状PLSR模型
该研究利用42个数据集中冠层反射率数据和性状测量数据，比较了多性状CNN模型与单性状CNN模型和单性状PLSR模型的预测性能。基于合并数据集的Spearman系数的相关性分析表明，几个性状之间存在高度相关性。叶面积指数与叶片成分相关性较弱，环境氮、碳含量与叶片含氮量呈正相关，叶片水分含水量与叶片其它成分也呈正相关。
通过5折交叉验证得出的模型性能表明，不同性状的总体预测性能差异很大。CNN的模型预测性状准确度基本超过PLSR模型(R²: 0.18~0.66, nRMSE: 11~22%)，PLSR模型在一些性状上表现出较大偏差。
与单性状CNN模型相比，多性状CNN模型对色素、常量元素、木质素、纤维素、大量元素的分析效率更高。即使是仅在几个数据集中出现的性状(如硫、铜、硼、镁)，多性状CNN也比单性状CNN模型表现得更好。
高光谱遥感正在成为未来全球监测应用的重要工具，结果表明，所有测试的CNN模型表现都优于PLSR模型，多性状CNN模型比单性状CNN模型表现更好。
此研究结合了冠层高光谱反射率和植物性状的异质数据集，结果表明多性状CNN模型分析效率最高，强调了弱监督方法的潜力，并在创建针对多种生理、生化性状的有效预测模型方面迈出了重要的一步。
原文链接：doi : 10.1016/j.rse.2023.113580
