《Methods in Ecology and Evolution》:Robust estimation of key leaf traits from reflectance spectroscopy of herbarium specimens
编辑推荐:
摘要:标本馆(herbarium)标本的数字化社区努力促进了跨尺度对标本数据的新用途,然而破坏性采样(destructive sampling)的需求阻碍了大规模叶片功能性状(foliar functional traits)的检测。研究人员证明非破坏性反射光
摘要:标本馆(herbarium)标本的数字化社区努力促进了跨尺度对标本数据的新用途,然而破坏性采样(destructive sampling)的需求阻碍了大规模叶片功能性状(foliar functional traits)的检测。研究人员证明非破坏性反射光谱是估算标本馆标本叶片性状的有效工具。利用偏最小二乘回归(Partial Least Squares Regression, PLSR),研究人员基于标本馆标本的非破坏性叶片水平光谱及破坏性性状实测值,建立了叶片比叶面积(Leaf Mass per Area, LMA)、氮含量(Nitrogen content, N)和碳含量(Carbon content, C)的性状估算模型;建模数据集由1876至2022年间采集于美国明尼苏达州明尼阿波利斯-圣保罗地区的温带物种组成。研究人员还训练了排除对应标本年龄、生活型(habit)、生长型(growth form)及物种类别样本子集的有偏模型(biased models),以评估PLSR性状估算模型的转移性(transferability);最后,研究人员评估了光谱估算的叶片性状能否还原破坏性实测性状观察到的时间趋势。研究人员的PLSR模型可准确估算LMA和N,较合理地估算C;模型对样本绿色度、标本年龄及物种具有稳健性,但对训练数据与目标数据间功能群(functional group)类别不匹配敏感。此外,光谱估算的LMA和N重现了146年时间序列中实测性状的时间趋势;尽管C模型性能弱于其他性状,光谱估算的C也还原了大部分时间趋势。鉴于标本馆收藏大规模破坏性采样的局限性,研究人员表明用较年轻标本训练的PLSR模型可可靠估算较老标本的叶片性状;虽然提醒性状估算模型精度取决于训练数据质量,但研究人员认为光谱学能以大体非破坏性的方式捕获标本馆收藏中保存的广泛功能数据。
论文解读:基于标本馆腊叶标本反射光谱无损稳健估算关键叶片功能性状
该研究发表于《Methods in Ecology and Evolution》。当前植物标本馆作为记录植物多样性的核心机构,其"扩展标本(extended specimen)"概念推动了除分类学外的生态与进化研究,但量化叶片功能性状(如比叶面积LMA、碳氮含量)常需破坏性化学分析,受限于珍贵历史标本的保护需求而无法大规模开展;同时标本长期保存中色素降解、胶水污染等可能导致部分性状(如氮含量)偏移,且此前鲜有研究验证反射光谱结合PLSR模型能否跨越百年尺度的老标本仍保持估算稳健性及还原历史性状变化趋势。为此研究人员以1876–2022年明尼苏达大学标本馆(MIN)采集的明尼阿波利斯-圣保罗地区13种被子植物201份标本为材料,通过VIS–NIR–SWIR(400–2400 nm)反射光谱结合PLSR建模,探究非破坏性光谱估算LMA、N(%)、C(%)的可行性、对标本老化及绿色度的鲁棒性、模型跨功能群转移性,及光谱估算值还原146年来实测性状时间趋势的能力。
主要关键技术方法
研究人员从标本馆(University of Minnesota Herbarium, MIN)1876–2022年采集的明尼苏达州明尼阿波利斯-圣保罗地区13种被子植物201份腊叶标本中,优先取未上台纸碎片包内叶片片段(~0.2 g),剔除可见胶渍样本后获183份有效样本用于后续分析。使用HR-1024i光谱仪配LC-RP Pro前置光学头测定叶背(abaxial)和叶面(adaxial)VIS–NIR–SWIR相对反射率(以99% Spectralon白板校准),下方衬自定义吸光黑背景;破坏性测定LMA(称重后扫描FIJI算面积再干样均质化)、C和N(元素分析仪燃烧法)。光谱数据经传感器重叠校正、裁剪降噪、1 nm标准化、矢量归一化(vector-normalized)及5 nm重采样。采用pls包建立PLSR模型,按70%训练/30%测试划分,网格搜索最优潜变量数(ncomp)并结合留一交叉验证(LOOCV)与重复随机子抽样评估,比较全波段(450–2400 nm)与红外波段(700–2400 nm)及原始/log10变换响应变量;另构建排除特定年龄/生活型/生长型/物种子集的biased models检验转移性;以NDVI(Normalized Difference Vegetation Index)衡量标本绿色度,用简单线性回归检验收集年份与反射率及性状(实测与估算)的时序变化关系(α=0.1)。
3 RESULTS(结果)
3.1 Variation in spectral profiles of herbarium specimens
跨物种光谱变异大于物种内变异,可见光(VIS)与远短波红外(SWIR)波段变异最大;VIS区670 nm(叶绿素a吸收)与490 nm(类胡萝卜素吸收)及SWIR区1930/2110/2150/2310 nm(木质素、纤维素、蛋白质、淀粉、酚类及脂类吸收特征)为主要变异峰,与叶片光合色素及结构化学成分对应。
3.2 Complete trait model performance
完整PLSR模型中LMA最佳由背轴红外光谱估算(R2=0.887,RRMSE=14.5%),N最佳由log10(N)结合正面全波段光谱估算(R2=0.667,RRMSE=13.7%),C最佳由背面红外光谱估算(R2=0.524,RRMSE=3.5%)。重要预测波长:LMA含红边(~700 nm)及SWIR 1935/2140/2305 nm;N含VIS 550/590/645/670 nm及SWIR 1920/2120/2185/2350 nm;C含SWIR 1915/2105/2310 nm(C—H键吸收)。
3.3 Impacts of greenness and specimen age on complete model performance
模型残差与标本NDVI值(绿色度)及标本年龄均无显著相关性,即估算误差对标本褪色程度与年代不敏感;排除低绿度(NDVI<0.55)样本后模型性能与完整模型相当。但标本年龄本身可由正面全波段光谱中等程度预测(R2=0.503),VIS波段对年龄预测最重要,证实光谱保留了标本老化信号。
3.4 Biased model performance and transferability tests
排除单物种的biased models对LMA(R2=0.746–0.959)和N(R2=0.412–0.754)估算接近完整模型,C某些biased models优于完整模型(如排除Ageratina altissima,R2=0.690)而排除乔木时C估算极差(R2=0.049)。当将biased models应用于被排除子集时,整体弱于完整模型;尤其排除草本或木本生活型训练的模型在预测另一生活型时显著下降,排除生长型或物种亦降低性能——表明功能群(生长型与生活型)不匹配严重限制模型转移性。值得注意的是,偏向年轻标本训练的模型仍可准确估算老年(50–150年)标本的LMA与N。
3.5 Recapitulation of historical trends between destructively sampled (observed) and estimated leaf traits
实测LMA在Vitis riparia中随时间上升、Amphicarpaea bracteata中下降,光谱估算LMA同样复现此方向趋势;C无显著时间变化,估算C与实测一致;N实测趋势弱且不显著,但估算N在Vitis riparica及整体与Acer negundo呈显著下降趋势且与观测方向一致,说明光谱估算性状可还原破坏性测量所揭示的历史时间趋势。
4 DISCUSSION(讨论与结论)
研究人员证明PLSR模型可从标本馆标本反射光谱准确稳健估算LMA与N、合理估算C;LMA与C最好由背面光谱预测(关联背轴气体交换与碳代谢及SWIR C—H键吸收),N最好由正面光谱预测(关联正面光捕获与N富集的光合蛋白及VIS色素吸收)。标本老化在光谱VIS区可检测,但不影响PLSR性状估算精度,可用年轻标本训练模型推广至老标本。模型转移性受限主要来自训练集与目标集功能群(生长型、生活型)差异而非物种差异,建议训练集涵盖多样功能型以提高普适性,未来可探索集成学习或迁移学习改善跨域预测。光谱估算值能复现实测性状历史趋势,说明反射光谱可作为非破坏性工具解锁标本馆中时空与分类学维度的植物功能性状数据。结论:反射光谱是非破坏性获取标本馆收藏叶片功能性状数据的有效手段,用较新标本训练的PLSR模型可可靠估算较老标本,标准化光谱协议将推动其在扩展数字标本中的应用。