叶片性状光谱估算模型

针对跨地点模型迁移难的问题，通过阐明影响迁移性的关键因素，提出纳入多样进化与环境背景训练数据的建模策略，实现与地点专属模型相当的精度。

Jia-Tong, Wang · Xiaoqiang, Liu · Xiaotian, Qi · Wu, Xiaoyong · Yilin, Long · Feng, Yuhao · Qi, Dong · Jiabo, Yan · Liwen, Huang · Yue, Luo · Cao, Mengqi · 72803496 · 赵常明 · Yang, Wang · 胡天宇 · Wu, Jin · Liu, Lingli · 苏艳军

Plant Phenomics 2025

技术优势

跨地点预测不再失准

研究发现纳入多样进化历史与环境条件的数据训练模型，其精度可与地点专属模型相媲美，为构建通用模型提供了可行路径。

找到迁移性差的根源

模型迁移性主要受地点间植物进化历史和环境条件差异影响，明确了改进模型泛化能力的关键着力点。

新地点无需重新建模

研究表明可利用已有模型直接迁移或通过少量代表性样本微调，减少新地点建模的数据采集与时间成本。

应用场景

• 植物表型分析：高通量获取叶片性状数据，加速遗传育种和功能解析，替代传统费时费力的化学分析。
• 光谱定量分析：为光谱分析模型提供迁移性评估与改进策略，增强光谱数据在不同条件下的定量可靠性。
• 农业遥感：提升航空/卫星遥感反演叶片性状的精度，支撑大范围作物监测与精准管理。