Maskininlärningssurrogat för bladsmodellen PROSPECT-D och dess tillämpningar över växtarter

Varför mätning av bladljus är viktigt

Bönder, ekologer och växtförädlare vill alla veta hur frisk en växt är, hur mycket vatten den innehåller och hur stor del av bladyta som ägnas åt fotosyntes. Traditionellt innebär svar på dessa frågor att man skär av blad och utför noggranna kemiska tester. Denna studie visar hur detaljerade mätningar av ljuset som reflekteras från blad, kombinerat med smarta datormodeller, kan uppskatta många av dessa dolda bladegenskaper snabbt och utan skada, och göra det över mycket olika växtarter.

Avläsa växthälsa från reflekterat ljus

Varje blad reflekterar och absorberar solljus i ett mönster som beror på dess pigment, interna struktur och vatteninnehåll. Moderna instrument kan mäta detta mönster över hundratals mycket smala färger och skapa det som kallas ett hyperspektralt fingeravtryck. Forskare har länge använt antingen rena statistiska verktyg eller fysikbaserade modeller för att koppla dessa fingeravtryck till bladsdrag. PROSPECT-familjen av modeller hör till den fysikbaserade sidan och beskriver hur ljus färdas genom blads lager. Den kan förutsäga hur ett blads reflektionsspektrum bör se ut om du känner dess egenskaper och, i princip, kunna köras i omvänd riktning för att uppskatta dessa egenskaper från uppmätta spektra.

Testa en betrodd modell över många växter

Teamet satte upp att testa hur väl den senaste versionen, PROSPECT D, fungerar över ett brett spektrum av arter och odlingsförhållanden, och att bygga snabbare genvägar till den med hjälp av maskininlärning. De sammanställde nio stora datasätt som innehöll mer än sju tusen bladspektra från majs, sorghum, soja, camelina, tropiska träd, blandade grödor och olika vedartade och örtartade växter. För varje uppmätt spektrum lät de först PROSPECT D köras i omvänd riktning för att härleda sex viktiga bladsdrag, såsom pigmentehalter, vatteninnehåll och torrmassa per ytenhet. Därefter körde de modellen framåt med dessa härledda egenskaper för att skapa ett syntetiskt spektrum som borde matcha det uppmätta om modellen är korrekt.

Var den fysikbaserade modellen har svårigheter och varför

Genom att jämföra uppmätta och simulerade spektra vid varje våglängd fann författarna att PROSPECT D återgav bladreflektans extremt väl över större delen av det synliga och infraröda området. De huvudsakliga missanpassningarna uppträdde endast i fyra smala färgband där blad reflekterar mycket lite ljus. En analys av majs odlad över två år visade att reflektans i dessa problematiska band starkt styrdes av växlande fältförhållanden snarare än genetik, vilket tyder på att mätbrus och miljöeffekter dominerar där. När teamet upprepade de omvända och framåtgående stegen med utgångspunkt i de syntetiska spektrumen istället för de uppmätta var matchningen nästan perfekt, vilket indikerar att inversionsförfarandet i sig är mycket exakt när data ligger inom modellens komfortzon.

Lära maskiner att ersätta fysiken

Med detta som grund tränade forskarna två typer av datadrivna modeller för att efterlikna PROSPECT D. Först använde de en metod kallad partial least squares-regression för att lära sambandet mellan simulerade spektra och de bladsdrag som PROSPECT D hade härlett. Modeller tränade på en art testades sedan på andra. För fyra egenskaper relaterade till bladstruktur, klorofyll, vatten och torrmassa överfördes dessa modeller mycket väl mellan de flesta datasätt, särskilt när de tränats på de mest blandade artsamlingarna. Två pigmentegenskaper, kopplade till karotenoider och antocyaniner, visade sig svårare att förutsäga pålitligt över arter, sannolikt eftersom deras spektrala signaturer är svaga och överlappar med klorofylls. För det andra tränade teamet djupa neurala nätverk direkt på uppmätta spektra för att förutsäga samma egenskaper och skapade därigenom ett snabbt surrogat för att köra fullständig fysikbaserad inversion.

En snabbare väg från spektra till egenskaper

Neurala nätverk tränade på två mångsidiga växtsamlingar kunde återskapa fyra kärnegenskaper hos blad från uppmätta spektra med en noggrannhet nära PROSPECT D, men på en bråkdel av beräkningstiden. En tolkningsmetod visade att dessa nätverk naturligt tonade ned de brusiga våglängdsband där PROSPECT D presterar dåligt och istället förlitade sig på spektrala regioner där modellen och mätningarna överensstämmer. Medan två pigmenteegenskaper kvarstår som utmanande levererar studien ett praktiskt, överförbart verktyg för att uppskatta nyckelbladsegenskaper från hyperspektral reflektion och en generell ram för att upptäcka och korrigera svagheter i fysikbaserade modeller av växtblad.

Citering: Rahimi-Majd, M., Xu, R., Bauermeister, S. et al. Machine learning surrogate for the leaf PROSPECT-D model and its applications across plant species. Sci Rep 16, 15602 (2026). https://doi.org/10.1038/s41598-026-53899-1

Nyckelord: leaf hyperspectral reflectance, PROSPECT-D, machine learning surrogate, leaf trait estimation, plant phenotyping