互花米草是一种常见于潮间带湿地的多年生草本植物，其原产于美国东南沿海，于1979年被引入我国沿海。但由于其缺少天敌且对环境的适应性较强，对滨海湿地生态系统的生物多样性造成了威胁。植物功能性状能够反映植物对环境变化的适应策略，快速准确量化互花米草功能性状对于监测互花米草生长状况意义重大。为解决这一科学问题，“湿地生态过程与恢复”中国林业科学研究院卓越创新团队在盐城滨海湿地开展了互花米草功能性状的高光谱反演研究，证实了高光谱技术在估算功能性状中的重大潜力。

研究通过ASD地物光谱仪采集互花米草叶片的高光谱数据，通过随机森林和XGBoost两种特征重要性方法来提取特征波段，探讨了随机森林、支持向量机、BP神经网络和XGBoost四种方法预测功能性状的潜力。研究结果表明：基于随机森林重要性评分筛选特征波段构建的支持向量机在反演互花草叶片功能性状的准确性和稳定性方面优于其余3种模型；在碳、氮、磷及其生态化学计量性状方面，只有总碳的模型具有可预测性，且基于XGBoost重要性评分法构建的模型精度更优；基于一阶微分变换高光谱数据建立的预测模型在大多数功能性状上的预测精度总体优于基于原始高光谱数据构建的模型。

以上研究成果以“Predictions of Spartina alterniflora leaf functional traits based on hyperspectral data and machine learning models”为题发表在European Journal of Remote Sensing（2023. DOI: 10.1080/22797254.2023.2294951）。论文第一作者为“湿地生态过程与恢复”卓越创新团队负责人李伟研究员，崔丽娟研究员为通讯作者。研究工作得到了国家重点研发计划的资助。

                                                              支持向量机预测精度