Functional ecology has increasingly focused on describing ecological communities based on their traits (measurable features affecting individuals’ fitness and performance). Analyzing trait distributions within and among forests could significantly improve understanding of community composition and ecosystem function. Historically, data on trait distributions are generated by (1) collecting a small number of leaves from a small number of trees, which suffers from limited sampling but produces information at the fundamental ecological unit (the individual), or (2) using remote-sensing images to infer traits, producing information continuously across large regions, but as plots (containing multiple trees of different species) or pixels, not individuals. Remote-sensing methods that identify individual trees and estimate their traits would provide the benefits of both approaches, producing continuous large-scale data linked to biological individuals. We used data from the National Ecological Observatory Network (NEON) to develop a method to scale up functional traits from 160 trees to the millions of trees within the spatial extent of two NEON sites. The pipeline consists of three stages: (1) image segmentation, to identify individual trees and estimate structural traits; (2) an ensemble of models to infer leaf mass area (LMA), nitrogen, carbon, and phosphorus content using hyperspectral signatures, and DBH from allometry; and (3) predictions for segmented crowns for the full remote-sensing footprint at the NEON sites. The R² values on held-out test data ranged from 0.41 to 0.75 on held-out test data. The ensemble approach performed better than single partial least-squares models. Carbon performed poorly compared to other traits (R² of 0.41). The crown segmentation step contributed the most uncertainty in the pipeline, due to over-segmentation. The pipeline produced good estimates of DBH (R² of 0.62 on held-out data). Trait predictions for crowns performed significantly better than comparable predictions on pixels, resulting in improvement of R² on test data of between 0.07 and 0.26. We used the pipeline to produce individual-level trait data for ~5 million individual crowns, covering a total extent of ~360 km². This large data set allows testing ecological questions on landscape scales, revealing that foliar traits are correlated with structural traits and environmental conditions.

中文翻译：

---

大规模估计个体水平的植物性状

功能生态学越来越关注根据生态群落的特征（影响个体健康和表现的可衡量特征）来描述生态群落。分析森林内部和森林之间的特征分布可以显着提高对群落组成和生态系统功能的理解。从历史上看，性状分布的数据是通过（1）从少量树木中收集少量叶子产生的，这些树木受到有限的采样但在基本生态单元（个体）上产生信息，或（2）使用远程-感知图像来推断特征，在大区域内连续产生信息，但作为地块（包含不同物种的多棵树）或像素，而不是个体。识别单个树木并估计其特征的遥感方法将提供这两种方法的好处，产生与生物个体相关的连续大规模数据。我们使用来自国家生态观测网络 (NEON) 的数据开发了一种方法，可在两个 NEON 站点的空间范围内将功能特征从 160 棵树扩展到数百万棵树。该管道由三个阶段组成：（1）图像分割，识别单个树木并估计结构特征；(2) 使用高光谱特征推断叶质量面积 (LMA)、氮、碳和磷含量的模型集合，以及来自异速生长的 DBH；(3) NEON 站点完整遥感足迹的分段冠预测。这 产生与生物个体相关的连续大规模数据。我们使用来自国家生态观测网络 (NEON) 的数据开发了一种方法，可在两个 NEON 站点的空间范围内将功能特征从 160 棵树扩展到数百万棵树。该管道由三个阶段组成：（1）图像分割，识别单个树木并估计结构特征；(2) 使用高光谱特征推断叶质量面积 (LMA)、氮、碳和磷含量的模型集合，以及来自异速生长的 DBH；(3) NEON 站点完整遥感足迹的分段冠预测。这 产生与生物个体相关的连续大规模数据。我们使用来自国家生态观测网络 (NEON) 的数据开发了一种方法，可在两个 NEON 站点的空间范围内将功能特征从 160 棵树扩展到数百万棵树。该管道由三个阶段组成：（1）图像分割，识别单个树木并估计结构特征；(2) 使用高光谱特征推断叶质量面积 (LMA)、氮、碳和磷含量的模型集合，以及来自异速生长的 DBH；(3) NEON 站点完整遥感足迹的分段冠预测。这 我们使用来自国家生态观测网络 (NEON) 的数据开发了一种方法，可在两个 NEON 站点的空间范围内将功能特征从 160 棵树扩展到数百万棵树。该管道由三个阶段组成：（1）图像分割，识别单个树木并估计结构特征；(2) 使用高光谱特征推断叶质量面积 (LMA)、氮、碳和磷含量的模型集合，以及来自异速生长的 DBH；(3) NEON 站点完整遥感足迹的分段冠预测。这 我们使用来自国家生态观测网络 (NEON) 的数据开发了一种方法，可在两个 NEON 站点的空间范围内将功能特征从 160 棵树扩展到数百万棵树。该管道由三个阶段组成：（1）图像分割，识别单个树木并估计结构特征；(2) 使用高光谱特征推断叶质量面积 (LMA)、氮、碳和磷含量的模型集合，以及来自异速生长的 DBH；(3) NEON 站点完整遥感足迹的分段冠预测。这 和磷含量使用高光谱特征，以及来自异速生长的 DBH；(3) NEON 站点完整遥感足迹的分段冠预测。这 和磷含量使用高光谱特征，以及异速生长的 DBH；(3) NEON 站点完整遥感足迹的分段冠预测。这保留测试数据上的R ²值在保留测试数据上的范围从 0.41 到 0.75。集成方法比单个偏最小二乘模型表现更好。与其他性状相比，碳表现不佳（R ²为 0.41）。由于过度分割，冠分割步骤在管道中贡献了最大的不确定性。管道产生了 DBH 的良好估计（保留数据的R ²为 0.62）。对牙冠的性状预测明显优于对像素的可比预测，导致测试数据上的R ²提高在 0.07 和 0.26 之间。我们使用管道为约 500 万个个体冠生成个体级特征数据，覆盖总范围约 360 公里² . 这个大数据集允许在景观尺度上测试生态问题，揭示叶状特征与结构特征和环境条件相关。