Field spectroscopy is a powerful tool for monitoring leaf functional traits in situ, but it remains unclear whether universal statistical models can be developed to predict traits from spectral information, or whether re-calibration is necessary as conditions vary. In particular, multiple leaf traits vary simultaneously across growing seasons, and it is an open question whether these temporal changes can be predicted successfully from hyperspectral data. To explore this question, monthly changes in 21 physiochemical leaf traits and plant spectra were measured for eight deciduous tree species from the UK. Partial least-squares regression (PLSR) was used to evaluate whether each trait could be predicted from a single PLSR model from reflectance spectra, or whether species- and month-level models were needed. Physiochemical traits and spectra varied greatly over the growing season, although there was less variation among mature leaves harvested between June and September. Importantly, leaf spectroscopy was able to predict seasonal variations of most leaf traits accurately, with accuracies of prediction generally higher for mature leaves. However, for several traits, the PLSR estimation models varied among species, and a single PLSR model could not be used to make accurate species-level predictions. Our findings demonstrate that leaf spectra can successfully predict multiple functional foliar traits through the growing season, establishing one of the fundamentals for monitoring and mapping plant functional diversity in temperate forests from air- and spaceborne imaging spectroscopy.

田间光谱是监测原位叶片功能性状的强大工具，但尚不清楚是否可以开发通用统计模型来根据光谱信息预测性状，或者是否需要随着条件的变化重新校准。特别是，多个叶片性状在生长季节同时变化，是否可以从高光谱数据成功预测这些时间变化是一个悬而未决的问题。为了探索这个问题，我们测量了来自英国的 8 种落叶树种的 21 种生理化学叶子性状和植物光谱的每月变化。偏最小二乘回归 (PLSR) 用于评估是否可以从反射光谱的单个 PLSR 模型中预测每个性状，或者是否需要物种和月份级别的模型。理化性状和光谱在整个生长季节变化很大，但在 6 月和 9 月之间收获的成熟叶之间的变化较小。重要的是，叶片光谱能够准确预测大多数叶片性状的季节性变化，成熟叶片的预测准确度通常更高。然而，对于几个性状，PLSR 估计模型因物种而异，单一的 PLSR 模型无法进行准确的物种水平预测。我们的研究结果表明，叶子光谱可以在整个生长季节成功预测多种功能性叶面特征，为通过航空和星载成像光谱监测和绘制温带森林植物功能多样性奠定了基础之一。尽管在 6 月和 9 月之间收获的成熟叶子之间的差异较小。重要的是，叶片光谱能够准确预测大多数叶片性状的季节性变化，成熟叶片的预测准确度通常更高。然而，对于几个性状，PLSR 估计模型因物种而异，单一的 PLSR 模型无法进行准确的物种水平预测。我们的研究结果表明，叶子光谱可以在整个生长季节成功预测多种功能性叶面特征，为通过航空和星载成像光谱监测和绘制温带森林植物功能多样性奠定了基础之一。尽管在 6 月和 9 月之间收获的成熟叶子之间的差异较小。重要的是，叶片光谱能够准确预测大多数叶片性状的季节性变化，成熟叶片的预测准确度通常更高。然而，对于几个性状，PLSR 估计模型因物种而异，单一的 PLSR 模型无法进行准确的物种水平预测。我们的研究结果表明，叶子光谱可以在整个生长季节成功预测多种功能性叶面特征，为通过航空和星载成像光谱监测和绘制温带森林植物功能多样性奠定了基础之一。叶片光谱能够准确预测大多数叶片性状的季节性变化，成熟叶片的预测准确度通常更高。然而，对于几个性状，PLSR 估计模型因物种而异，单一的 PLSR 模型无法进行准确的物种水平预测。我们的研究结果表明，叶子光谱可以在整个生长季节成功预测多种功能性叶面特征，为通过航空和星载成像光谱监测和绘制温带森林植物功能多样性奠定了基础之一。叶片光谱能够准确预测大多数叶片性状的季节性变化，成熟叶片的预测准确度通常更高。然而，对于几个性状，PLSR 估计模型因物种而异，单一的 PLSR 模型无法进行准确的物种水平预测。我们的研究结果表明，叶子光谱可以在整个生长季节成功预测多种功能性叶面特征，为通过航空和星载成像光谱监测和绘制温带森林植物功能多样性奠定了基础之一。