图1.研究区概况、野外采样点位与典型红树林物种。(A‑D) 为 4 处野外采样点详细位置：福建漳江口（ZJK）、广东高桥（GQ）、广西廉州湾（LZG）、广西金海湾（JHG）。区域图中红色五角星代表 4 个野外采样地，红色三角代表其余调查区域；底图为哨兵‑2A 多光谱成像仪假彩色合成影像（红：B8，绿：B4，蓝：B3）。子图 (A‑D) 中圆圈代表野外实测采样样点；饼图展示各省红树林面积占比；底部照片为代表性红树林物种：秋茄、白骨壤、桐花树。
图2.本研究技术流程图。步骤 1‑4 分别对应正文 3.1‑3.4 节：步骤 1，采用多通道查特杰增强相关光谱分析（MC‑ξ‑CS）提取敏感光谱波段；步骤 2，采用混合因果结构学习算法结合物理约束双重机器学习（DML）框架识别因果信息光谱波段；步骤 3，利用全球角度发散光谱转移（GADT）框架将 PROSAIL‑PRO 模型得到的因果信息光谱波段迁移至卫星平台；步骤 4，基于双机制引导物理信息神经网络（DM‑PINN）实现红树林冠层碳、氮、钾含量的因果驱动‑物理约束反演。
图3.MC‑ξ‑CS 方法识别红树林生化参数（CCC、CNC、CKC）敏感光谱波段示意图，共包含 4 个步骤：(1) 深度光谱特征提取，利用广义分数阶导数（GL‑FOD）对模拟光谱做扩展，构建多通道特征矩阵；(2) 多通道光谱特征融合，结合查特杰相关系数与显著性检验 (p<0.05) 筛选有效特征，生成融合增强光谱表达；(3) 光谱响应分析，采用 2D‑ξ‑CS 方法刻画光谱响应关系；(4) 基于一阶与总效应索博尔指数开展光谱敏感性检验。
图4.混合因果发现算法用于完整部分有向无环图（CPDAG）生成与结构优化示意图。首先对完全无向图执行条件独立性检验与 V‑结构定向，生成初始 CPDAG；之后通过边反转、增加、移除操作迭代优化图结构，利用贝叶斯信息准则 (BIC) 对比候选结构与当前结构；BIC 更优的结构直接接受，较差结构依据 Metropolis 准则随温度衰减实现概率接受；迭代 100 次后保留 BIC 得分最优的 CPDAG 作为最优因果结构。
图5.用于估算生化参数因果效应的双重机器学习 (DML) 框架结构图。两套并行物理信息神经网络 (PINN) 分别将协变量建模处理干预变量与结果变量；将两套网络输出残差输入普通最小二乘回归，估算平均处理效应 (ATE)。
图6.全球角度发散光谱转移（GADT）框架示意图，用于将因果信息光谱波段迁移至卫星平台。该框架依次执行三步：(1) 光谱重采样，源光谱与卫星光谱响应函数 (SRF) 卷积，模拟传感器观测；(2) 全局趋势提取与光谱相似度指标构建，刻画地面与卫星观测的光谱一致性与差异；(3) 误差约束跨平台迁移，在预设误差约束条件下完成光谱匹配，将地面因果信息光谱波段迁移至卫星。
图7.用于估算红树林生化参数的双机制引导物理信息神经网络（DM‑PINN）架构。该模型以卷积神经网络（CNN）为主干网络提取光谱特征，同时融合浅层与深层光谱表征，再开展全局特征处理与高层光谱特征提取。模型训练由复合损失函数引导，该损失函数整合了主预测损失、辅助预测损失以及基于物理的约束损失。物理约束通过引入领域先验关系对预测得到的生化参数做正则化处理，以此提升估算结果的物理一致性。
图8.经因果推断分析识别得到，不同光谱区间、三种红树林物种下与冠层碳（CCC）、冠层氮（CNC）、冠层钾（CKC）相关的因果信息光谱波段分布。子图 (a‑c)、(d‑f)、(g‑i) 分别对应冠层碳 CCC、冠层氮 CNC、冠层钾 CKC 的结果。每幅环形示意图展示候选光谱波段的分布，以及其与对应生化参数之间的因果关联关系。不同颜色分组用于区分各个光谱区间；图内连线代表识别出的光谱波段与目标生化参数之间的关联关系。
图9.基于双重机器学习框架估算得到，三种红树林物种下各因果信息光谱波段对冠层碳（CCC）、冠层氮（CNC）、冠层钾（CKC）的平均处理效应。子图 (a‑c)、(d‑f)、(g‑i) 分别对应冠层碳 CCC、冠层氮 CNC、冠层钾 CKC。环形图展示各光谱波段对应的估算因果效应，光谱波段排布实现不同波长区间、不同物种间结果对比。
图10.三种红树林物种下，冠层碳（CCC）、冠层氮（CNC）、冠层钾（CKC）的因果信息光谱波段与不同卫星传感器光谱响应特征之间的兼容性评估。子图 (a‑c)、(d‑f)、(g‑i) 分别对应冠层碳 CCC、冠层氮 CNC、冠层钾 CKC；每张子图对比各生化参数物种专属因果信息光谱波段波长分布与卫星传感器光谱覆盖范围，高亮区域代表因果信息光谱波段。
图11.两种卫星平台观测下，三种红树林物种冠层碳（CCC）、冠层氮（CNC）、冠层钾（CKC）最优估算模型性能。子图 (a‑c)、(d‑f)、(g‑i) 分别对应冠层碳 CCC、冠层氮 CNC、冠层钾 CKC；散点图对比实测与预测生化参数，1:1 参考线代表理想拟合。
图12.基于 SDGSAT‑1 与 Sentinel‑2 观测得到的不同光谱特征数据集对冠层碳（CCC）、冠层氮（CNC）、冠层钾（CKC）的估算精度对比。(a) 全部生化参数在不同光谱特征数据集下的平均估算精度；(b‑d) 分别为冠层碳 CCC、冠层氮 CNC、冠层钾 CKC 分物种估算精度；柱状图展示各特征数据集的均方根误差、平均绝对误差，叠加折线图反映决定系数变化。
图13.不同卫星平台下，红树林冠层碳（CCC）、冠层氮（CNC）、冠层钾（CKC）DM‑PINN 最优预测结果的区域验证。子图 (a‑c) 展示基于 SDGSAT‑1 得到的 CCC、CNC、CKC 预测结果；子图 (d‑f) 展示基于 Sentinel‑2 得到的对应预测结果。散点图对比验证样本野外实测值与模型预测值；回归实线与阴影置信区间展示拟合关系及其不确定性，标注统计指标量化估算精度与一致性。
图14.基于 DM‑PINN 卫星生化参数反演得到的中国东南沿海红树林冠层碳含量（CCC）空间分布。中间主图展示广东（GD）、福建（FJ）、海南（HN）、广西（GX）四省红树林地理位置；周边放大子图展示选定红树林区域内预测得到的冠层碳含量空间格局；颜色梯度代表冠层碳含量数值变化。
图15.基于 DM‑PINN 卫星生化参数反演得到的中国东南沿海红树林冠层氮含量（CNC）空间分布。中间主图展示广东（GD）、福建（FJ）、海南（HN）、广西（GX）四省红树林地理位置；周边放大子图展示选定红树林区域内预测得到的冠层氮含量空间格局；颜色梯度代表冠层氮含量数值变化。
图16.基于 DM‑PINN 卫星生化参数反演得到的中国东南沿海红树林冠层钾含量（CKC）空间分布。中间主图展示广东（GD）、福建（FJ）、海南（HN）、广西（GX）四省红树林地理位置；周边放大子图展示选定红树林区域内预测得到的冠层钾含量空间格局；颜色梯度代表冠层钾含量数值变化。
