植物群落的结构及其对温度变化的响应是评价茶园生态结构和功能的重要依据。然而，对植物群落和生态茶园的实地调查和定量评价仍然具有挑战性。该研究提出了一种新策略，用于快速监测茶园植物群落结构及其对天气条件变化的响应。该策略旨在通过将环境参数与多源遥感数据协同，构建标准化茶园生态指数（NTEI）；通过将傅里叶函数与卷积神经网络门循环单元（CNN-GRU）网络级联，建立NTEI的拟合和反演模型；通过分析NTEI的变化特征和实测温度，评估茶园植物群落的变异性。

该项研究表明：（1）NTEI指数能够客观表征茶园植物群落，其变化特征与植被物候和温度变化一致；（2）傅里叶函数具有量化NTEI的潜力，对9个植物群落NTEI的拟合R²在0.840 ~ 0.921之间；（3）CNN-GRU在建立NTEI预测模型方面优势最大，其预测精度为Rp²=0.955，RMSEP=0.314；（4）物种丰富度高的植物群落提高了区域生态稳定性，对温度变化具有较强的缓冲能力，NTEI的变异性较小。该研究结果为构建植物群落结构、提高茶园生态效益提供了重要的指导意义。

图1 本研究的数据收集、处理和分析过程

表1 9个植物群落的基本植被特征

根据物种丰富度（Richness）和群落α-多样性（Simpson），将9个植物群落分为3类。C1：NO.1、NO.6、和NO.8，0 ≤ Richness < 4，0 ≤ Simpson < 0.4；C2：NO.2、NO.3、和NO.9，4 ≤ Richness < 7，0.4 ≤ Simpson < 0.7；C3：NO.4、NO.5、和NO.7，8 ≤ Richness < 10，0.7 ≤ Simpson < 1.0。

图2  3类植物群落不同层对温度变化的反应

（a）不同层温度的年际变化曲线（b）植物群落0cm的max/min温度对外界高/低(high/low)温度的响应

图3 3类植物群落不同层的湿度和照度的变化

（a）不同层湿度年际变化曲线（b）不同层光照度年际变化曲线

图4  MS、RGB和TIR变量与温度、湿度和光照之间的Pearson相关系数

注：橙色、红色和蓝色字体分别表示与环境数据高度相关的MS、TIR和RGB变量。

表2 组成NTEI的12个高相关遥感变量矩阵的特征值和方差贡献

表3 12个遥感变量（Y1、Y2、Y3）的主成分载荷

图5  对3类植物群落的NTEI分析

NTEI的时间变化曲线（b）NTEI的描述性统计（c）NTEI的CV的比较

图6  9个植物群落的NTEI拟合曲线

（a）NO.1；（b）NO.2；（c）NO.3；（d）NO.4；（e）NO.5；（f）NO.6;；（g）NO.7；

（h）NO.8；（i）NO.9

表4 CNN-GRU、CNN、GRU和SVM模型的预测性能

图7 实际和预测的NTEI值的散点图

（a）CNN-GRU；（b）CNN；（c）GRU；（d）SVM

图8  CNN-GRU网络架构

控制：卷积；BN：批量归一化；ELU：指数线性单位（激活函数）；FC：完全连接