综述：高光谱成像：揭开植物科学密码的智能之眼

本综述系统阐述高光谱成像（HSI）技术在植物表型组学中的前沿应用，涵盖光谱原理、数据挖掘方法（包括深度学习（DL）和机器学习（ML））、多组学整合及开源工具库，重点探讨其在作物生长监测（如叶绿素含量（LCC）、生物量估算）、抗逆性研究（干旱、重金属胁迫）和精准育种中的突破，为智慧农业提供关键技术支撑。

　　

高光谱成像技术原理与系统构成

高光谱成像（HSI）通过捕获物体在多个波段的光谱信息，形成兼具空间（x, y）和光谱（λ）维度的三维超立方体（hypercube），实现对植物生化成分的无损检测。其硬件核心包括成像镜头、光谱分光装置（如光栅、滤光片）、探测器（如CMOS、InGaAs）和信号处理单元。根据分光原理，HSI系统可分为色散型、窄带滤光型、傅里叶变换型和计算重建型四大类；按数据获取方式则包括点扫描、线扫描和快照式成像光谱仪。探测器的选择直接决定工作波段范围，例如硅基探测器覆盖0.2–1.1 μm，InGaAs适用于短波红外（0.9–2.5 μm），而HgCdTe可覆盖全红外波段。系统需经过波长定标和辐射定标以确保数据准确性，未来趋势是向小型化、实时化及与人工智能（AI）深度融合的方向发展。

植物生长监测与胁迫响应分析

HSI通过解析植被指数（HVIs）如归一化植被指数（NDVI）、叶绿素指数（MCARI）等，定量评估植物营养状态（氮、磷、钾含量）、生物量（AGB）和叶面积指数（LAI）。在生物胁迫方面，HSI可早期识别病害（如白粉病、赤霉病），结合支持向量机（SVM）、随机森林（RF）等机器学习算法，对小麦、水稻等作物的病害分类准确率可达90%以上。在非生物胁迫中，HSI成功应用于干旱、盐胁迫及重金属污染（如镉、砷）的监测，例如通过卷积神经网络（CNN）分析除草剂胁迫下小麦光谱变化，48小时内识别准确率达96%。此外，HSI还能通过土壤高光谱数据预测重金属浓度，为农田生态健康提供诊断工具。

作物育种与遗传改良应用

HSI助力关键育种目标（高产、优质、抗逆）的实现，通过全基因组关联分析（GWAS）结合光谱数据挖掘候选基因（如小麦光合相关基因GUN5、水稻籽粒蛋白基因OsmtSSB1L）。研究揭示基因型与环境互作（G×E）的光谱响应机制，例如利用HSI量化盐胁迫下植物膜脂重组和水分状态变化。光谱技术还可动态追踪群体遗传变异，为抗逆品种选育提供表型组学支撑。

农产品品质检测与分级

HSI广泛应用于作物品质无损检测，包括谷物蛋白质、水分、脂肪酸含量测定，以及果实成熟度、病害和机械损伤识别。例如，结合偏最小二乘回归（PLSR）和深度学习模型（如ACLSTM），对Coix种子油、蛋白和淀粉含量的预测精度（RPD>3.0）显著提升。在种子活力检测中，采用加权损失卷积神经网络（DCNN）处理水稻种子高光谱数据，分类准确率达97.69%。此外，HSI还可用于坚果氧化程度（过氧化值PV）和食用菌贮藏品质分级，为农产品供应链提供质量控制工具。

高光谱数据挖掘与处理方法

HSI数据处理涵盖去噪、降维、特征提取和建模四大步骤。去噪方法包括滤波法（如Savitzky–Golay平滑）、模型法（张量分解）和深度学习法（3D-CNN）；降维通过数据压缩（如小波变换）和特征选择（如主成分分析PCA）实现。机器学习（PLSR、SVM）和深度学习（CNN、生成对抗网络GAN）是分类和回归建模的主流工具，例如利用Transformer网络（STNet）提取全局光谱依赖关系，在番茄细菌性枯萎病识别中达到91.93%准确率。未来重点发展轻量化模型、跨传感器迁移学习和多模态数据融合技术。

开源工具与数据库资源

高光谱分析依赖多种软件环境，Python（46%使用率）和MATLAB是主流编程语言。公开数据库包括原始二进制数据（如WHU–Hi无人机数据集）、图像库（如ENVI格式文件）和反射率数据库（如EcoSIS生态系统光谱库）。植被指数库（HVIs）系统整合了结构指数（NDVI）、氮指数（NDNI）、水分指数（NDWI）和色素指数（PRI）等近百种指标，为算法开发提供基准数据。开源代码资源（如GitHub平台的HSI-DeNet、3D-CSSEAN模型）显著降低研究门槛。

创新方向与未来挑战

未来HSI技术将聚焦五大方向：一是发展压缩感知（CS）和元表面成像技术，提升光谱分辨率与采集效率；二是推动便携式设备（如LeafSpec田间成像仪）与无人机（UAV）平台集成；三是深化多组学数据（基因组、代谢组）与HSI的整合分析；四是建立标准化公共数据库和算法库；五是通过人工智能（如Explainable AI）增强模型可解释性，最终实现从实验室到田间的技术闭环，为智慧农业和可持续发展提供核心动力。