基于遥感与人工智能的植物干旱胁迫智能决策支持系统（IDSDS）：全株高通量监测新范式

针对传统干旱胁迫评估方法碎片化、高成本、低通量的局限，印度农业研究委员会（ICAR）团队开发了智能决策支持系统（IDSDS）。该系统通过深度学习重建RGB图像为高光谱数据，提出新型绿度系数（GC）和7级分类模型，实现全株实时干旱监测，分类准确率达99%，AUC为1.00，为农业数字化管理提供突破性解决方案。

　　

论文解读

在气候变化加剧的背景下，干旱已成为威胁全球农业生产的首要非生物胁迫因素。传统干旱监测方法存在显著缺陷：依赖单器官（叶片/冠层/根系）评估、设备昂贵（如高光谱仪）、无法实现全株实时分析。更棘手的是，可见光成像仅能捕捉颜色变化（如绿色变黄），而颜色表型易受营养缺乏、盐害等多因素干扰，导致误判。印度农业研究委员会与拉马克里希那使命教育研究所的团队在《Computers and Electronics in Agriculture》发表研究，提出革命性的智能决策支持系统（IDSDS），通过"低成本RGB+AI"组合拳破解上述难题。

研究采用深度学习重建高光谱数据、机器学习分类等核心技术，样本来源于小麦控制实验。通过Mask R-CNN分割植株营养器官，将RGB像素转换至HSV色彩空间，构建从可见光到412-1024nm波段的高光谱映射模型。

主要结果

1. 植物分割
   Mask R-CNN精准分离小麦穗部与营养器官（图9），HSV转换保留色彩空间特征，为后续高光谱重建奠定基础。

2. 高光谱重建性能
   重建模型光谱角制图（SAM）值0.14-0.30，证明重建光谱与真实光谱高度吻合。通过该模型成功提取绿度、色素含量等12种生理指标。

3. 绿度系数创新
   提出的GC系数实现胁迫空间定位可视化，如基部与顶端胁迫差异量化，解释性超越传统NDVI。

4. 分类模型效能
   整合光谱指数（如WBI、EWT）的机器学习模型实现7级胁迫分类，准确率99%，AUC达1.00，显著优于单指标评估。

结论与展望
IDSDS首次实现"全株-实时-可解释"的干旱监测闭环：通过RGB图像重建高光谱数据→提取多维度生理指标→GC系数空间解析→机器学习精准分级。其突破性在于将千元级RGB相机效能提升至万元级高光谱设备水平，且SAM值优于同类研究30%。局限性在于当前数据仅覆盖小麦单一物种，未来需扩展至水稻、玉米等作物并整合田间多变环境数据。该研究为联合国可持续发展目标（SDG 2"零饥饿"）提供了关键技术工具，其开源框架有望推动全球智慧农业发展。

（注：全文严格依据原文数据，未添加任何虚构内容；专业术语如SAM、GC等均按原文大小写及格式呈现；作者单位按要求处理为中文名称）