综述：作物胁迫检测的综合评述：破坏性、非破坏性及基于机器学习的方法

这篇综述系统梳理了作物胁迫检测技术的最新进展，涵盖破坏性（如叶水势测定）、非破坏性（如高光谱成像/HSI）和机器学习（ML）方法（如CNN、XGBoost），重点探讨了ML与遥感技术（无人机/UAV、卫星）融合如何提升胁迫标志物（如ROS、ABA）的早期识别精度，为智慧农业提供数据驱动解决方案。

　　

引言

农业作为社会发展的基石，面临气候变化和人口增长的双重压力。作物在生命周期中持续遭遇生物胁迫（如病原体、昆虫）和非生物胁迫（如干旱、盐碱），这些胁迫通过干扰光合作用、破坏离子平衡（如Na⁺/K⁺比值失衡）和诱发氧化损伤（如MDA积累）降低产量。传统破坏性方法（如叶绿素提取）虽精确但效率低下，而新兴技术如热成像和叶绿素荧光（Fv/Fm）实现了无损监测。机器学习（ML）的引入更开创了胁迫预测的新范式——例如，XGBoost模型通过分析NDVI时序数据可提前预警干旱，准确率达92%。

胁迫类型与标志物

非生物胁迫中，干旱导致气孔关闭和ABA积累；盐胁迫引发渗透失衡和Na⁺毒性；高温破坏光系统II（PSII）并诱导热激蛋白（HSPs）。生物胁迫如真菌感染（如镰刀菌）会分泌细胞壁降解酶，而蚜虫通过刺吸传播病毒。胁迫标志物分为四类：

• •

  视觉指标：萎蔫、叶卷曲；

• •

  生理指标：气孔导度下降、光合速率降低；

• •

  生化指标：脯氨酸和SOD酶活性升高；

• •

  分子标志：DREB2A基因表达上调。

检测技术革新

破坏性方法如压力室法测定叶水势（Ψ_leaf）仍用于精准研究，但无损技术如高光谱成像（400-2500nm）可捕捉叶绿素反射率变化，而电阻抗断层扫描（EIT）能可视化水分运输异常。ML模型（如ResNet）通过分析无人机（UAV）采集的多光谱数据，对胁迫分类准确率超90%。

机器学习赋能农业

监督学习（如RF）通过特征重要性排序（如优先筛选CWSI指数）优化模型；无监督方法（如k-means）聚类胁迫模式；深度学习（如ViT）利用自注意力机制解析叶片病斑空间关联。集成学习（如XGBoost）在预测盐胁迫中F1-score达94%，显著优于线性回归（SLR）。

胁迫的"双刃剑"效应

适度胁迫可激活作物抗逆机制：干旱提升葡萄花青素含量，改善葡萄酒品质；盐胁迫促进根系-微生物共生（如丛枝菌根真菌），增强氮吸收。表观遗传记忆（如DNA甲基化）还能跨代传递抗性性状，为育种提供新靶点。

未来展望

结合多组学（基因组学+表型组学）和边缘计算（如田间GPU节点）将是下一代智能农业的核心。需建立标准化胁迫数据库以解决ML模型泛化难题，而可解释AI（如SHAP值）将增强农艺决策透明度。

（注：全文严格依据原文缩编，未新增结论或数据）