基于高光谱成像与深度学习算法的生菜色素分布跨尺度反演研究

本研究针对传统植物色素检测方法破坏性强、效率低且难以实现空间分布分析的瓶颈，创新性地结合高光谱成像（HSI）技术与深度学习算法，开发了LPCNet模型，实现了对生菜叶绿素a（Chl a）、叶绿素b（Chl b）、类胡萝卜素（Car）及总色素含量（TPC）的非破坏性精准预测（R2最高达0.9449），并首次实现了从叶片到冠层的色素空间分布可视化，为精准农业和植物生理研究提供了高效可靠的技术手段。

　　

在现代农业和植物生理研究中，准确评估植物色素含量是理解光合作用效率、营养状态和生理健康的关键。色素空间分布受到品种、部位和环境因素的显著影响，然而传统检测方法如溶剂提取和色谱分析虽然准确，却具有破坏性、流程复杂且效率低下，难以满足现代精准农业对高通量、高空间分辨率分析的需求。此外，现有研究多集中于叶片尺度，对冠层尺度的色素分布研究较少，且依赖手持式SPAD仪等误差较大的设备，限制了分析的准确性。针对这些问题，研究人员尝试将高光谱成像（HSI）技术与机器学习方法结合，但仍面临预处理复杂、特征选择繁琐以及模型泛化能力不足等挑战。

为此，本研究团队在《Plant Phenomics》上发表了一项创新性研究，通过整合高光谱成像技术与深度学习算法，提出了一种跨尺度、非破坏性的生菜色素检测方法。研究以八种不同类型的生菜为样本，构建了多维数据集，并开发了名为LPCNet的深度学习模型，用于预测叶绿素a（Chl a）、叶绿素b（Chl b）、类胡萝卜素（Car）和总色素含量（TPC）。该模型融合了卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和多头自注意力机制（MHSA），能够自动提取色素相关的关键特征，简化了传统机器学习中复杂的预处理和特征选择流程。

研究主要采用了以下关键技术方法：首先，利用可见-近红外（Vis-NIR）高光谱成像系统（366-976 nm）采集生菜叶片和冠层的图像数据，并通过黑白板校正消除噪声；其次，采用区域兴趣（ROI）和掩模方法提取平均光谱反射率；接着，通过分光光度法测定色素含量，并基于吸收特性计算Chl a、Chl b、Car和TPC的浓度；在建模方面，对比了机器学习中的多元线性回归（如PLSR）和非线性回归（如RF、SVR、ELM）方法，以及深度学习中的LPCNet模型；最后，利用训练好的模型反演冠层色素空间分布，实现可视化分析。

研究结果主要包括以下几个方面：

3.1. 生菜叶片色素定量分析

通过对八种生菜类型的色素含量进行统计分析，发现Chl a呈双峰分布（0.68-0.99 mg/g），Chl b为单峰分布（0.29-0.45 mg/g），Car为右偏分布（0.14-0.23 mg/g），TPC近似正态分布（1.19-1.55 mg/g），这些差异为色素含量的反演建模奠定了数据基础。

3.2. 生菜光谱特性分析

生菜的光谱反射率在430-470 nm（蓝光吸收区）、670-690 nm（红光吸收区）和550 nm（绿光反射峰）等波段表现出典型特征，预处理方法如移动平均（MA）、标准正态变换（SNV）和一阶导数（D1）有效突出了峰值和谷值，反映了色素含量与光谱反射率之间的关联。

3.3. 机器学习模型性能分析

通过雷达图对比不同预处理、特征选择和数据集划分方法的组合效果，发现移动平均（MA）和一阶导数（D1）预处理结合竞争性自适应重加权采样（CARS）和SPXY数据集划分方法性能最优。最佳机器学习组合（如MA-CARS-SPXY-RF对Chl a的R2为0.9062）虽表现良好，但整体预测精度和一致性不及深度学习模型。

3.4. 深度学习模型性能分析

LPCNet模型在色素预测中表现出色，Chl a、Chl b、Car和TPC的预测集R2分别为0.9449、0.8613、0.9121和0.8476，均优于机器学习方法。模块消融实验显示，CNN、BiLSTM和MHSA的组合显著提升了模型性能，MHSA机制增强了特征提取的鲁棒性。

3.5. 生菜冠层色素分布可视化

基于叶片光谱反射率模型和冠层数据，LPCNet成功反演了冠层色素的空间分布。结果显示，Chl a含量从冠层中心向外围递增，Chl b分布与之相反，Car在外围区域富集，TPC则沿叶脉形成纹理 pattern，不同生菜类型的色素分布模式存在显著差异，反映了品种特性和环境适应策略。

3.6. 生菜类型与色素分布的相关性分析

统计表明，不同生菜类型的色素含量分布具有明显差异，如Related Species的Chl a含量最高，而Romaine的Chl b含量突出，这种多样性由遗传背景和形态适应性共同决定，为品种选育和栽培管理提供了理论依据。

研究结论表明，LPCNet模型通过端到端学习实现了生菜色素含量的高精度预测，克服了传统方法的局限性。跨尺度可视化分析揭示了色素在冠层中的空间分布规律，为植物生理状态监测和农业精准管理提供了有力工具。讨论部分指出，尽管该模型在实验室条件下表现优异，但其在逆境（如水分胁迫）下的泛化能力仍需进一步验证。未来工作将拓展样本范围、整合环境参数，并深化模型与植物生理机制的交叉研究，以推动精准农业的发展。