基于机器学习优化指数与深度学习的MLVI-CNN高光谱胁迫检测框架及其在精准农业中的应用

本研究提出了一种创新的高光谱胁迫检测框架MLVI-CNN，通过递归特征消除（RFE）优化构建了新型植被指数MLVI和H_VSI，并利用一维卷积神经网络（1D-CNN）实现了对作物胁迫严重程度的六级别精准分类，准确率达83.40%。该框架能够较传统指数（NDVI/NDWI）提前10–15天检测到水分与结构胁迫，且与真实胁迫标记显著相关（r=0.98），适用于无人机与卫星平台的农业监测系统。

　　

引言

可持续作物生产日益受到干旱、营养缺乏和热害等非生物胁迫的挑战。传统植被指数如归一化植被指数（NDVI）和归一化水分指数（NDWI）主要关注叶绿素含量，在检测早期或非叶绿素相关胁迫响应方面能力有限。高光谱成像（HSI）技术通过数百个连续光谱波段提供高光谱分辨率，能够捕捉作物生理的细微变化，尤其在近红外（NIR）和短波红外（SWIR）区域的光谱特征对作物胁迫监测极为敏感。

结合机器学习（ML）和深度学习（DL）技术，高光谱成像的潜力得到进一步发挥，支持自动化特征选择和鲁棒分类性能。例如，卷积神经网络（CNN）和支持向量机（SVM）已广泛应用于作物早期病害和胁迫检测的光谱-空间信息分析。然而，现有方法大多缺乏跨胁迫类型的泛化能力，且无法提供早期预警。全波段光谱的使用增加了计算负担并降低了模型可解释性。

研究方法

本研究利用GHISACONUS高光谱光谱库的数据，光谱范围覆盖437–2345 nm。关键波段包括X661（红区，叶绿素吸收）、X854（NIR，冠层结构）、X1649（SWIR1，水分含量）和X2133（SWIR2，叶片干燥度）。数据预处理采用Savitzky-Golay滤波进行平滑处理，并通过Z-score标准化实现波段间一致性。

通过递归特征消除（RFE）选择前10个胁迫敏感光谱波段，并基于此构建了两个新型植被指数：机器学习植被指数（MLVI）和高光谱植被胁迫指数（H_VSI）。MLVI动态选择最佳波段，其计算公式为MLVI = (X854 – X1649)/X2133，而H_VSI则定义为(NIR – SWIR1)/(NIR + SWIR1 + SWIR2)。这些指数通过捕捉水分和结构胁迫相关光谱对比，显著提升早期检测灵敏度。

植被指数推导流程包括高光谱反射率数据组织、胁迫条件标注、RFE波段选择、定制指数构建和分类器应用。主成分分析（PCA）用于可视化数据方差和降维，前3个主成分可解释超过80%的数据方差。

深度学习分类采用一维CNN架构，包含两个卷积层、ReLU激活函数、最大池化层、Dropout层和Softmax输出层。模型使用分类交叉熵损失函数和Adam优化器进行训练，并通过ReduceLROnPlateau动态调整学习率。数据集按70%训练、15%验证和15%测试的比例分层划分。

结果与讨论

新型指数MLVI和H_VSI在早期胁迫检测方面表现显著优于NDVI、NDWI和光化学反射指数（PRI）。MLVI可提前10–15天检测到胁迫信号，且与真实胁迫水平的相关系数达0.98，而NDVI仅为0.86。MLVI值接近1.0表示健康植被，负值则表示严重胁迫。时间剖面图显示，在儒略日150–250期间，MLVI和H_VSI表现出动态变化，敏感于早期和中期胁迫发展。

分类性能上，1D CNN模型总体准确率达到83.40%，优于SVM（78.97%）和线性判别分析（LDA）（77.40%）。CNN模型在精确度、召回率、F1分数和马修斯相关系数（MCC）上均表现最佳，MCC值为0.659。受试者工作特征（ROC）曲线显示，所有胁迫类别的曲线下面积（AUC）均超过0.95，微平均AUC达0.98。混淆矩阵表明，CNN模型在所有胁迫级别上均具有更好的预测一致性，特别是在“健康”和“极端胁迫”类别中。

特征提取方法比较中，NDVI基线输入仅达到68.00%的准确率，PCA输入提升至75.00%，而MLVI（RFE选择）输入达到86.12%的准确率，凸显了机器学习引导波段选择的优势。地理空间可视化通过MLVI衍生的胁迫评分和热力图，清晰揭示了试验田内的高胁迫区域，亮色区域对应严重胁迫，暗色区域表示健康作物。

与现有研究的对比显示，MLVI结合1D CNN的方案在分类准确率和早期胁迫检测方面均优于其他先进模型（如ATSFCNN和SSFNet），体现了优化特征工程的效益。

结论与展望

本研究开发的MLVI和H_VSI指数通过RFE优化波段选择和1D CNN分类，实现了作物胁迫的高精度早期检测。MLVI表现出与胁迫指标的高度相关性，并显著早于传统指数检测到胁迫条件。结合1D CNN的混合模型在分类准确率和鲁棒性上均取得优异结果，地理空间可视化进一步验证了该框架在精准农业中的应用潜力。

该研究的创新点在于首次将机器学习优化植被指数与深度学习分类相结合，实现了卓越的早期检测能力、光谱敏感性和鲁棒性。然而，该方法在轻度胁迫误判、云污染波段下的性能下降以及缺乏生化验证等方面存在局限。未来研究将聚焦于将该指数与实时无人机和卫星高光谱平台集成，提升模型在不同作物类型中的泛化能力，并通过生化验证增强可解释性和可靠性。

应用该技术可助力早期干预、减少水肥误用，并支持大规模作物健康监测，为气候智能型农业和产量保护提供有效工具。