基于高光谱成像与深度学习融合DRSA-CARS特征选择实现独一味SPAD值与生物量的无损估测

本综述系统阐述了利用高光谱成像（HSI）技术结合动态爬行动物搜索算法优化的竞争性自适应重加权采样方法（DRSA-CARS）进行特征选择，并集成机器学习（ML）与深度学习（DL）模型，实现对珍稀藏药独一味（Lamiophlomis rotata）叶绿素含量（SPAD）和地上生物量的非破坏性精准监测。研究通过多海拔栽培实验验证了特征融合策略可显著提升预测精度（SPAD和生物量模型R2分别达0.7502和0.7933），为高寒药用植物智能化栽培和品质评价提供了技术范式。

　　

引言

药用植物的生长状态与生物量监测是精准农业领域的持续性挑战。独一味（Lamiophlomis rotata）作为传统藏药，因野生资源过度开采被列为一级濒危物种，其人工栽培过程中需应对高海拔环境带来的生长不确定性。表型作为植物结构与功能的直观指标，与生物量密切相关，尤其对于地上部分入药的药用植物更具重要意义。与传统破坏性分析方法相比，高光谱成像（HSI）技术能够同时捕获数百个波长下的图像，提供详细的光谱特征，从而实现对植被状态的实时无损监测。

材料与方法

实验材料

研究在四川省三个不同海拔区域（红原县琼溪镇、茂县沙坝镇和崇州市鸡冠山乡）采集独一味样本，共508株样品。栽培过程中统一管理灌溉、施肥及病虫害防治，并在 acclimation 期后分三个生长阶段（早期生长、快速生长和成熟期）采集数据。

高光谱图像采集与预处理

采用HY-6010-S NIR-HSI便携式推扫型高光谱系统采集380–1,022 nm范围内300个波段的光谱数据。原始光谱经辐射校正后，通过ENVI软件提取感兴趣区域（ROI）的平均光谱。预处理方法包括标准正态变量变换（SNV）、多元散射校正（MSC）、Savitzky–Golay平滑（SG）和一阶导数（FD），其中FD处理表现最佳，被用于后续建模。

特征波长选择与DRSA-CARS算法

研究采用竞争性自适应重加权采样（CARS）及其改进版本——动态爬行动物搜索算法增强的CARS（DRSA-CARS）进行特征波段选择。DRSA-CARS通过引入动态探索概率衰减、探索强度调制和随机行为切换策略，优化了波段选择的全局搜索能力与稳定性。结果显示，DRSA-CARS将SPAD和生物量的特征维度分别降低了75.7%和29.2%，同时显著提升了预测精度。

植被指数与纹理特征提取

选取了8种植被指数（VIs），包括NDVI、EVI、CI_green、CI_rededge等，这些指数结合了红边（680–750 nm）和近红外（NIR）波段，与叶绿素含量和生物量具有生理相关性。纹理特征通过灰度共生矩阵（GLCM）从主成分分析（PCA）后的代表性波段图像中提取，包括均值（MEA）、对比度（CON）、相异性（DIS）和熵（ENT），以捕捉冠层空间结构信息。

模型构建与评估

使用偏最小二乘回归（PLSR）、支持向量回归（SVR）、前馈神经网络（FNN）和卷积神经网络（CNN）建立预测模型。数据集按7:2:1划分为训练集、验证集和测试集。模型性能通过决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD）评估，其中RPD大于2表明模型具有较强的预测能力。

结果

表型特征分析

不同海拔的独一味表现出显著表型差异：高海拔地区（琼溪）植株较小但叶色更深（SPAD值更高），生物量较低且稳定；低海拔地区（鸡冠山）植株更大，生物量随生长阶段逐渐增加。这种表型塑性反映了植物对环境适应的生理策略。

光谱特征与特征选择

DRSA-CARS算法优选出的特征波段主要集中在550–750 nm（叶绿素敏感区）和900–1,000 nm（水分与结构敏感区），波段分布更为集中且具有明确的生理意义。融合植被指数和纹理特征后，模型预测精度显著提升。

模型预测性能

对于SPAD值预测，基于特征波段与植被指数融合的FNN模型表现最佳，测试集R2为0.7502，RPD为1.9571。对于地上生物量预测，融合特征波段与纹理特征的FNN模型测试集R2达0.7933，RPD为2.1991，显示出优异的预测鲁棒性。深度学习模型（FNN、CNN）整体优于传统机器学习方法（PLSR、SVR）。

讨论

独一味的表型变异与海拔密切相关，高海拔环境通过低温与UV胁迫抑制叶片扩张，但促进了光合色素积累。HSI技术结合DRSA-CARS算法能够有效捕捉这些生理变化，红边与近红外波段的光谱响应为 chlorophyll 含量和生物量提供了敏感指标。特征融合策略（光谱+VI+纹理）显著提升了模型性能，其中纹理特征对生物量的预测贡献尤为突出，反映了冠层结构特征与生物量积累的直接关联。

尽管本研究在可控室内环境下验证了技术可行性，但未来需进一步应对野外高海拔环境的照明变异与地形复杂性。整合无人机遥感（UAV）与深度学习算法，有望实现野生独一味栖息地的规模化动态监测。

结论

本研究成功建立了基于HSI和深度学习的独一味SPAD值与地上生物量无损估测模型。DRSA-CARS特征选择方法显著提升了波段筛选效率，多特征融合策略进一步增强了模型预测能力。FNN模型在SPAD（R2=0.7502）和生物量（R2=0.7933）预测中均表现出最优性能。该研究为高寒药用植物的精准栽培与品质管理提供了可靠的技术支持，推动了高光谱智能感知在植物表型组学中的应用。