《Food and Energy Security》：Early Detection of Drought and Overwatering Stress in Apple Seedlings Using Hyperspectral Imaging and Deep Learning
编辑推荐：
苹果幼苗具有重要的经济价值，但其对水分胁迫的敏感性对生长和产量构成严重威胁，影响园艺生产力。早期检测有助于减少损失，然而现有的植物水分胁迫检测方法往往具有侵入性、耗时，且难以应用于敏感的幼苗阶段。本研究旨在通过整合端元提取、二维相关分析、伪图像分析及全通道高光
苹果幼苗具有重要的经济价值，但其对水分胁迫的敏感性对生长和产量构成严重威胁，影响园艺生产力。早期检测有助于减少损失，然而现有的植物水分胁迫检测方法往往具有侵入性、耗时，且难以应用于敏感的幼苗阶段。本研究旨在通过整合端元提取、二维相关分析、伪图像分析及全通道高光谱成像数据等多种分析技术，实现对苹果幼苗叶片水分胁迫（正常、干旱和过湿）的早期、准确且非侵入性识别。以M9T337苹果幼苗为研究对象，共采集570个高光谱图像数据立方体用于分析和建模。首先，采用N-FINDR算法提取纯光谱端元；其次，二维相关分析揭示了水分胁迫下生理指标的时序变化模式；随后，由RGB波长生成的伪彩色图像通过改进的SimAM-ECA-MobileNet模型及其他迁移学习架构进行分类。在处理全通道高光谱数据的最后步骤中，研究人员采用了上述分类器的一维版本——专门针对该任务进行了适配，包括一维SimAM-ECA-MobileNet网络。本研究提出了一种基于MobileNet架构的双注意力深度学习模型，用于植物健康状态的准确分类。该网络结合了SimAM和ECA两种注意力机制，采用加权融合策略，有效提升了模型对植物干旱、正常和过湿状态的识别能力。该方法在伪图像验证集上取得了93.33%的分类准确率，显著优于基线MobileNet模型（81.67%）。所提出的双注意力模型为苹果幼苗早期水分胁迫诊断建立了一个稳健高效的框架。
论文解读
一、研究背景与问题
苹果树在园艺产业中占据重要地位，但对干旱和涝渍等水分胁迫极为敏感。亚洲气候中频繁的干旱、高湿和高温进一步加剧了幼苗所承受的胁迫压力。水分胁迫会显著影响植物的光合能力和生理状态，因此在幼苗生长的关键期实现水分胁迫的早期识别，对于实现精准灌溉、保障后期生长和产量、减少经济损失具有重要意义，尤其是在温室和植物工厂等可控环境中。
传统生理监测方法存在明显局限：气孔计间接测量气孔阻力、压力室直接测量叶片水势（LWP）等方法往往具有侵入性，LWP测定甚至具有破坏性且耗时，难以应用于大规模或高通量监测，且只能提供静态时间点数据，无法捕捉水分胁迫的动态变化。目视症状评估虽简单直观，但具有主观性，且通常只能在植物生理损伤的中后期才能识别。
为克服上述局限，非侵入性光学传感技术逐渐成为研究热点，如叶绿素荧光、高光谱反射和热成像等。然而，这些方法往往依赖昂贵设备、复杂数据处理，需要建立稳健的校准模型，其普适性受物种、生长期和环境条件限制。尽管此类技术潜力巨大，但在苹果幼苗等关键长期阶段实现持续和早期水分胁迫监测的研究仍显不足，形成了本研究旨在填补的空白。
二、研究内容与结论概述
本研究以M9T337苹果幼苗为对象，通过整合端元提取、二维相关分析（2D-COS）、伪图像分析和全通道高光谱成像数据等多种分析技术，实现了对苹果幼苗叶片水分胁迫（正常、干旱和过湿）的早期、准确且非侵入性识别。研究共获取570个高光谱图像数据立方体用于分析和建模。核心结论包括：提出的SimAM-ECA-MobileNet双注意力模型在伪图像验证集上达到93.33%的分类准确率，显著优于基线MobileNet模型（81.67%）；二维相关分析揭示了水分胁迫下植物生理变化的时序规律——水分含量变化（750 nm）先于叶绿素活性下降（550 nm）和光合功能衰退（700 nm），为水分胁迫的早期诊断提供了关键证据。该研究为苹果幼苗早期水分胁迫诊断建立了稳健高效的框架，具有在可控农业环境中实现精准灌溉的应用潜力。
三、主要关键技术方法
研究人员采用了以下关键技术方法：（1）N-FINDR端元提取算法，用于从混合像元中提取纯光谱端元，确定4个端元分别对应正常、干旱、过湿和背景四类；（2）二维相关光谱（2D-COS）分析，对提取的纯化光谱进行同步和异步相关分析，揭示水分胁迫下生理指标的时序变化顺序；（3）伪彩色图像生成，选取703.93 nm（红）、549.65 nm（绿）和438.25 nm（蓝）三个关键波长合成RGB伪彩色图像，用于迁移学习分类；（4）全通道高光谱数据的一维神经网络分析；（5）基于MobileNet架构的SimAM-ECA双注意力融合模型，结合SimAM（无参数3D注意力）和ECA（高效通道注意力）两种机制，采用可学习权重进行加权融合；（6）Grad-CAM可视化技术，用于生成注意力热图，增强模型决策的透明度和可解释性。样本来源为山东省诸城市国家农林科技孵化器育苗基地的M9T337苹果幼苗，在青岛农业大学温室中培育并开展实验。
四、研究结果
3.1 二维相关分析显示水分胁迫下光谱变化的独特模式
通过对N-FINDR算法提取的纯净端元光谱进行二维相关光谱分析，研究发现干旱端元的同步谱中，750 nm处出现显著自相关峰，该波段对应水分子的O-H键合频吸收，其强度与叶片含水量密切相关。与正常和过湿处理相比，干旱端元中该峰强度显著降低，反映了水分亏缺引起的细胞脱水。550 nm与750 nm之间的正交叉峰表明叶绿素吸收的下降与含水量下降同步发生。异步谱进一步揭示了生理变化的时序关系：根据Noda规则，750 nm处的变化早于550 nm（叶绿素相关）和700 nm（光合系统“红边”响应），表明水分流失是首要响应事件，随后才触发叶绿素降解和光合功能下降。
3.2 分类结果显示高区分能力
为验证所提出的SimAM-ECA-MobileNet模型的有效性，研究人员将其与五种经典迁移学习模型（ResNet50、VGG16、VGG19、MobileNet和NASNetMobile）进行对比。结果显示，SimAM-ECA-MobileNet在验证集上取得了最佳分类性能，准确率达93.33%，显著优于基线MobileNet模型（81.67%）。混淆矩阵显示，模型在干旱和过湿之间的误分类较少，能够有效区分具有相似光谱特征的胁迫状态。训练过程中模型稳定收敛，未出现明显过拟合。在五种迁移学习模型中，ResNet50表现次优（80.00%准确率），而VGG系列和NASNetMobile表现相对较差。SimAM-ECA-MobileNet的精确率为0.9181，召回率为0.9167，F1分数为0.9167，均为所有模型中最优。
3.3 一维迁移学习模型及一维SimAM-ECA-MobileNet分类全通道高光谱数据
为进一步探索高光谱数据的潜力，研究人员将伪彩色图像扩展至全通道光谱数据，构建了一维分类模型进行对比分析。一维SimAM-ECA-MobileNet在验证集上准确率为35%，略优于一维ResNet50（35%）和一维MobileNet（33%）。尽管全通道数据提供了更丰富的光谱信息，但其分类性能低于基于伪彩色图像的模型。
3.4 两种注意力机制的Grad-CAM可视化
通过Grad-CAM技术可视化模型的注意力区域，结果显示模型能够准确聚焦于叶片卷曲和颜色变化等关键判别特征。注意力热图显示融合机制能够综合关注植物的广泛上下文区域（如整体叶片排列和冠层）与更精细的局部细节（如特定叶片边缘和可能的变色斑点）。不同卷积层（conv_1、conv_pw_1、conv_pw_2和conv_pw_3）的特征图演化展示了从低层基本特征（边缘、颜色梯度）到高层语义特征（萎蔫纹理、冠层结构）的清晰递进过程，验证了双注意力机制能够有效协调多层次特征融合。
五、讨论与结论
讨论部分指出，本研究的核心生物学发现是时序性的：二维相关光谱显示750 nm附近的水吸收带变化先于550 nm和700 nm处的叶绿素及光合相关波段变化，这在机制上将气孔关闭和细胞脱水定位为首要事件，色素降解和光合能力下降为后续结果。这一时序关系定义了管理上关键的诊断窗口：在叶绿素相关或目视可见症状出现之前，已存在可检测的水分状态信号，这正是灌溉调整仍可防止损害而非仅记录损害的关键节点。
研究还指出，与仅使用PCA预处理和一维光谱数据的方法相比，本研究结合端元提取与二维相关分析的技术路径，能够更清晰地分析植物水分胁迫响应的具体生理时序。伪彩色图像合成成功弥补了高光谱数据中光谱与空间信息分离的不足，使模型能够同时捕捉光谱响应和空间异质性。研究也存在局限性：高光谱数据质量易受光照几何和叶片朝向影响；实验系统范围较窄，仅涉及单一砧木基因型（M9T337）、单一生长阶段（2月龄盆栽幼苗）、单一受控温室环境和固定暗室成像设置，向成熟果园树木、多品种和田间条件的推广仍需进一步验证。
结论部分总结：本研究结合端元提取与二维相关分析，首次实现了苹果幼苗水分胁迫（正常、干旱和过湿）的准确识别与分类。所提出的SimAM-ECA-MobileNet模型基于高光谱伪彩色图像分类的验证准确率达90.83%，显著优于其他可比模型。二维相关分析揭示了水分胁迫下植物生理变化的时序规律：水分含量变化（750 nm）先于叶绿素活性下降（550 nm）和光合功能衰退（700 nm），为早期水分胁迫诊断提供了关键证据。N-FINDR端元提取有效净化了光谱信号，基于关键波长合成的伪彩色图像成功整合了光谱与空间特征，使模型能够同时捕捉光谱响应和空间异质性。本研究加深了对胁迫生理机制的理解，并提高了分类模型的准确性和可解释性。
