基于综合冷胁迫响应指数与光谱先验注意力模型的茶树冻害严重度超光谱非破坏性评估

《Plant Methods》：STAMPformer: spectral-prior-guided multi-view attention learning for hyperspectral prediction of continuous frost damage severity in field-grown tea plants

　　

摘要

冻害严重制约了茶树的生长、发育和品质形成，凸显了开发精确田间尺度方法以评估冻害严重程度的必要性。本研究采集了自然田间冻害梯度上茶树的超光谱数据和八个关键理化指标。为了在连续尺度上表征冻害严重程度，我们整合了多维生理响应，开发了一个综合茶冷胁迫响应指数，称为TCSRI。为了在高维小样本条件下实现对理化指标和TCSRI的准确非破坏性预测，我们提出了STAMPformer，一种光谱先验引导的多视角注意力池化模型。该模型包含一个无参数注意力卷积提取模块，联合建模原始光谱和一阶导数光谱，从而增强局部光谱特征并抑制噪声。多视角注意力池化模块进一步自适应地聚合来自不同特征子空间的序列特征，以增强关键光谱响应。实验结果表明，STAMPformer在所有九项预测任务中均取得最佳性能，R²值高于0.87，RPD值高于2.80。消融实验、多种随机种子的配对测试以及SHAP分析证实了所提出模块的贡献，并揭示了与色素降解、光合作用受损和细胞结构破坏相关的具有生理意义的关键波长。独立的外部验证进一步证明了模型对未见样本的预测能力。总体而言，所提出的TCSRI和STAMPformer提供了一个准确、可解释且非破坏性的框架，用于评估茶树冻害严重程度，支持冻害监测、耐寒种质评价和智能茶园管理。

图形摘要

冻害严重制约了茶树的生长、发育和品质形成，凸显了开发精确田间尺度方法以评估冻害严重程度的必要性。本研究采集了自然田间冻害梯度上茶树的超光谱数据和八个关键理化指标。为了在连续尺度上表征冻害严重程度，我们整合了多维生理响应，开发了一个综合茶冷胁迫响应指数，称为TCSRI。为了在高维小样本条件下实现对理化指标和TCSRI的准确非破坏性预测，我们提出了STAMPformer，一种光谱先验引导的多视角注意力池化模型。该模型包含一个无参数注意力卷积提取模块，联合建模原始光谱和一阶导数光谱，从而增强局部光谱特征并抑制噪声。多视角注意力池化模块进一步自适应地聚合来自不同特征子空间的序列特征，以增强关键光谱响应。实验结果表明，STAMPformer在所有九项预测任务中均取得最佳性能，R²值高于0.87，RPD值高于2.80。消融实验、多种随机种子的配对测试以及SHAP分析证实了所提出模块的贡献，并揭示了与色素降解、光合作用受损和细胞结构破坏相关的具有生理意义的关键波长。独立的外部验证进一步证明了模型对未见样本的预测能力。总体而言，所提出的TCSRI和STAMPformer提供了一个准确、可解释且非破坏性的框架，用于评估茶树冻害严重程度，支持冻害监测、耐寒种质评价和智能茶园管理。

图形摘要