《Plant Phenomics》：Combining 3D-multispectral and hyperspectral imaging to identify environmental stress treatments imposed during plant growth
编辑推荐：
非侵入式、高通量的表型分析工具亟需开发，以识别环境对植物结构与功能的影响，从而诊断导致商业及非商业环境中植物生长受限的因素。本研究探索了将三维多光谱成像（3D-multispectral imaging）与二维高光谱成像（2D-hyperspectral im
非侵入式、高通量的表型分析工具亟需开发，以识别环境对植物结构与功能的影响，从而诊断导致商业及非商业环境中植物生长受限的因素。本研究探索了将三维多光谱成像（3D-multispectral imaging）与二维高光谱成像（2D-hyperspectral imaging, HSI）相结合，并借助机器学习（machine learning, ML），能否用于识别植物生长过程中所施加的环境胁迫处理。研究人员对受控环境下栽培的本氏烟草（Nicotiana Benthamiana）植株施加了一系列非生物胁迫处理——包括不同生长光强、高温处理及干旱胁迫——这些处理导致了株高、生物量、叶面积及光谱反射率的差异。研究人员利用在播种后第27、29、31和34天（days after sowing, DAS）测定的形态学与光谱性状训练了ML模型，以识别这些处理。采用一台三维多光谱扫描仪获取植株高度、生物量和叶面积信息。一台可见光与近红外（visible and near-infrared, VNIR）高光谱成像相机提供了详细的光谱信息，用于推导归一化植被指数（Normalised Difference Vegetation Index, NDVI）、光化学反射指数（Photochemical Reflectance Index, PRI）及归一化红边差值指数（Normalized Difference Red Edge, NDRE）等光谱指数。人工测量则提供了基准对比数据。三维多光谱扫描仪可靠地估算了地上部性状，人工测量与扫描仪测量值之间呈现高度相关性。ML模型能够准确区分不同的环境胁迫处理，其中，在所有评估指标上，融合3D+HSI模型的整体预测性能最佳，优于基于单一成像模态的模型。结果表明，将三维多光谱与二维高光谱数据结合ML分析，对于非破坏性、高通量的表型分析是有效的。这些技术的整合使得能够在植物生长过程中对其所受的环境胁迫处理进行非破坏性、高通量的识别。
研究背景、存在问题与研究目的
在自然界中，植物持续暴露于变化万千的非生物环境中，光照、温度和水分的持续波动深刻影响植物的生长与表现。这些环境变化常导致冠层结构的改变以及叶片形态、解剖结构、代谢和化学成分的调节，例如高光下生长的叶片更厚、光合色素浓度更高，温暖条件下叶片变薄且氮含量降低，干旱下气孔导度下降、渗透调节代谢物积累及色素组成改变。然而，尽管叶片和整个冠层的结构与化学成分反映了植物生长期间经历的环境条件，这些信息却很少被用于探究草本植物所经历的环境状况。理解植物生长期间暴露的环境条件对园艺和商业作物生产等行业至关重要，因为环境胁迫导致的植物性能下降会显著降低产量，但造成这种性能下降的原因往往难以确定。因此，迫切需要开发更好的工具来精准定位导致植物性能下降的具体原因，并快速检测其影响，以便在产量降低前加以控制。
研究内容与结论
研究人员在本研究中利用已有的三维多光谱（3D-multispectral）和二维高光谱（2D-hyperspectral imaging, HSI）表型分析工具，验证了一个表型组学概念验证：即植物的结构和光谱表型能否用于推断其在发育过程中经历的环境条件。研究的创新点在于将多模态表型分析应用于植物环境检测，并评估融合冠层结构性状与叶片光谱性状是否能比单独使用任一模态更好地对应力进行分类。实验结果表明，结合二维高光谱成像和三维多光谱扫描数据开发的机器学习（ML）模型能够成功识别植物在生长期间所暴露的具体胁迫类型，包括区分通常会引起植物表型相似变化的多重胁迫（如高温和干旱）。融合3D+HSI模型在所有评估指标上均取得了最高的整体性能，准确率达到88.9%，平衡准确率88.5%，宏平均F1分数88.0%，显著优于仅使用三维或多光谱数据的模型。这项研究证明了将这两种技术整合到高通量表型分析中的有效性及其在商业运营中的潜在价值。
主要关键技术方法
研究人员使用了两种主要的非侵入式成像技术：一是Phenospex PlantEye F500 Dualscan三维多光谱扫描仪，用于获取植株高度、数字生物量（digital biomass）、三维叶面积、冠层平均绿度和色调等形态及光谱性状，并计算归一化植被指数（NDVI）、归一化色素叶绿素比率指数（NPCI）和植物衰老反射指数（PSRI）；二是可见光与近红外（VNIR, 400-900 nm）高光谱成像（HSI）相机，用于获取详细的光谱信息并推导一系列光谱指数，包括光化学反射指数（PRI）、归一化红边差值指数（NDRE）、红边归一化植被指数（RENDVI）等共11种指数。所有植物样本来源于四个独立实验，共计108个植物级样本，涵盖对照、高温、干旱、两种不同光强（450和600 μmol photons m-2 s-1）以及复合胁迫（干旱+高光、高温+干旱）共七种处理。研究人员采用XGBoost分类器构建ML模型，并通过留一法交叉验证（leave-one-out cross-validation, LOOCV）评估模型性能。
研究结果
Validation of morphological plant traits measured by the 3D scanner（三维扫描仪测量的形态学植物性状验证）
通过将三维多光谱扫描仪预测的株高、叶面积和数字生物量与人工实测值进行比较，发现两者之间存在高度显著的相关性（R2值均大于0.9，p<0.0001），证实了扫描仪在估算本氏烟草形态性状方面的可靠性。其中，株高的回归斜率为0.86，表明两者数值非常接近；而叶面积的斜率为2.3，表明由于遮挡效应，三维扫描仪低估了真实的二维叶面积。
Plant growth responses to environmental treatments（植物对环境处理的生长响应）
通过破坏性取样测量，研究人员观察到不同非生物胁迫处理导致了植株高度、叶面积和生物量的显著差异。高温处理使植株更高、叶面积更大但对生物量无显著影响；干旱处理对株高和叶面积影响不显著但降低了生物量；不同光强处理未显著影响株高和生物量但较高光强增加了叶面积。两个高温方案（昼夜温度分别为30/22°C和30/27.5°C）在表型特征上呈现总体相似的模式，但有22/60个性状组合存在显著差异，因此研究人员将其归为一个广义的高温类别用于模型开发，同时承认夜间温度差异是研究的一个局限性。
Comparison of three ML models（三种机器学习模型的比较）
研究人员训练了三个ML模型：仅使用三维多光谱数据的3D模型、仅使用二维高光谱数据的HSI模型以及融合两者的3D+HSI模型。在34 DAS时，3D+HSI模型的整体准确率最高（89%），其次是HSI模型（81%）和3D模型（72%）。配对统计检验显示，融合模型显著优于3D模型，并与HSI模型相比显示出方向性改进证据。3D模型在识别高温和干旱+高温处理方面表现最佳，而HSI模型在识别干旱+高光和光强600处理方面最准确。融合模型对所有非生物处理的识别准确率均达到80%以上，并在对照、高温、干旱、光强450和光强600处理中取得最高准确率。模型权重分析显示，PRI（对光合光能利用效率敏感）获得了最大权重，NDRE（与叶绿素含量相关的红边指数）次之，数字生物量和NPCI等也发挥了重要作用。
Test results with confidence scores for the model using combined traits (3D+HSI-model)（使用组合性状的模型测试结果与置信度评分）
对所有108个留一法预测的分析表明，正确分类的预测具有显著高于错误分类的最大置信度（中位数0.953对比0.677，双尾Mann-Whitney检验p<0.001），表明模型置信度通常与预测正确性一致。错误分类分布在所有四个实验中，而非局限于某一个实验。
讨论与结论总结
讨论部分指出，研究结果证明通过比较基于二维高光谱成像和三维多光谱扫描数据开发的ML模型，可以识别植物在生长期间所暴露的具体胁迫类型，包括区分通常引起表型相似变化的多重胁迫（如高温和干旱）。这种能力对商业运营（如园艺和大田作物种植）具有潜在价值，但需要在独立实验、物种和生长环境中进一步验证以评估方法的广泛适用性。研究强调，虽然过去表型研究通常依赖于多光谱或高光谱技术中的一种，但本研究结果表明，将这两种工具的数据结合起来——一种提供关于茎叶化学成分的更深入见解，另一种提供关于茎叶结构和色素组成的信息——能够改善环境处理的识别效果，并提供比单独使用任何一种技术更全面的植物生长与性能信息。
研究结论部分可翻译为：展望未来，研究人员看到了若干挑战与机遇。在本研究中，模型是在一个物种的受控环境数据集内，通过植物级留一法测试进行评估的。虽然这种方法最大限度地利用了现有数据并避免了植物级数据泄露，但它并未提供跨独立实验、品种、物种或生产环境的外部验证测试。因此，报告的准确率应被解释为研究内部分类性能的证据，而非直接田间或商业部署的保证。本研究采用了植被指数和三维表型参数的特征级融合策略，因为该方法在小数据集中具有可解释性并能降低过拟合风险。未来的研究应在更大数据集上重新审视全连续高光谱信号，采用波长重要性分析、主成分分析/偏最小二乘法（PCA/PLS）特征提取和光谱特征学习方法。在样本量充足的情况下，可以使用卷积神经网络（CNN）、Transformer或其他光谱深度学习方法直接从原始光谱中学习，而非仅依赖预定义的植被指数。还可以探索更先进的多模态融合策略，包括早期融合、晚期融合和基于注意力机制的融合，以更好地利用三维结构信息与光谱信息之间的互补性。将二维高光谱图像映射到植物冠层的三维表面，可能有助于深入了解环境胁迫如何随时间影响植物的结构与性能。另一个挑战是需要增加传感器监测冠层的空间和时间尺度，并注意到对于工业应用而言，重要的是能够将非侵入式扫描工具部署到大规模商业温室和田间生产系统中（使用安装在龙门架或无人机上的传感器），并且需要为每种种植系统建立基础数据集来训练ML模型。在这两种情况下，由不同光源（散射光和直射光）、湿度和遮挡冠层所带来的挑战都需要解决——这些都是值得未来研究的方向。
