《Discover Plants》：Entropy-driven adaptive spatial modeling of multi-stress responses in plant systems under environmental variability
编辑推荐：
环境胁迫（environmental stresses），包括干旱、盐分、热及营养缺乏，可改变植物生理、形态与生长。对共现（co-occurring）环境胁迫下植物响应的可靠分析仍具挑战性，因为胁迫相关的视觉模式可能相互重叠，并随环境条件变化而改变。本研究提出
环境胁迫（environmental stresses），包括干旱、盐分、热及营养缺乏，可改变植物生理、形态与生长。对共现（co-occurring）环境胁迫下植物响应的可靠分析仍具挑战性，因为胁迫相关的视觉模式可能相互重叠，并随环境条件变化而改变。本研究提出一种熵驱动自适应空间建模（Entropy-Driven Adaptive Spatial Modeling, ASM）框架，用于分析RGB葡萄（grapevine）叶片图像中的胁迫相关模式。首先，采用自适应Gabor滤波（Adaptive Gabor Filtering）增强方向敏感的结构特征，同时降低背景噪声及与光照相关的变异。其次，利用方向梯度直方图（Histogram of Oriented Gradients, HOG）与多尺度特征提取表征边缘、纹理及形态特征。随后，采用Swin Transformer辅助的胶囊网络（Capsule Network）学习层次化空间表征，同时以图注意力网络（Graph Attention Network, GAT）建模局部图像衍生区域间的关系。采用粒子群优化（Particle Swarm Optimization, PSO）调节所选模型超参数。最后，应用熵分析量化预测胁迫响应分布中的不确定性与复杂性。实验结果表明，所提框架较所选基线模型取得更高的分类性能。该框架为解释环境变异下胁迫相关视觉模式提供了一种基于图像的方法。
**一、研究背景与问题提出**
植物持续遭受干旱、盐分、高温、营养缺乏及氧化胁迫等多种环境胁迫，非生物胁迫可破坏生理平衡、光合作用、代谢调控、细胞稳态与植株生长，进而降低作物产量并威胁农业可持续性。随着气候变异加剧，胁迫事件频率与强度上升，使植物系统生物学与精准农业中的可靠、自适应胁迫响应分析成为重要研究挑战。植物对胁迫的响应涉及氧化胁迫、激素信号、发育过程与环境的交互作用，且在同一植株的不同器官、组织与局部区域之间存在异质性，因此基于图像的分析应关注视觉特征的空间分布而非仅依赖全局图像特征。叶片在胁迫下并非均质结构，不同解剖区域可表现出局部褪色、黄化、病斑形成、叶脉可见性改变、纹理变异、边缘不规则、萎蔫或形态变形等差异。本文中"胁迫响应区域"特指包含可见胁迫相关特征的局部图像衍生区域或空间斑块，而非直接测量的细胞类型、组织或胞内信号过程。传统胁迫分析依赖人工观察、生理测量、生化检测与实验室测试，耗时费力且难以在真实田间条件下规模化；环境变异、光照变化、背景杂乱、症状重叠与生育期差异进一步增加识别难度。深度学习中的卷积神经网络（CNN）、视觉Transformer（ViT）、长短期记忆网络及迁移学习架构已用于病害分类、干旱识别、缺素诊断与胁迫分类，但多数方法侧重分类精度，对局部胁迫模式、空间因素与环境变异下的自适应响应关注不足；传统CNN难以有效保留长程空间信息与区域间层次关系，而干旱与热胁迫、盐分与营养缺乏在视觉上高度相似，整体图像描述子易造成误判。ViT虽可建模长程依赖但计算开销大且依赖大规模数据；胶囊网络（Capsule Networks）可通过动态路由保留部分—整体关系但增加计算复杂度；图神经网络与图注意力网络可将图像区域建模为互联节点，但将其与自适应Transformer辅助架构结合用于多胁迫响应的研究尚少；元启发式优化方法多仅优化预测性能，对空间可解释性、预测不确定性与胁迫响应复杂性关注有限。基于上述空白，研究人员提出ASM框架，用于RGB葡萄叶片图像中干旱、盐分、热与营养缺乏胁迫的分析，主要贡献包括：构建面向植物系统多重胁迫响应分析的自适应空间建模框架；融合自适应Gabor滤波与多尺度特征提取以改进胁迫区域表征；实现Swin Transformer辅助胶囊网络以在环境扰动下保留层次化空间关系；引入图注意力网络建模植物结构间自适应胁迫响应关联；应用粒子群优化实现自适应超参数调节与收敛优化；引入熵驱动韧性分析以实现更具生物学意义的胁迫传播与环境适应性解释。
**二、关键技术方法**
研究以作者团队于3月至10月共八个月内在原位及受控温室条件下采集的葡萄叶片图像为对象，涵盖自然光照与阴天条件，设置干旱（灌溉梯度控制）、盐分（NaCl 50–200 mM）、热（35–42 °C热室）与营养缺乏（去除选定必需营养）四类胁迫及健康对照，胁迫持续3–21天；图像由高分辨率工业RGB相机以4000×3000像素采集并缩放至224×224像素，采集过程模拟并纳入背景土壤、重叠枝叶与阴影等田间杂乱因素；最终数据集含5,850幅标注图像，按70%、10%、20%分层随机划分为训练集4,095幅、验证集585幅与测试集1,170幅。技术路线为：自适应Gabor滤波预处理→HOG多尺度空间特征提取→Swin Transformer辅助胶囊网络（ST-CapsNet）层次化空间表征学习→图注意力网络胁迫关联建模→粒子群优化超参数寻优（适应度函数融合验证准确率与归一化预测熵）→熵驱动韧性评估，并以准确率、精确率、召回率、F1分数与曲线下面积（AUC）评价，辅以SHAP（SHapley Additive exPlanations）可解释性分析与注意力可视化；框架基于Python的TensorFlow与PyTorch实现。
**三、研究结果**
（1）训练与验证性能分析：框架训练过程收敛稳定、过拟合倾向降低，训练与验证准确率随轮次稳步上升，损失曲线平滑收敛，粒子群优化提升了自适应收敛效率并减少验证波动。
（2）混淆矩阵分析：ASM框架能有效区分干旱、盐分、热与营养缺乏等胁迫相关区域，类别间误判较少，归因于层次化空间表征与基于图的区域关系分析，分类一致性强、假阳性预测减少。
（3）ROC曲线与AUC分析：各胁迫类别均取得较高AUC值，表明模型在环境变化下仍保持稳定的类别判别能力。
（4）基于SHAP的可解释性分析：空间梯度结构、形态变形模式与边缘方向自适应特征是对胁迫响应建模影响最大的因素，SHAP力图进一步显示这些特征在干旱胁迫下的作用。
（5）基于注意力的空间胁迫可视化：注意力图显示模型聚焦于病斑边界、结构变形区域与形态不规则等具生物学意义的胁迫响应区域，验证了ST-CapsNet对自适应空间关系的保留能力。
（6）环境鲁棒性分析：在光照变化、结构变形与噪声扰动情景下框架表现出较强自适应稳定性，对光照波动较传统深度学习架构更不敏感。
（7）对比性能评估：与CNN、ResNet50、EfficientNet及ViT等架构相比，ASM框架在自适应空间学习与胁迫判别上持续更优。
（8）消融研究：各集成模块均对环境鲁棒性与可靠胁迫响应建模有显著贡献。
（9）熵驱动韧性分析：低熵表示预测概率集中于单一类别、结果稳定确定；高熵表示概率分散于多类，可能反映干旱与热胁迫等视觉相似条件下的模糊性；熵在此作为基于图像的预测不确定性度量，而非植物韧性的直接生理测量。统计显著性分析所得的p值证实了该框架相对传统架构的统计显著优势。
**四、讨论与结论**
讨论指出，从植物系统生物学视角，功能叶片可视为多细胞整合系统，不同组织层与细胞类型对非生物胁迫的响应程度不一，适应性涉及细胞间动态通讯与生理稳态重建；ASM框架通过多尺度特征、胶囊部分—整体路由与图注意力建模局部图像衍生区域关系，表征胁迫相关视觉模式的空间变异而非将整叶视为均质实体。AGF预处理增强胁迫相关形态结构特征并抑制背景噪声与光照变异；HOG多尺度提取捕获结构梯度与形态特征；ST-CapsNet克服CNN长程空间关系与层次结构捕捉不足，缓解复杂扰动下的误分类；GAT以拓扑图刻画胁迫传播与组织耦合，提升韧性评估；PSO保证收敛稳定并减少过拟合；熵方法定量刻画环境扰动复杂性与韧性行为。与CNN、ResNet50、EfficientNet及ViT相比，ASM在准确率、精确率、召回率、F1分数与AUC上均更优；SHAP分析确认空间梯度结构、胁迫诱导形态变形与自适应纹理表征的主导贡献。局限性在于：当前模型为基于图像的环境胁迫检测系统，未纳入生理指标的时间记录或额外生物信号，且具有异质扰动机制的大尺度田间监测数据集仍较缺乏。研究结论译文：本研究提出一种自适应空间建模（ASM）框架，用于分析可变环境条件下植物系统中的多重胁迫响应。所提架构将自适应Gabor滤波（AGF）、基于方向梯度直方图（HOG）的空间特征提取、Swin Transformer辅助胶囊网络（ST-CapsNet）、图注意力网络（GAT）、粒子群优化（PSO）与熵驱动韧性分析整合为统一计算框架。该方法保留关键的自适应空间关系、增强环境鲁棒性，并对胁迫响应动态给出具生物学意义的解释，而非仅依赖分类分数。实验评估表明，ASM框架成功识别并建模包括干旱、盐分、热与营养缺乏在内的多种环境胁迫条件；自适应预处理与层次化空间表征学习的结合改善了胁迫区域增强与环境适应性；ST-CapsNet成功保留胁迫响应区域间的长程空间依赖与方向敏感结构关系；图注意力机制有效刻画植物结构间相互依存的胁迫传播行为与环境关联。在性能方面，该框架优于CNN、ResNet50、EfficientNet与ViT等传统架构，所报告的准确率、精确率、召回率、F1分数与AUC指标证实了该自适应空间学习系统在环境扰动下的鲁棒性；PSO优化确保训练收敛稳定，熵驱动韧性分析量化了环境复杂性与植物自适应响应，SHAP可解释性分析进一步确认空间梯度、变形模式与形态纹理对胁迫预测与环境解释的显著贡献。尽管性能较强，仍存在局限：当前方法主要依赖基于图像的环境胁迫分析，未纳入时间序列生理测量、高光谱传感或多模态生物信号；具有异质扰动的大规模真实田间数据集仍然有限，可能影响复杂农业环境下的泛化能力。未来研究将聚焦整合时间环境监测、高光谱成像、物联网（IoT）传感、生物电信号分析与多模态自适应生物系统，并引入可解释人工智能、动态图学习、自监督表征学习与边缘监测框架，进一步拓展至实时精准农业平台与气候韧性监测系统。总体而言，该自适应空间建模框架对计算可解释的植物系统分析、自适应环境胁迫建模与下一代精准农业研究具有重要贡献，为复杂生态扰动下的未来自适应生物系统与环境韧性研究奠定了坚实基础。
