基于高光谱成像与CARS–CNN-LSTM混合模型的苹果叶轮纹病早期诊断及SPAD值预测

《Smart Agricultural Technology》：Early diagnosis of ring rot and prediction of SPAD values in apple leaves using hyperspectral imaging and a CNN-LSTM hybrid model

　　

研究人员构建了覆盖苹果叶轮纹病五个侵染阶段的双年度高光谱数据集，同步获取叶片光谱与SPAD（Soil-Plant Analysis Development，叶绿素相对含量）值。通过竞争自适应重加权采样（CARS）与连续投影算法（SPA）分别筛选病害分期与SPAD反演的敏感波段，并构建卷积神经网络–长短期记忆网络（CNN-LSTM）混合模型，分别用于病害阶段分类与SPAD连续值回归。结果表明，CARS–CNN-LSTM在无症状早期阶段识别与SPAD空间分布预测中均表现最优；空间制图可揭示侵染进程中叶片预测SPAD值的动态变化。该研究在同一框架下融合早期诊断与生理状态评估，为苹果叶部病害无损监测提供了方法学支撑。

研究背景与问题提出

苹果具有重要经济价值，而苹果叶轮纹病由Botryosphaeria dothidea侵染引起，可抑制叶绿素合成、降低光合效率，导致提前落叶与果实品质下降。传统检测依赖人工目检或理化破坏取样，前者效率低、主观性强，后者耗时耗材且难以实时田间监测。高光谱成像（HSI）具备“图谱合一”优势，可捕捉可见光至近红外区间的细微生理生化变化，为潜育期病害识别与叶绿素状态估计提供可能。已有研究多将病害分类与生理参数估计拆分为独立任务，针对苹果叶轮纹病早期阶段与SPAD动态联合建模的研究仍有限。为此，研究人员以红富士二年生苹果苗为对象，在连续两年实验中按接种后0、2、4、6、8天（DAI）划分五个阶段，开展病害早期诊断与SPAD无损预测的统一框架研究。

主要研究内容与技术方法

研究人员采用双年度盆栽红富士苹果苗队列：2024年20株、2025年30株，每株选中部健康叶接种Botryosphaeria dothidea菌丝块，按0、2、4、6、8 DAI五个阶段采样，两年合计500张叶片。使用GaiaField-V10E传感器在370–1015 nm获取256波段高光谱图像，经白板辐射定标后取叶部感兴趣区（ROI）平均反射率；以SPAD-502 Plus测得叶片相对叶绿素值作为回归标签。数据按阶段分层划分为校准、验证、预测集（6:2:2）。关键技术包括：以竞争自适应重加权采样（CARS）与连续投影算法（SPA）做任务专属特征波段筛选；以一维卷积神经网络（CNN）提取局部光谱特征，并由长短期记忆网络（LSTM）建模波段序列依赖，分别构建五分类诊断模型与连续值回归模型；分类对照支持向量机（SVM）与随机森林（RF），回归对照偏最小二乘回归（PLSR）与反向传播神经网络（BPNN）；并以像素级光谱输入回归模型生成SPAD空间分布图。

研究结果

2.1 材料与方法概述

通过双年度五阶段采样，研究人员明确无症状2 DAI阶段已存在可检测光谱偏移，为早期识别提供数据基础。

2.2 高光谱数据采集与校正

经暗电流与白参考校正得到反射率R=(I_raw-I_dark)/(I_white-I_dark)，ROI平均光谱作为后续输入，未做额外预处理。

2.3 主成分分析与阶段分离趋势

PCA显示前三维主成分空间中，健康与不同DAI阶段样本呈现聚类分离趋势，尤其无症状期与后期病斑期可分性逐步增强。

2.4 特征波段选择结果

CARS与SPA分别选出病害分类与SPAD预测的特征波长子集，降低256维冗余并保留任务敏感波段。

2.5 早期诊断模型性能

CNN-LSTM分类器在CARS与SPA特征下均优于SVM与RF；其中CARS–CNN-LSTM对0、2、4、6、8 DAI五阶段识别精度、Macro-F1与Kappa最高，2 DAI无症状样本亦具较高召回，证明图谱序列混合网络可提取潜育期微弱光谱异常。

2.6 SPAD预测模型性能

回归任务中CARS–CNN-LSTM取得最优决定系数R2、最低RMSE与最高残差预测偏差（RPD）；像素级预测将叶片划分为低SPAD病斑核心与相对较高SPAD外围，空间图直观反映叶绿素沿侵染梯度衰减。

讨论与结论翻译

讨论指出，将早期病害分期与SPAD生理指标在同一高光谱框架中联合建模，可互补反映寄主病理与生理状态；CARS筛选广谱特征、SPA压缩共线性，配合CNN-LSTM对光谱位置序列的建模，是提升小样本高维光谱泛化能力的关键。局限在于主实验未设同期模拟接种对照，且年份仅作合并未分层验证。

研究结论如下：双年度五阶段高光谱数据可刻画苹果叶轮纹病进程中的光谱与SPAD动态；CARS–CNN-LSTM混合模型在无症状早期诊断和SPAD空间预测中均优于传统机器学习与浅层网络；该方法为果园叶部病害早期无损监测与叶绿素胁迫可视化提供了可扩展的技术路径。

你想先把这篇解读压缩成会议摘要，还是改写成期刊审稿意见？

会议摘要

审稿意见

会议摘要

审稿意见