高光谱成像与3D高斯泼溅相结合：一种超越3D植物形态的新方法

《Plant Phenomics》：Hyperspectral Imaging Meets 3D Gaussian Splatting: A Novel Approach Beyond 3D Plant Morphology

　　

准确获取植物表型对于阐明植物生长发育、潜在遗传机制以及对环境刺激的响应至关重要。传统的三维（3D）表型分析主要捕捉几何性状，如高度、叶面积和冠层体积，而忽略了生理生化信息。在此，研究人员提出了一种基于PlantGaussian（一种3D高斯泼溅技术）的高光谱点云生成方法，该方法整合了结构和光谱信息，将3D表型分析从几何扩展到生理学。首先使用PlantGaussian重建高质量植物点云，并将高光谱图像（HSI）映射到其上以生成高光谱点云。在盆栽大豆实验中，研究人员建立了将高光谱反射率与SPAD（叶绿素含量）和EWT（等效水厚度，equivalent water thickness）关联的预测模型，并可视化了它们的3D分布。高光谱点云对SPAD（R² = 0.78，RMSE = 2.05）和EWT（R² = 0.80，RMSE = 1.07）展现了强大的预测性能，从而验证了该方法。它进一步揭示了冠层内清晰的垂直分层，突出了单个植物中SPAD和EWT的显著空间异质性。从2025年8月6日至21日的时序监测捕获了8月11日暴雨后EWT的急剧增加。总体而言，研究结果表明，高光谱点云能够实现准确、无损的性状估计，并为探索植物功能、监测胁迫响应以及推进精准农业提供了有力工具。

### 论文解读：高光谱点云技术拓展3D植物表型分析

#### 研究背景与问题

植物表型分析是理解植物生长、发育、遗传机制及环境响应的基础。传统三维（3D）表型技术主要捕捉高度、叶面积、冠层体积等几何性状，但忽略了叶绿素含量、水分状态等重要的生理生化信息。现有方法如将光谱图像与深度相机结合生成光谱点云，但深度相机产生的点云密度不足，难以高保真再现植物形态；而直接基于多视角光谱图像生成点云可能导致某些波段的光谱信息损失。因此，需要一种能够同时获取高精度3D结构和完整光谱信息的方法。本研究旨在通过整合高光谱成像（HSI）与3D高斯泼溅技术，构建高光谱点云，实现几何与生理性状的联合分析。

#### 研究开展与结论

研究人员提出了一种基于PlantGaussian（一种3D高斯泼溅技术）的高光谱点云生成方法，并在盆栽大豆（品种：中黄13）上进行验证。实验于2025年8月6日至21日在中国西北农林科技大学（34°28′N, 108°07′E）进行，共采集7株大豆的96片叶片数据。通过构建多块偏最小二乘回归（MB-PLSR）和随机森林（Random Forest）模型，利用高光谱反射率预测叶绿素含量（SPAD）和等效水厚度（EWT），并可视化其3D空间分布。结果表明，高光谱点云对SPAD（测试集R²=0.78，RMSE=2.05）和EWT（R²=0.80，RMSE=1.07）具有良好预测能力，并揭示了冠层内SPAD与EWT的垂直空间异质性。时序监测发现8月11日暴雨后EWT显著上升。该研究发表于《Plant Phenomics》，为精确、无损的3D植物表型分析提供了新工具，有助于理解植物功能与胁迫响应。

#### 关键技术方法概述（不超过250字）

研究采用以下关键技术：（1）**3D重建**：使用PlantGaussian（一种3D高斯泼溅技术）从智能手机拍摄的多视角视频（30 fps，约200帧/株）中重建高质量植物点云。（2）**高光谱点云生成**：将重建点云体素化（分辨率N=512），沿正交方向投影至2D平面，记录体素-像素对应关系；利用RoMa（鲁棒密集特征匹配）框架将高光谱图像（HAIP BlackMobile，502–997 nm，100波段）与投影图像配准，并基于查找表（LUT）将光谱信息反映射至点云。（3）**表型建模**：提取叶片平均高光谱信号与法向量（通过奇异值分解SVD计算），采用多块偏最小二乘回归（MB-PLSR）和随机森林（Random Forest）构建SPAD与EWT预测模型，模型评估使用留一法交叉验证（LOOCV）确定最优潜变量数。

#### 研究结果

**3.1 图像配准评估**
通过视觉比较和定量指标（平均误差与互信息MI）验证了配准效果。相似性、仿射和投影变换的平均误差均低于0.5像素（分别为0.278、0.245、0.246），MI从0.366提升至约0.975，证明配准方法有效可靠。

**3.2 高光谱点云可视化**
PlantGaussian重建的3D模型在精度上接近3DGS-7000迭代的峰值信噪比（PSNR），但优于3DGS-7000的平均绝对误差（MAE）；虽不如3DGS-30000，但后者输出不可测量。生成的高光谱点云（以852 nm为例）能清晰显示黄叶区域反射率降低；提取的谱线显示健康叶片具有典型绿峰、红边和近红外高反射，而黄叶在近红外反射率降低、可见光反射率升高，验证了方法的有效性。

**3.3 表型性状建模**
- **EWT建模**：MB-PLSR（20个潜变量）得到R²=0.775，RMSE=1.116，MAE=0.837。叶片法向量贡献仅3.5%，而高光谱数据占96.5%；仅用高光谱数据建模性能相近（R²=0.764）。
- **SPAD建模**：MB-PLSR（5个潜变量）效果一般（R²=0.479），法向量贡献升至17.3%。改用随机森林（训练:测试=8:2）后，测试集R²=0.783，RMSE=2.049，MAE=1.690，且仅少数波段对SPAD敏感。

**3.4 表型性状时间动态**
应用模型于时序高光谱点云，通过552 nm、662 nm、702 nm、852 nm四个波段展示反射率分布（662 nm偏暗，552 nm、702 nm、852 nm偏亮）。SPAD与EWT的垂向三层（顶、中、底）分析显示，8月9日至12日EWT因8月11日暴雨显著上升，随后逐渐下降；进一步细分为六层后，垂直空间异质性更为明显，证明该方法能捕捉同一植株内的生理差异。

#### 讨论与结论总结

讨论指出，传统3D表型忽略生理维度，而高光谱点云通过整合光谱信息扩展了能力，能揭示冠层内SPAD与EWT的垂直异质性，这种空间差异可能被传统方法遗漏。模型中叶法向量贡献较低，归因于标准正态变量变换（SNV）减弱了角度效应。未来需改进近距辐射定标（如半球参考法）以提高精度，并扩展至田间高通量表型。

**结论翻译**：在本研究中，研究人员开发并验证了一个整合高光谱信息与3D点云的框架，以推进植物表型分析。通过将高光谱反射率与SPAD和EWT性状关联，建立了预测模型，实现了性状估计和3D冠层内的直接可视化。结果表明，仅高光谱数据就提供了强大的预测能力，而叶片角度信息贡献很小，这可能归因于SNV预处理在减少角度效应方面的有效性。将该模型应用于时序高光谱点云，进一步揭示了大豆冠层中SPAD和EWT的垂直空间异质性，凸显了该方法在探索精细尺度生理变异方面的潜力。尽管当前分析仅限于较粗略的垂直分层和有限的观测周期，但研究结果强调了高光谱点云作为同时捕获植物性状结构和生理维度的强大工具的前景。未来工作将致力于提高高光谱点云的空间和光谱分辨率，改进非朗伯体条件下的辐射定标，并将该框架扩展到田间尺度和高通量应用。总之，本研究为植物性状估计和时空分析提供了新见解，并为更精确、更全面的3D表型分析奠定了基础。