《Smart Agricultural Technology》：Identification of acidic tolerance in rapeseed varieties based on hyperspectral imaging
编辑推荐：
为应对日益严峻的土壤酸化对农业生产的威胁，研究人员利用高光谱成像与机器学习模型相结合的策略，对65个油菜品种在酸性（pH?=?5.2）与正常（pH?=?6.4）土壤条件下的生长响应进行了高通量表型分析。通过筛选对生长敏感的植被指数和关键光谱波段，构建了综合敏感性系数（SC），成功将参试品种划分为强、中、弱三个耐酸等级，并通过产量和分枝数等农艺性状验证了评价体系的准确性。该研究建立了一套可准确、高效评估油菜耐酸性的高光谱评价体系，为耐酸油菜品种的快速筛选提供了可靠的技术基础。
随着工业活动扩张和酸雨频发，土壤酸化问题日益严峻。据统计，中国约40%的耕地存在不同程度的酸化，并且比例仍在逐年上升。酸性土壤已成为制约油菜生产的关键因素，它不仅损害根系发育，还抑制养分吸收与转运，最终导致产量和品质显著下降，带来巨大的经济损失。因此，培育或筛选具有高耐酸性的油菜品种，对于保障油菜生产的经济效益至关重要。
然而，传统评估作物胁迫耐受性的方法严重依赖于人工测量生理形态指标，如叶绿素含量、株高和气孔导度等。这类方法虽然能反映作物在胁迫下的生理变化，但通常存在效率低、耗时、高度依赖实验经验、可重复性差以及难以实现大规模品种筛选等局限。此外，一些生理指标的测定往往涉及破坏性过程或复杂的化学试剂，不利于连续监测。这些传统方法难以满足现代育种对高通量、非破坏性、连续动态监测的多品种、多时序胁迫评估需求。
与此同时，高通量表型技术的快速发展为表征作物胁迫耐受性提供了更精确、高效的方法。高光谱成像、多光谱成像、RGB成像和热红外成像等新型传感技术，允许以非破坏性、高速、多维、高通量的方式，同时获取跨多个波长的特定表型变异。这些发展为植物胁迫状态的早期识别、精确表征和定量分析提供了强大支持。已有研究在利用光谱成像技术检测作物干旱、盐分等胁迫响应方面展现出巨大潜力，表明应用高光谱表型进行酸性胁迫评估是可行的。
本研究旨在填补在酸性胁迫下油菜品种系统性高通量表型研究的空白。研究应用高通量表型技术，建立了一个基于高光谱数据的油菜不同品种耐酸性评价框架。首先，在油菜生长期的不同土壤pH条件下收集多时序高光谱图像，并通过差异分析识别出对环境响应最显著的生长期。其次，基于与相对生长性能的相关性分析，识别出与酸性胁迫响应相关的光谱指数。同时，利用三种机器学习模型的特征重要性分析，确定了与耐酸性变异相关的关键光谱波段。最后，采用主成分分析-加权求和法将这些光谱指数和选定的波段特征整合，构建了用于油菜耐酸性评估的综合评价指标。随后应用层次聚类法，根据耐酸性水平对测试的油菜品种进行分类。该研究为基于高光谱的耐酸性油菜品种筛选提供了一种实用方法。
为了开展研究，作者运用了多个关键技术方法。研究采用了盆栽试验设计，在自然环境下模拟实际油菜栽培场景，设置了pH?=?5.2（酸性）和pH?=?6.4（正常）两种土壤条件，对来自中国中部地区广泛推广的65个主要油菜品种进行了测试。数据采集使用了高光谱成像系统，在400-1000?nm的近红外光谱范围内，以大约2.4?nm的光谱分辨率，捕捉了油菜在八个连续生长时间点的光谱反射数据。数据处理包括使用标准白板和黑板图像进行校正以消除系统噪声，并采用了基于PaddleSeg工具包和PPLiteSeg架构的深度学习语义分割模型，高效、准确地从图像中提取油菜植株区域，去除背景干扰。数据分析方面，计算了欧氏距离和闵可夫斯基距离以比较不同环境下光谱数据的差异，构建了多种自定义复合指数并结合了34个现有植被指数。通过斯皮尔曼等级相关分析和三种机器学习模型（随机森林RF、极限梯度提升XGBoost、逻辑回归LR）的特征重要性分析，筛选出对生长敏感的关键指数和光谱波段。最终，利用主成分分析加权求和法整合这些关键特征，计算出综合敏感性系数，并采用层次聚类法对品种进行分类。
研究结果
1. 高光谱数据的获取与预处理
研究成功获取了油菜在八个生长期（T1-T8）的高光谱图像数据。经过白板校正、暗场校正以及基于深度学习（PPLiteSeg模型）的语义分割后，有效提取了油菜植株区域的光谱反射信息。移动平均滤波被应用于平滑光谱曲线，以减少噪声并保留关键光谱特征。
2. 酸性胁迫对光谱反射特征的影响
通过比较酸性（pH?5.2）与正常（pH?6.4）条件下油菜的平均光谱反射曲线，发现酸性胁迫显著改变了植株在特定波段的反射率。计算光谱响应指数进一步揭示了油菜在酸性胁迫下，其光谱反射特征发生系统性变化，表明高光谱数据能够敏感捕捉植株对酸性环境的生理响应。
3. 关键植被指数与光谱波段的筛选
通过斯皮尔曼相关分析，从34个现有植被指数和多个自定义复合指数中，筛选出8个与油菜在酸性和正常条件下的相对生长评分显著相关的“生长敏感指数”。同时，利用随机森林、XGBoost和逻辑回归三种机器学习模型对两种环境条件进行分类，并根据模型输出的特征重要性，识别出6个在酸性胁迫下发生显著变化的关键光谱波段。这些指数和波段主要分布在可见光红边区域和近红外区域，与植物的光合作用、色素含量和生物量等生理状态密切相关。
4. 综合耐酸性评价体系的构建与品种分类
采用主成分分析加权求和法，将筛选出的8个生长敏感指数和6个关键光谱波段的数据进行整合，为每个品种计算出一个综合敏感性系数。该系数综合反映了品种在不同土壤pH条件下的光谱响应差异与其生长表现的相关性。基于SC值，对65个参试油菜品种进行层次聚类分析，将其划分为三个耐酸性等级：强耐性（4个品种）、中耐性（26个品种）和弱耐性（35个品种）。
5. 耐酸性评价体系的生理验证
为了验证基于高光谱数据的评价体系的可靠性，研究在成熟期测定了油菜的产量和分枝数等关键农艺性状。结果显示，强耐性品种的相对产量分别比中耐性和弱耐性品种高出10.03%和17.15%，相对分枝数分别高出13.24%和11.14%。这些生理指标的验证表明，基于高光谱SC值的分类结果与品种在实际酸性胁迫下的生长和产量表现高度一致，证实了所建立评价体系的准确性。
研究结论与意义
本研究成功建立了一套基于高光谱成像技术的油菜耐酸性高通量评价体系。该体系通过整合对生长敏感的植被指数和关键光谱波段信息，构建了能够准确量化油菜品种耐酸性差异的综合敏感性系数，并实现了对65个油菜品种的耐酸性分级。生理性状验证结果强有力地支持了该光谱评价体系的可靠性。
这项研究的意义在于：首先，它提供了一种非破坏性、高通量、可重复的作物耐酸性评估新方法，克服了传统人工表型测量的诸多局限性，显著提高了筛选效率。其次，研究明确了在酸性胁迫下与油菜生长密切相关的关键光谱特征（指数和波段），为理解作物响应酸性胁迫的光谱生理机制提供了依据。再次，所建立的评价框架和SC指标具有通用性潜力，经过适当调整后可应用于其他作物或其他非生物胁迫（如干旱、盐碱）的耐受性筛选。最后，该研究成果直接服务于现代作物育种实践，为快速、准确地鉴定和筛选耐酸性强的油菜品种提供了可靠的技术工具和理论依据，有助于应对土壤酸化带来的农业生产挑战，对保障粮食安全和农业可持续发展具有重要的应用价值。该研究发表于《Smart Agricultural Technology》期刊，展示了高光谱表型技术与机器学习在智慧农业和精准育种领域的强大应用前景。
