《Smart Agricultural Technology》：AI-Enhanced Hyperspectral Imaging Approach for Precise and Non-destructive Phase-Specific Detection of Drought Stress in Sweet Basil
编辑推荐：
准确且无损地检测干旱胁迫对于精准灌溉和可持续作物管理至关重要。在甜罗勒（Ocimum basilicum L.）中，轻度干旱和干旱恢复可能表现出相似的视觉症状，但需要不同的灌溉决策。本研究旨在开发一个基于人工智能增强的高光谱成像框架，以分类四种水分状态阶段：充
准确且无损地检测干旱胁迫对于精准灌溉和可持续作物管理至关重要。在甜罗勒（Ocimum basilicum L.）中，轻度干旱和干旱恢复可能表现出相似的视觉症状，但需要不同的灌溉决策。本研究旨在开发一个基于人工智能增强的高光谱成像框架，以分类四种水分状态阶段：充分灌溉、轻度干旱、干旱恢复和严重干旱。研究获取了配对的可视-近红外（VNIR，400-1000 nm）和短波红外（SWIR，900-1700 nm）数据集，涵盖了所有四个阶段，每株植物均进行成像，并通过叶片含水量验证阶段标签。该流程使用归一化植被指数-红边位置（NDVI-REP）核密度估计来表征光谱分布，并通过像素级K-means聚类来勾画感兴趣区域。为解决类别不平衡问题，仅对训练集应用了基于自编码器（autoencoder, AE）和生成对抗网络（GAN）的数据增强。随后，在植株层面数据分割下训练和评估了四种机器学习模型和一维卷积神经网络（1D-CNN）。基于SWIR的模型始终优于基于VNIR的模型。采用GAN增强的SWIR 1D-CNN取得了最佳的整叶分类准确度0.800，在所有四个阶段（包括管理关键的轻度干旱和干旱恢复类别）之间实现了平衡。聚类级分析鉴定出叶边缘为SWIR域中最具信息量的区域（准确度0.892）。通过解决传统二元胁迫检测无法分离的生理上不同的阶段，该框架为甜罗勒的精准灌溉提供了阶段性特定信息。
甜罗勒（Ocimum basilicum L.）作为一种重要的经济型香草作物，因其在烹饪和药用领域的广泛应用而备受重视，全球产量已从2008年的56吨增长至2023年的1,433吨。然而，甜罗勒对干旱胁迫高度敏感，干旱会通过破坏渗透调节、膜完整性和光合色素来降低其产量和品质。由于胁迫响应随强度和持续时间而变化，精准检测胁迫阶段对于栽培管理至关重要。
传统的干旱胁迫评估方法依赖于视觉观察或破坏性的生化测定，如丙二醛（MDA）和脯氨酸测定，这些方法虽具信息量，但劳动密集、耗时且不适合实时监测。早期生理响应常发生在微观组织层面，难以通过视觉检测。因此，能够捕捉早期生理胁迫响应的非破坏性和自动化传感方法成为重要研究方向。高光谱成像（HSI）能够获取数百个窄波段的连续光谱反射率，提供像素级生理信息，为精准干旱胁迫检测提供了新机遇。
本研究由Kyung Hee University智能农业科学系的Chi-Won Choi、Yu-Jin Jeon、Min Jeong Hong、Choon-Tak Kwon、Won Suk Lee和Dae-Hyun Jung等研究人员完成，旨在建立一个人工智能增强的高光谱框架，用于甜罗勒的阶段性干旱胁迫分类。研究将干旱划分为四个阶段：充分灌溉（WW）、轻度干旱（MD）、干旱恢复（DR）和严重干旱（SD），这些阶段基于灌溉制度定义并通过叶片含水量验证。研究人员利用VNIR和SWIR两个域的高光谱数据，分析了与每个阶段相关的胁迫依赖性生理响应。该研究成果发表在《Smart Agricultural Technology》期刊上。
本研究采用的关键技术方法包括：使用VNIR（400-1000 nm，120个光谱波段）和SWIR（900-1700 nm，140个光谱波段）高光谱相机在受控温室条件下采集甜罗勒植株的反射光谱数据，样本来源于60株甜罗勒的阶段性干旱实验队列，包括20株充分灌溉对照和40株水分胁迫植株。光谱预处理方面，采用Savitzky-Golay平滑去噪，并分别针对VNIR和SWIR域进行植被分割——VNIR域使用NDVI掩膜，SWIR域采用基于1300 nm和1500 nm阈值的两步阈值法。然后通过核密度估计（KDE）分析NDVI-REP联合分布，采用K-means聚类进行像素级空间分区和感兴趣区域（ROI）构建。数据增强策略包括基于自编码器（AE）的隐空间插值和基于生成对抗网络（GAN）的合成数据生成。光谱归一化采用标准正态变量变换（SNV）和多元散射校正（MSC）。分类模型涵盖四种传统机器学习算法（k-近邻、支持向量机、随机森林、XGBoost）以及一维卷积神经网络（1D-CNN），模型评估采用植株层面8:2分割的 plant-aware 交叉验证，以准确度、F1分数和AUC作为评价指标。
研究结果部分，首先通过VNIR与SWIR波长对比分析干旱胁迫检测效果。平均反射光谱比较显示，VNIR区域在546 nm处呈现绿色反射峰，450 nm和657 nm处因花青素和叶绿素吸收而下降；SWIR区域在1072 nm处有NIR反射峰，1464 nm处因水分吸收形成吸收带。SWIR区域反射率按WW、DR、MD、SD顺序递减，但在1450 nm水分吸收带附近呈现反转模式，WW反射率最低而SD相对较高。逐日光谱分析表明，SWIR域比VNIR域更能敏感捕捉阶段性干旱胁迫的时间 progression 和恢复过程。
NDVI-REP指数的核密度分布特征分析显示，WW阶段NDVI-REP联合分布呈现明确的高密度峰值（峰值核密度0.251），MD阶段高密度区域变得模糊（峰值0.239），DR阶段峰值恢复至0.251且分布更为集中，SD阶段分布最为弥散且峰值最低（0.194）。从WW到SD，KDE分布呈现逐渐扁平化趋势，表明分布形状本身携带了均值指数无法反映的信息。
基于K-means聚类的干旱胁迫响应空间分析中，通过肘部法则和Calinski-Harabasz指数确定最优聚类数为3。空间分布解释将Cluster 0定义为叶边缘、Cluster 1为中间区域、Cluster 2为叶中心区域。量化分析表明，两个光谱域中Cluster 0（叶边缘）比例均为WW最低而SD最高，MD和DR处于中间水平；该模式与叶边缘对水分丧失和光合效率下降更为敏感的已知结论一致。
三维t-SNE训练数据多视角分析验证了数据增强效果。原始VNIR数据中MD、DR、WW三类高度重叠而SD部分分离；AE增强后SD类更清晰、MD类开始松散聚类；GAN增强后SD形成紧凑孤立簇，DR和MD类分布更集中，类间分离度显著提升。SWIR数据的t-SNE显示出类似模式，GAN增强在所有视角下均实现最佳类分离。
光谱归一化效果的三维可视化表明，MSC和SNV均能有效降低样本间变异性，SWIR域的改善效果尤为明显，水吸收带特征在归一化后保持清晰可辨。
机器学习与1D-CNN模型干旱胁迫检测能力比较显示：VNIR数据上SVM表现最佳（原始数据准确度0.775），但各模型性能普遍有限；SWIR数据上SVM同样领先（GAN增强后0.775），而1D-CNN在SWIR域取得最大性能增益，GAN增强后准确度达0.800，为所有模型-模态组合中最高，F1分数0.799与准确度接近表明四类间分类平衡。该优势源于一维卷积能够从连续反射波段中提取局部光谱特征。混淆矩阵分析揭示，SWIR 1D-CNN对四个阶段（包括管理关键的MD和DR阶段）均保持至少0.65的准确度。
基于K-means衍生叶片区域的聚类级分类进一步挖掘了空间信息价值。SWIR域所有三个聚类均超过对应整叶Raw非增强基线（0.758），其中叶边缘（Cluster 0）表现最优（准确度0.892、F1分数0.889、AUC 0.981），中间区域（Cluster 1，0.850）和中心区域（Cluster 2，0.833）亦表现卓越；而VNIR域仅Cluster 1（0.675）超过整叶基线，叶边缘排名最低。这表明叶边缘的干旱信号空间集中是SWIR域特有的现象，与水分吸收敏感性高度相关。
讨论部分，研究人员首先阐释了SWIR优于VNIR的生理机制：SWIR区域反射率受叶片水O-H键相关吸水特征强烈影响，尤其近960、1200和1450 nm波段；干旱引起的叶片含水量和膨压降低导致叶肉细胞收缩、气水比变化和组织结构部分破坏，这些耦合的生理和结构变化通过影响光在叶内的光学路径而被SWIR敏感捕捉。相比之下，VNIR主要反映光合色素和叶片内部结构变化，这些响应与更长期或更严重胁迫相关，恢复速度较慢，导致MD和DR阶段在VNIR光谱上大量重叠。
NDVI-REP联合分布的核密度可视化虽能反映色素相关胁迫响应的整体分布特征，但其依赖整叶平均光谱的局限性促使K-means ROI策略的开发。该空间分析揭示的叶边缘扩张模式与边缘区域更早响应水分丧失的已知规律一致，且叶边缘在SWIR域的聚类级分类中表现最优，收敛于"边缘是干旱胁迫首先变得空间明显且SWIR特征最强表达的位置"这一结论。
与既往研究的比较表明，虽然部分报道的准确度数值更高，但这些研究多针对二元或三等级分类，且极少涵盖恢复阶段。本研究解决的四阶段分类在本质上更为困难，尤其是MD与DR的区分具有直接管理意义——两者可能呈现可比视觉症状但需要相反灌溉决策。plant-aware评估方式（同株植物所有光谱限定于同一折）也保证了结果的保守性和可靠性。
数据增强方法的影响分析指出，GAN通过学习底层非线性数据分布产生比AE线性隐空间插值更高的类内凝聚度和类间分离度；其在SWIR域的增益相对有限，反映原始SWIR特征已高度可区分；而在VNIR域对SD识别准确率的提升尤为显著。
研究结论部分翻译如下：本研究整合了VNIR和SWIR高光谱成像与机器学习和深度学习。其成果是一个针对甜罗勒阶段性干旱胁迫分类的无损检测框架。核心贡献在于可靠分离轻度干旱和干旱恢复阶段。这两个阶段存在重叠的视觉症状但需要相反的灌溉响应。统一流程结合了NDVI-REP核密度估计、像素级K-means感兴趣区域选择、SNV归一化和1D-CNN。它分离了轻度干旱与充分灌溉和干旱恢复条件，而仅靠VNIR特征无法实现这一点。在整叶模型中，SWIR 1D-CNN取得了约0.8的最高准确度。在聚类层面，所有三个叶片区域均超过此整叶基线，其中叶边缘（Cluster 0）最高达0.892。这表明SWIR优势在叶片各区域均稳健存在。
除分类性能外，该框架对精准灌溉管理具有直接价值，因为它能区分正在恢复与持续胁迫的植株。因此灌溉决策可与生理状态而非视觉外观相匹配，从而减少过度灌溉和灌溉不足。本研究生成的数据集涵盖了VNIR和SWIR区域的连续四阶段干旱条件，捕捉了从充分灌溉经轻度干旱至严重干旱再到干旱恢复的完整轨迹。此类数据集为开发甜罗勒及相关作物的阶段性干旱胁迫模型提供了有用基础。
该框架在受控温室条件下基于单一甜罗勒栽培品种开发，其在其他品种、生育期和田间环境中的可转移性尚待确立。未来工作将拓展验证至更多品种和作物物种，并评估可变户外光照条件下的性能以实现田间尺度部署。将分类器集成到实时精准灌溉控制系统是进一步的任务。使用原始空-谱图像数据替代区域平均光谱是另一方向，有助于捕捉叶片内部异质性。这些步骤将推动该框架从受控环境概念验证走向农业中的操作性智能传感和数据驱动决策支持。
