微塑料污染已成为全球性的环境问题，其在土壤生态系统中的不断积累会对农业生产构成潜在威胁（Liang et al., 2024）。土壤中的微塑料颗粒会被植物根系和茎干吸收，干扰碳氮代谢，导致活性氧积累，并引发植物的抗氧化系统应激反应（Ren et al., 2024）。人参是五加科的一种多年生草本植物，因其具有免疫调节和神经保护作用而被广泛用作传统药材。然而，由于人参根系较浅且生长周期较长，它对土壤污染极为敏感。人参在种植过程中会使用各种塑料制品，如地膜和遮光网，这就使得人参容易受到残留的老化微塑料这一非生物胁迫因素的影响。有研究表明，微塑料胁迫会对三七的生理功能造成严重损害，还会破坏其根际微生物群落，进一步威胁三七的药材质量（Li Z, 2025）。不过，目前仍缺乏有效的手段来监测微塑料胁迫下人参的生理状态，因此亟需开发一种快速、无损的评估方法。
目前，监测微塑料胁迫对植物生理影响的手段大多依赖于破坏性取样（Jiang et al., 2019; Li et al., 2023）。例如，魏等人利用显微镜观察了水稻根系和茎干中微塑料的积累情况（Wei et al., 2025），王等人通过质谱法测定了组织中的微塑料含量（Y. Wang et al., 2025），Cannea等人则总结了利用生理和生化方法测定植物抗氧化酶活性的相关研究（Cannea & Padiglia, 2025）。高光谱成像技术能够根据光谱数据与化学成分之间的对应关系来识别植物的化学特征，从而反映其生理状态。通过捕捉胁迫引起的叶片生化成分变化，高光谱成像可以快速评估植物的生理状况（Hassan & Chang, 2025; Sampaio et al., 2025; Wei et al., 2025）。该技术在作物营养诊断、水分胁迫监测以及品质评价方面已经取得了显著进展（Chopra et al., 2025; Furbank et al., 2021; Hassan & Chang, 2025）。为了充分利用高光谱数据中蕴含的丰富信息，越来越多的机器学习算法被引入到高光谱分析流程中。这些算法能够有效处理高维光谱数据，提取潜在特征，并建立光谱特征与植物生理性状之间的量化关系（Nemane et al., 2026）。例如，机器学习模型在估算棉花叶片叶绿素含量方面表现优异（Thorp et al., 2024）。在甘薯和马铃薯的胁迫检测中，通过特征波长选择可以显著降低数据维度（Park et al., 2025）。这些研究为高光谱成像和机器学习在植物胁迫监测中的应用奠定了方法学基础。
作为药用部分的地下根部及其活性化合物的积累直接决定了人参的药材质量。然而，传统的质量评估方法需要破坏性地采集根部样本，这不仅无法在不损伤植物的情况下获取地下部分的信息，还可能影响样本的代表性。近年来，有一些研究探索了利用地上部分的光谱特征间接预测地下生理状态的可行性。例如，通过叶片光谱预测根系酶活性或土壤重金属含量，为原位根系检测提供了新的方法（Y. Wang et al., 2025; Zhou et al., 2024）。这说明叶片的光谱信息中包含着根系状态变化的信号。在微塑料胁迫的情况下，地上部与地下部的生理反应之间也可能存在类似的关联。因此，建立地上-地下预测模型有望实现微塑料胁迫的早期预警以及药材质量的无损评估。不过，目前基于地上部指标预测微塑料胁迫下作为主要药用部分的人参地下部生理状态的研究还非常有限。所以，亟需基于高光谱成像和机器学习，开发一种快速、无损的人参微塑料胁迫生理状态检测方法。
在本研究中，我们用不同浓度的聚乙烯微塑料对人参进行胁迫处理，同时采集叶片的高光谱图像，并检测九项指标：总叶绿素、可溶性糖、可溶性蛋白、地上部超氧化物歧化酶、地上部过氧化物酶、地上部过氧化氢酶、地下部超氧化物歧化酶、地下部过氧化物酶以及地下部过氧化氢酶。在此基础上，我们运用多种机器学习算法（如支持向量机、偏最小二乘回归等）和深度学习算法（如卷积神经网络等）构建微塑料胁迫分类模型和生理指标预测模型，同时比较了不同特征波长选择策略（连续投影算法、竞争自适应加权采样）的应用效果。本研究旨在：（1）阐明聚乙烯微塑料胁迫下人参地上部与地下部的生理响应特征；（2）基于高光谱成像与机器学习，建立快速、无损的微塑料胁迫识别及关键生理指标检测模型；（3）通过特征波长选择降低高光谱数据的维度，提高模型的计算效率；（4）探索利用地上叶片的光谱特征间接表征地下部生理状态的可行性。本研究结果将为快速评估微塑料胁迫下人参的生理状态和品质形成提供方法参考，为农业环境中微塑料污染胁迫的早期诊断提供技术路径，同时也有助于推动高光谱成像在药用植物精准栽培和智能监测中的应用。
