《Microchemical Journal》：Rapid non-destructive detection of salt–alkali stress levels in maize seedlings using portable near-infrared spectroscopy and CPO-optimized cascaded deep learning
编辑推荐：
Haiou Guan|Jiafan Li|Xiaodan Ma|Jiao Yang•本研究构建了一种基于CPO优化的CNN-BiLSTM-Attention级联框架，用于无损检测玉米幼苗的盐碱胁迫程度。•结合LWT与SG预处理方法后，高频噪声降低了16.6%，同时保留了光谱形态特
Haiou Guan|Jiafan Li|Xiaodan Ma|Jiao Yang
- •
本研究构建了一种基于CPO优化的CNN-BiLSTM-Attention级联框架，用于无损检测玉米幼苗的盐碱胁迫程度。
- •
结合LWT与SG预处理方法后，高频噪声降低了16.6%，同时保留了光谱形态特征。
- •
PLS-VIP从228个变量中筛选出76个具有信息量的波长，使变量数量减少了66.67%，同时仍保留了重要的区分信息。
- •
仅使用这76个选定波长，所提出的模型就实现了95.08%的准确率以及95.39%的F1分数，平均推理时间仅为0.002083秒。
引言
土壤盐渍化引发的盐碱胁迫是限制农作物生产的重大非生物胁迫之一[1]。它通过渗透压胁迫、离子毒害和碱性伤害干扰作物的水分吸收与养分平衡，从而抑制作物生长发育，最终降低产量与品质。全球约有13.81亿公顷土地受到盐分影响，占世界陆地总面积的10.7%，另有约10亿公顷土地存在盐渍化风险[2]。因此，盐碱胁迫已成为农业可持续发展面临的重大挑战。作为重要的粮食及饲用作物，玉米对盐碱环境极为敏感。在幼苗期，过量的盐分和碱性物质会削弱根系活力，限制叶片的光合作用能力，并扰乱生理代谢过程[3]，进而影响植株的生长及产量形成。在中国，一些盐碱地区的耕地在作物出苗后常常会出现盐分返渗现象，此时幼苗期的土壤盐分很容易达到较高水平[4]，这使得玉米幼苗更容易出现生长弱化及明显的胁迫表现。幼苗期是玉米营养生长的关键阶段[5]，此时植株对不良环境条件极为敏感，因此适合进行早期诊断并及时采取调控措施。因此，建立一种快速、无损且定量的方法来识别盐碱胁迫程度，对于准确评估玉米幼苗生长状况、在盐碱地实施科学的栽培管理以及筛选耐胁迫品种具有重要意义。
盐碱胁迫会抑制作物生长并影响产量形成。以往的研究从生理机制和监测技术两个方面揭示了其危害，并提出了多种胁迫识别与评估方法。近年来，由于具备大规模覆盖、无需接触操作以及信息量丰富等优点，遥感技术和高光谱成像已成为盐碱胁迫监测的重要技术手段[6]。利用可见光和近红外波段的光谱信息，可以分析作物含水量、色素组成及组织结构的变化，从而快速识别由盐碱胁迫引起的生理变化[7]。与传统土壤采样检测方法相比，这些方法在监测效率、可扩展性以及重复观测能力方面具有明显优势[8]。与此同时，机器学习与深度学习模型的引入进一步提升了高维光谱数据的特征表示能力和区分能力[10]，为盐碱胁迫的检测与分级提供了新的思路[9]。近期研究还强调了信息融合在盐碱胁迫监测中的重要性。Gu等人[11]将低场核磁共振技术与多光谱成像相结合，用于小麦幼苗的盐碱胁迫分类，证明互补的生理与光谱信息能够提升无损胁迫诊断的准确性。Yang等人[12]则将无人机多光谱指数、纹理特征以及集成学习方法结合起来，用于盐碱地区玉米的生长监测与施肥优化，凸显了在田间尺度盐碱条件下多源特征融合的重要性。这些研究显著提升了盐碱胁迫的无接触自动化监测水平，推动了从定性识别向分级评估的发展，为精准农业管理提供了重要支持。然而，目前基于光谱或图像的盐碱胁迫检测方法仍面临若干关键挑战。在实际田地中，盐碱胁迫通常是一个持续发展的过程，对其胁迫程度的定量评估与稳定分类仍然较为困难[13]。特别是在背景噪声、光照变化以及个体差异的共同作用下，模型输出的稳健性与一致性仍有待提升。现有的研究大多仍以单一模型或独立的架构为主，往往只侧重于某一种特征表示方式，因此难以同时兼顾局部光谱响应、跨波段相关性以及关键区分信息的自适应强化[14]。因此，构建一个能够满足多层次建模需求、实现多层特征逐步提取与协同表示的级联模型，已成为提升盐碱胁迫检测精度与稳健性的关键所在。
在近红外光谱中，盐碱胁迫信号表现为细微的局部变化、复杂的跨波段相关性以及关键响应分布的不均匀性，这使得单一结构难以同时实现多层次特征建模。为解决这一问题，本研究首先引入卷积神经网络从连续的光谱序列中提取局部响应模式。随后，为了捕捉远处敏感波段之间的相关性变化及上下文依赖关系，采用了双向长短期记忆网络对卷积特征进行双向序列建模。此外，为解决高级特征贡献不均以及冗余干扰问题，该框架中还嵌入了自注意力机制。同时，研究采用了Crested Porcupine优化器对级联模型中的关键超参数进行联合优化，从而提升了模型在盐碱胁迫检测中的稳定性与分类性能。
章节要点
数据收集
实验材料取自位于中国北部黑龙江省大庆市龙凤区的黑龙江八一农垦大学（东经125°08′16″，北纬46°34′03″）。该地区属于温带大陆性季风气候，年累计温度约为2842℃，年平均降水量约为486毫米，年总太阳辐射量约为4914 MJ·m?2。该地处于松嫩平原上，
预处理结果分析
为在噪声抑制与光谱保真度之间实现可量化的权衡，本研究对比评估了五种预处理方案，即原始光谱、LWT处理、SG处理、LWT+SG组合处理以及SG+LWT组合处理。评估指标包括：
(i) 光谱角度映射器（SAM）：
SAM用于测量预处理后的光谱与参考光谱之间的角度差异。SAM值越小，说明光谱畸变越小，峰形及整体轮廓的保留程度越好。
模型构建的合理性与稳定性分析
为进一步分析所提模型中各组成部分对盐碱胁迫识别过程的贡献，本研究从预处理与特征选择、模型架构以及基于CPO的优化三个方面开展了消融实验。
从预处理结果来看，升频小波变换与Savitzky–Golay平滑处理都能提升模型的识别性能，其中LWT+SG组合预处理的效果最佳，模型的准确率
结论
研究表明，在本研究的实验条件下，基于近红外光谱的级联模型在检测玉米幼苗的盐碱胁迫程度方面表现出良好的性能。该模型仅保留76个特征波长变量，就在测试集上达到了95.08%的整体准确率，精确度、召回率及F1分数分别为96.84%、94.50%和95.39%。与使用原始光谱输入的模型相比，这些指标
CRediT作者贡献声明
Haiou Guan：资金获取、概念构思。Jiafan Li：初稿撰写、方法设计。Xiaodan Ma：方法实现。Jiao Yang：实验开展、数据整理。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢
本研究得到了以下项目的共同资助：中国黑龙江省“双一流”协同创新项目（资助编号：LJGXCG2025-P22、LJGXCG2022-107），中国黑龙江省自然科学基金（资助编号：LH2024C076），中国黑龙江省高校基础研究青年人才计划（资助编号：YQJH2024170），中国大庆市引导性科技计划项目（资助编号：zd-2025-045）。
