基于高光谱技术的多基因型小麦生长状况综合监测与分类

《Optics & Laser Technology》：Comprehensive monitoring and classification of multi-genotype wheat growth conditions using hyperspectral technology

　　

摘要
准确评估小麦生长状态是优化田间管理实践和加速优良品种育种的关键步骤。为了解决传统单参数评价方法在全面表征多基因型小麦生长动态方面的局限性，本研究采用了 65 个小麦基因型，在四个发育阶段（拔节期、孕穗期、抽穗期、灌浆期）施用了三种氮肥水平（0、100、200 千克/公顷）。综合生长评价指标（CGEI）是通过主成分分析（PCA）整合四个核心性状构建的。光谱数据使用一阶导数（1ST）、竞争性自适应重加权采样（CARS）和连续投影算法（SPA）算法进行处理。随后，使用堆叠集成学习（SEL）构建了 CGEI 估计模型。结果表明，CGEI 有效整合了多参数生长信息，实现了小麦生长的多维评估。应用 1ST 使 CGEI 与光谱反射率之间的相关系数从 0.663 增加到 0.767，相对提高了 15.686%。CARS 在特征提取方面表现出优越的性能，基于 1ST-CARS 数据集构建的 SEL 模型（1ST-CARS-SEL）达到了最高的估计精度（R2c = 0.841, RMSEc = 0.359, R2v = 0.812, RMSEv = 0.390）。利用最佳模型，应用 K-means 聚类分析对各阶段的生长表现进行分类，从而实现了对多种小麦基因型生长状态的判别。本研究为通过高光谱技术对多基因型小麦进行高通量生长监测提供了理论和技术支持。

引言
全球范围内，小麦是种植最广泛的作物，种植面积超过 2 亿公顷 [1]。对小麦生长进行实时监测和评估对于及时的农业管理和准确的产量预测至关重要 [2]。叶面积指数（LAI）、地上生物量（AGB）、株高（PH）和叶片叶绿素含量（LCC）是反映小麦生长状态的常用关键指标。然而，这些指标的传统测量方法主要依赖人工田间测量或破坏性采样技术。这些常规方法效率低下且费力，缺乏实时能力，同时对大面积快速监测构成挑战，从而限制了其在生产实践中的实际应用 [3]。随着技术的不断进步，高光谱技术的发展为作物生长高通量监测提供了新途径。近年来，利用反射光谱数据估计农艺参数已成为监测作物生长的重要方法 [4]。

目前，许多农艺参数已通过高光谱技术得到有效监测，如 AGB [5]、叶绿素含量 [6]、LAI [7] 等。虽然高光谱遥感能够捕捉地表特征的丰富光谱信息，但以此方式获取的作物冠层光谱往往受土壤背景和环境因素影响，导致光谱数据中存在相当大的噪声 [8]。为解决这些问题，近期研究通常应用光谱数学变换来抑制环境干扰并突出植被的光谱特征 [9]。光谱微分处理是去除光谱噪声的有效方法。 Numerous 研究表明，微分变换可以有效减弱背景干扰，从而更精确地反映地物的光谱特征 [10], [11], [12]。然而，即使经过光谱预处理，高光谱数据集仍包含大量波长变量，给数据建模带来了沉重的计算负担。CARS 和 SPA 是两种主流的特征筛选方法，可以消除冗余光谱波段并简化建模的输入变量。例如，Cheng 等人 [13] 将 CARS 和 SPA 与多种回归算法结合，用于从 Vis-NIR 光谱估计土壤全氮，而 Xing 等人 [14] 利用 CARS 从 FTIR-ATR 和拉曼光谱中选择信息变量用于土壤有机质估计。这些研究表明，适当的光谱变量选择可以简化模型输入，同时保留用于定量预测的有用信息。

随着人工智能的快速发展，农业大数据时代已经到来。机器学习在农业遥感领域变得越来越普遍 [15]。近年来，许多研究人员利用机器学习算法来评估作物的农艺和理化性状 [16], [17], [18]。与回归分析等传统数学建模方法相比，机器学习在数据处理能力、模型灵活性、性能和准确性方面具有明显优势 [19]。然而，单一机器学习算法在某些场景下可能具有局限性。例如，单一的机器学习算法可能会过拟合训练数据，特别是当数据集相对较小或特征维度较高时 [20]。此外，在农业领域，数据之间的关系是线性还是非线性仍然不确定。利用单一的机器学习算法构建模型可能会因数据的线性或非线性特征而导致预测不准确 [21]。堆叠集成学习（SEL）作为一种有效的方法，通过整合多个弱学习器形成稳健模型，从而提高了预测的准确性和稳定性。SEL 在处理高维和复杂数据方面表现出显著优势 [22]。例如，Huang 等人 [23] 开发了一个两层集成堆叠模型，将 SVR、BPNN 和 PLSR 作为基学习器，MLR 作为元学习器，用于春玉米叶片叶绿素含量的高光谱估计。他们的结果显示，堆叠模型比单独的基模型取得了更好的预测性能。这一应用展示了堆叠集成学习在整合不同回归算法进行高光谱作物监测方面的潜力，并为本研究的支持提供了依据。

单个农艺参数的遥感反演一直是以往作物生长监测研究的主要焦点。机器学习算法已被广泛用于估计小麦的叶绿素含量 [24]、氮含量 [25] 和叶面积指数（LAI）[26] 等性状，提供了关于作物生长特定生理或结构方面的有用信息。然而，随着精准农业从单性状诊断转向综合生长评估，传统单参数评估的局限性日益显现。LAI 主要表征冠层发育和光截获，地上生物量（AGB）反映干物质积累，株高（PH）描述冠层垂直结构，而叶片叶绿素含量（LCC）指示叶片的光合和生理状态。因此，这些性状提供的是互补而非可互换的信息，没有任何单个参数能完全表征小麦的整体生长状况。

此外，单个性状的农艺意义在整个作物周期中会发生变化。在营养生长期间，冠层扩张和叶绿素状态强烈影响光截获和光合能力，而在抽穗后，作物发育越来越多地涉及生殖生长、生物量积累、同化物分配和叶片衰老。因此，在某一个阶段能有效表征作物生长的性状，在另一个阶段可能变得信息量不足。田间表型化研究因此强调，有效的作物评估应整合植物在时间和冠层空间上的表现 [27]。不同小麦品种的田间表型化进一步表明，叶绿素荧光、株高和植被指数表现出不同的季节响应，表明单个性状提供的信息在不同发育阶段有所不同 [28]。因此，依赖单个性状可能会给作物生长评估带来性状和阶段特异性的偏差。

这种局限性在包含多样基因型的育种田间进一步放大。物候、冠层结构、生物量分配、营养获取和叶片衰老方面的遗传差异可能导致结构、生理和生物量相关性状在不同基因型和发育阶段表现出不同的响应。此外，某些表型性状在遗传上是部分独立的，这意味着在某个性状上具有高值的基因型可能不会在其他性状上表现出相应的优势。例如，Wen 等人 [29] 观察到在对比水分条件下小麦的形态、生理、生化和产量相关性状存在显著的基因型变异。他们的结果显示，利用 PCA 和隶属函数整合多个性状比依赖单一指标能提供更可靠的抗旱性分类。同样，Zhou 等人 [30] 指出，利用一个或少数品种开发的预测模型在多品种育种群体中可能不再稳定，因为遗传差异改变了性状和产量的分布。这些发现表明，单性状评估可能会掩盖育种材料的多维度和阶段依赖性生长表现。

因此，将互补的农艺性状整合到一个综合指数中可以减少对任何单个性状的依赖，并为跨基因型和发育阶段的小麦生长提供更稳定的表征。然而，多基因型小麦群体综合生长指标构建和高光谱估计的研究仍然不足。因此，本研究通过整合 LAI、AGB、LCC 和 PH，开发了一个基于 PCA 的综合生长评价指标（CGEI）。随后，结合高光谱数据、特征波长选择和堆叠集成学习来估计 CGEI 并评估多种基因型和发育阶段的小麦生长状态。

章节片段
实验设计
实验于 2023 年 10 月至 2024 年 6 月在中国山西省晋中市山西农业大学实验基地进行。如图 1 所示，实验设计结合了 65 个小麦基因型（包括地方品种、主要商业品种、新品种、核心种质和外来品种）与三种氮肥（N）施肥速率（0、100 和 200 千克/公顷），共形成 195 个独立小区。播种前，磷（P）和钾（K）...

小麦生长参数变异分析
图 4 展示了小麦在四个关键生长阶段（拔节期、孕穗期、抽穗期和灌浆期）LAI、AGB、LCC 和 PH 的分布特征。从整体变异趋势来看，LAI、LCC 和 PH 从拔节期到抽穗期呈增加模式，其平均值在抽穗期达到峰值。相比之下，AGB 持续积累，并在灌浆期达到最大值，反映了干物质的持续积累。

CGEI 系统评估小麦生长状况的有效性和优势
在涉及多基因型种植（例如育种田）的场景中，基于单个农艺参数的传统小麦生长评估的局限性变得尤为突出 [35]。育种田通常包含数十到数百个小麦基因型，由于遗传背景的差异，这些基因型之间存在显著的表型分化 [36]。在这种情况下，基于单个参数的评估可能提供不一致的结论...

结论
为解决传统小麦生长评估依赖单个农艺参数且无法全面表征多基因型材料综合生长状态的瓶颈，本研究聚焦于 65 个小麦基因型。它整合了包括 LAI、AGB、PH 和 LCC 在内的多个参数，并使用 PCA 构建了综合生长评价指标。此外，本研究系统地将高光谱技术与机器学习方法相结合，以实现...

CRediT 作者贡献声明
闫晓斌：写作 – 初稿，概念化。陈燕霞：方法学，数据整理。孙辉：调查。冯美辰：监督。乔星星：数据整理。赵宇：监督。王超：资源，项目管理。杨武德：验证，资金获取。

利益冲突声明
作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本论文中报告的工作。

致谢
本工作得到了山西省研究生科研创新项目（2023KY304）、国家外国专家项目（H20240524）、山西省基础研究计划（202303021212260）、山西省科技合作交流专项（202404041101002）、现代农业产业技术体系建设专项经费（2024CYJSTX02-23）以及山西省基础研究计划（202303021212090, 202203021211275）的支持。

Xiaobin Yan|Yanxia Chen|Hui Sun|Meichen Feng|Xingxing Qiao|Yu Zhao|Chao Wang|Wude Yang