《Horticulturae》：Comparative Vine-to-Wine Assessment of Malvasia di Candia Aromatica Grafted onto Four Rootstocks: Mineral Nutrition, Grape Composition, and Wine Volatile Profile
编辑推荐：
辣椒生产在中国新疆南部受到日灼病的严重制约，日灼病是一种由强烈太阳辐射和高温引起的非侵染性生理病害，会损害果实品质和产量稳定性。本研究提出一个互补多特征融合框架，整合主成分分析（Principal Component Analysis, PCA）、二维相关光谱
辣椒生产在中国新疆南部受到日灼病的严重制约，日灼病是一种由强烈太阳辐射和高温引起的非侵染性生理病害，会损害果实品质和产量稳定性。本研究提出一个互补多特征融合框架，整合主成分分析（Principal Component Analysis, PCA）、二维相关光谱（Two-Dimensional Correlation Spectroscopy, 2DCOS）和竞争自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS），利用高光谱成像实现对辣椒日灼病的准确三级（健康、轻度、重度）无损分类。研究人员采集了“Xiangla 702”辣椒果实的高光谱图像，并通过小波变换去噪进行预处理；提取了三个特征集，并在单特征、两两融合和三重融合方案下，使用支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）和K近邻（K-Nearest Neighbors, KNN）进行分类。消融实验表明，在所有分类器中，三重特征融合均一致优于单特征和两两融合策略。最优的PCA-2DCOS-CARS-SVM模型预测集总体准确率达到97.2%，宏F1分数为0.963，Kappa系数为0.956，其中健康和轻度（早期）样本的召回率均为100%，重度样本的召回率为90.9%。这些发现证实，互补多特征光谱融合可提升日灼病分级性能，为园艺作物生理性病害的无损评估提供了有前景的方法参考。
辣椒是全球广泛种植的重要蔬菜作物，中国是主产国之一。新疆南部干旱大陆性气候区太阳辐射强、生长季温度高，适宜辣椒栽培，使辣椒成为当地经济支柱。然而，同一气候条件也持续诱发了日灼病——一种由强光和高温导致的非侵染性生理病害，造成果实表皮脱水、坏死和结痂，降低商品价值并易引发继发感染。随着种植面积扩大和极端高温天气频繁，日灼病对辣椒生产构成显著制约。目前日灼病严重度分级主要依赖人工目视评估，存在主观性强、劳动密集、通量低且缺乏统一标准等问题，延误田间干预。因此，开发客观、快速、无损且精准的分级技术成为迫切需求。高光谱成像（Hyperspectral Imaging, HSI）技术结合光谱响应与空间信息，已在多种作物病害检测中应用，但现有辣椒高光谱研究多集中在生物胁迫（如根腐病、病毒病、真菌性枯萎病和虫害），且大多仅进行健康与感病的二分类，对非侵染性、连续发展的日灼病缺乏系统研究。本研究假设主成分分析（Principal Component Analysis, PCA）、二维相关光谱（Two-Dimensional Correlation Spectroscopy, 2DCOS）与竞争自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）所提取的特征具有互补性，三者融合可有效提高辣椒日灼病三级（健康、轻度、重度）分类精度。
研究人员在新疆阿拉尔市塔里木大学试验基地（40.65° N, 81.07° E）于2025年9月10日采集“Xiangla 702”辣椒果实，经筛选共获得218个有效样本，其中健康样本106个、轻度日灼样本44个、重度日灼样本68个。依据果实表面病斑比例由两名经过训练的评估者独立进行视觉分级，并以分层留出法按约2:1划分为校正集（147个）和预测集（71个），校正集包含72个健康、29个轻度和46个重度样本，预测集包含34个健康、15个轻度和22个重度样本。整个研究过程包括高光谱图像采集与标定、离散小波变换（Discrete Wavelet Transform, DWT）去噪、特征提取、特征融合与模式识别建模，并通过消融实验系统比较了单特征、两两融合和三特征融合策略下的支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）和K近邻（K-Nearest Neighbors, KNN）分类性能。最终最优模型实现了预测集总体准确率97.2%、宏F1分数0.963和Kappa系数0.956，其中健康与轻度样本召回率均达100%，重度样本召回率为90.9%。这一结果证实了互补多特征光谱融合对日灼病分级性能的提升作用，为园艺作物生理病害的无损评估提供了方法学参考。
在关键技术方法方面，研究人员采用FS-64C推扫式高光谱相机，波长范围390–1712 nm、共688个光谱通道，配合卤素灯照明系统与电动平台获取反射率图像；从每个果实表面选取4个30×30像素的感兴趣区域（Region of Interest, ROI）并平均其光谱。光谱预处理采用db4小波基的四层离散小波变换，结合软阈值收缩去除高频噪声。特征提取方面，PCA以累计方差贡献率95%为阈值提取主成分；CARS基于蒙特卡洛采样与偏最小二乘回归系数筛选出24个特征波长；2DCOS以日灼严重度等级作为外部扰动变量，计算同步相关光谱并选取自峰值对应的敏感波长。分类模型采用径向基函数核的SVM、RF和KNN，超参数通过五折交叉验证优化，模型性能以总体准确率、宏F1分数和Kappa系数进行评估。
研究结果部分如下：
3.1 光谱分析：通过比较健康、轻度和重度样本的平均反射光谱，发现所有光谱在592–1531 nm内总体趋势相似，但在可见光区600–700 nm健康样本反射率最高，并依次高于轻度与重度样本；近红外区750–1100 nm的反射率随日灼严重度增加而逐渐降低；水相关吸收谷位于约980 nm、1200 nm和1430 nm，且随严重度增加而趋于平缓。标准差带随严重度变宽，表明重度样本具有更强的光谱异质性。
3.2 光谱预处理结果：多分辨率分析显示原始光谱中的第1–3层细节分量主要是高频随机噪声，而第四层近似分量与原始光谱趋势高度一致，保留了主要吸收特征。经软阈值去噪后的光谱明显更平滑，同时保留了原始光谱的关键信息，可用于后续建模。
3.3 单特征提取与建模：PCA得分图中前两个主成分累计解释97.0%的方差，健康、轻度和重度样本呈现可区分但部分重叠的聚类趋势，轻度和重度之间的重叠说明仅依靠PCA特征难以完全区分相邻等级。CARS迭代过程中，样本变量数由约500降至24，当迭代次数超过28次后交叉验证均方根误差急剧上升，因此选择24个特征波长，主要集中在600–700 nm色素吸收区与1400–1500 nm水分吸收区。2DCOS同步光谱沿对角线出现3个自峰值，顶点分别位于778、1071和1381 nm，其中778 nm相关性最强。单特征建模结果显示，PCA-SVM性能最优，预测总体准确率为0.958，但所有单特征模型对轻度样本的召回率均较低，存在轻度与重度之间的误分类。
3.4 消融分析：在两两融合方案中，2DCOS-CARS融合能够提升2DCOS单特征模型的表现，而PCA-CARS和PCA-2DCOS融合未能超过单独使用PCA特征。采用PCA-2DCOS-CARS三特征互补融合后，各分类器性能进一步提升，其中SVM达到最优预测结果，总体准确率为0.972，宏F1分数为0.963，Kappa系数为0.956，尤其实现了轻度样本100%召回率和重度样本90.9%召回率，缓解了早期轻度样本易被漏分的问题。RF模型也获得良好效果（总体准确率0.958），KNN相对较弱（总体准确率0.944）。
3.5 混淆矩阵分析：在独立预测集上，三种模型对健康样本均实现全部分类正确，主要混淆发生在轻度和重度两个相邻等级之间。SVM模型仅将部分重度样本误判为轻度，但所有轻度样本均被正确识别；RF模型将一个轻度样本误判为健康；KNN模型将一个轻度样本误判为重度。再次证明SVM配合三特征融合输入能够有效减少相邻严重度等级间的混淆。
讨论部分指出，PCA、2DCOS和CARS分别从全局方差结构、胁迫诱导的动态协变和日灼敏感特征波长三个层面提供互补信息，三特征融合策略在连续且边界模糊的日灼病分级中表现出稳定优势。与已有的辣椒病害高光谱研究相比，本研究针对非侵染性生理病害，分类难度更高，但融合模型仍保持良好的判别能力。光谱变化与日灼引起的色素降解和组织脱水等已知生理变化一致，但这些关联属于光谱学解释而非直接生理测量。研究存在一些局限性：所有样本来自单一品种、单一生育期、单点单次采样，轻度样本数量相对较少；严重度等级由人工目测划分，ROI光谱提取只能覆盖局部果面。未来需在不同品种、多环境条件和田间场景下验证模型，采用重复分层交叉验证以评估稳定性，并可探索回归式严重度估算或结合空间纹理信息的深度学习方法。结论部分表明，PCA-2DCOS-C
