MRTS-Boosting:一种基于质量感知的多变量时间序列分类框架,用于在云层污染条件下实现稳健的水稻检测 作者:Bayu Suseno, Guilhem Brunel, Hari Wijayanto, Kusman Sadik, Farit Mochamad Afendi, Bruno Tisseyre

《Remote Sensing》:MRTS-Boosting: A Quality-Aware Multivariate Time Series Classification Framework for Robust Rice Detection Under Cloud Contamination Bayu Suseno, Guilhem Brunel, Hari Wijayanto, Kusman Sadik, Farit Mochamad Afendi and Bruno Tisseyre

【字体: 大 中 小 】 时间:2026年04月02日 来源:Remote Sensing 4.1

编辑推荐:

  **亮点** **主要发现是什么?** 1. **识别特定压力的光谱特征**:本研究确定了马尾松在不同致命压力下的独特高光谱特征。水涝胁迫表现为在绿色波段(534–536 nm)的敏感性,而松木线虫感染则引发了蓝边到红边区域(450–760 nm)的响应。同时首次揭示了光谱指数

  **亮点**

**主要发现是什么?**
1. **识别特定压力的光谱特征**:本研究确定了马尾松在不同致命压力下的独特高光谱特征。水涝胁迫表现为在绿色波段(534–536 nm)的敏感性,而松木线虫感染则引发了蓝边到红边区域(450–760 nm)的响应。同时首次揭示了光谱指数与针叶叶绿素含量之间的“线性主导、非线性混合”关系。
2. **优化窄带指数和机器学习模型的优越性能**:优化的窄带光谱指数(特别是NDSI(689, 907)以及534–536 nm处的连续谱去除光谱)与针叶叶绿素含量有很强的相关性(R2 ≈ 0.84),超越了以往的研究。RF和XGBoost模型在多压力条件下对针叶叶绿素含量的反演显示出最佳的准确性和稳健性。

**主要发现的意义是什么?**
1. **提供了可靠的早期压力诊断方法**:特定压力的光谱成像和高精度反演模型能够在可见症状出现之前早期检测和区分松萎病、干旱和水涝胁迫,这对于主动森林管理至关重要。
2. **为大规模森林健康监测提供了实用工具**:这些发现证明了将高光谱成像(尤其是基于无人机的)与机器学习模型结合的高效率。这为大面积非破坏性、实时监测马尾松健康状况提供了可行的技术解决方案,支持精准林业和害虫控制策略。

**摘要**

马尾松(Pinus massoniana)是中国南方重要的造林树种,受到由松木线虫(Bursaphelenchus xylophilus, PWN)引起的松萎病的严重威胁。为了区分由B. xylophilus引起的死亡与由非生物环境因素引起的死亡,研究人员测量并分析了马尾松幼苗在各种环境压力下的高光谱反射率和叶绿素含量,以早期检测生理变化。四年的马尾松幼苗接受了PWN接种、机械损伤、干旱和水涝处理。每隔7天测量一次马尾松的高光谱反射率和叶绿素含量。结果表明,不同压力下的高光谱响应各不相同。PWN和水涝胁迫都导致了快速死亡,光谱变化早在第三周就可见,并在第五周达到统计显著性。在PWN感染下,405–580 nm范围内的高光谱反射率显著增加,红边位置(680–750 nm)出现明显的蓝移,而叶绿素含量从约0.8 mg g?1急剧下降到0.48 mg g?1。水涝胁迫导致500–580 nm范围内的反射率均匀增加,高光谱曲线逐渐变平,叶绿素含量从0.75 mg g?1下降到0.6 mg g?1。相比之下,干旱胁迫下的幼苗仅表现出轻微的高光谱变化,并保持相对稳定的叶绿素水平,显示出马尾松的固有耐旱性。RF和XGBoost模型在拟合松木线虫感染和水涝胁迫的整个过程中表现最佳,所有R2值均大于0.69。线虫感染和水相关压力下的不同高光谱成像模式为马尾松林中松萎病的早期诊断和监测提供了可靠的基础。

**1. 引言**
松萎病是由松木线虫(Bursaphelenchus xylophilus, PWN)引起的,是全球森林中最具破坏性的新兴害虫问题之一[1,2,3,4,5]。自PWN引入中国以来,其影响范围持续扩大。到2025年,中国20个省的455个县级行政区都发现了该病害[6]。马尾松(Pinus massoniana)是中国南方的主要针叶树种[7],因其生长迅速、生产力高和经济效益而被广泛种植。尽管它具有很强的环境适应性,并分布在年降雨量丰富的地区,但在夏季面临三大主要威胁:(1) 由B. xylophilus引起的松萎病[8],(2) 反复出现的高温极端[9],以及(3) 某些亚热带时期的过量降雨[10]。目前,由松木线虫引起的松萎病仍然是马尾松生存的最大威胁[11]。PWN的发生和流行与气候因素密切相关,如高温[12,13],这加剧了高温胁迫下马尾松的受害程度。在全球变暖的情况下,高温胁迫对马尾松的影响预计会加剧,导致光合作用能力下降和死亡率增加[14,15,16]。除了高温胁迫外,与水相关的非生物胁迫也成为热带和亚热带地区马尾松的主要威胁[17,18]。这些地区的频繁台风和严重对流天气常常导致降雨量激增,造成低洼森林地区的暂时积水,从而引发水涝胁迫[19]。因此,早期监测马尾松的健康状况对于区分和应对PWN和非生物胁迫的联合威胁至关重要。

近年来,高光谱遥感已成为高效监测森林健康和松萎病的关键工具[20]。该技术能够捕捉非常窄的波长范围内的光谱数据,从而精确提取地面物体的光谱特征,并已广泛应用于植物健康和害虫侵染的监测[21]。例如,张等人将高光谱数据与马尾松的糖分和水分含量的实地测量相结合,确定455–677 nm光谱区域是早期检测PWN侵染的诊断指标[22]。张还报告说,干旱胁迫会降低马尾松的光合速率[23],进一步导致叶绿素含量下降[24]。类似地,黄对黑松针叶的高光谱分析揭示了叶绿素含量与PWN进展之间的显著线性关系[25]。这些研究表明,植物生理指标可以有效用于评估植物的生理状态[26,27,28]。目前,使用高光谱数据远程估计生理参数通常基于光谱指数的构建。与多光谱传感器衍生的宽带指数相比,窄带指数充分利用了高光谱数据的高光谱分辨率,捕捉与植物压力相关的微妙生化和生理变化[29]。对于早期压力检测,窄带指数具有更高的敏感性,因为它们可以精确针对关键色素的特征吸收特征,并检测红边位置(REP)的微小变化——这些信号通常会被传统传感器的宽带通道掩盖或平滑[29]。光谱指数的构建,包括传统植被指数和窄带光谱指数,通常依赖于两个或多个光谱带的组合,通常通过数学变换进行增强。基于回归的建模能够准确识别与植物生理参数相关的敏感光谱区间,从而提高估计模型的预测性能[30,31]。

随着深度学习的快速发展,基于注意力机制(包括Transformer及其变体)的高级模型在遥感图像处理方面取得了突破性进展,特别是在高光谱图像的语义分割和细粒度分类方面。例如,刘等人报告说,采用聚类注意力的SegHSI模型能够在标记样本有限的情况下实现高效准确的分割,解决了高标记成本和复杂空间背景的挑战[32]。同时,集成自注意力和交叉注意力模块的多尺度多注意力网络已被广泛用于充分利用遥感数据中的多尺度和多模态信息,大大提高了识别复杂场景和微妙压力特征的能力[33]。这些前沿算法为从高维复杂光谱数据中自动提取高度区分性的压力相关特征提供了有效工具。

在这项研究中,我们每周测量了马尾松在PWN、干旱和水涝胁迫下的叶绿素含量和光谱特征,以探索马尾松对不同压力的高光谱响应以及叶绿素含量与光谱特征之间的关系。我们识别了每种压力条件下的特征光谱带,并开发了四个机器学习模型。这项研究为PWN的遥感监测和马尾松林的健康状况提供了科学基础。

**2. 材料与方法**
2.1. **实验材料**
- **松木线虫**:本研究使用的线虫(B. xylophilus)是从中国安徽省滁州市 washan 林场的一棵患有松萎病的马尾松树上分离出来的。通过形态学和分子鉴定确认该线虫为B. xylophilus,并随后在安徽农业大学安徽省生物控制重点实验室中4°C下保存。
- **马尾松幼苗**:从安徽Siji林业有限公司(中国黄山)购买了大约1.2–1.4米高的四岁马尾松幼苗。在实验前,这些幼苗在安徽林业科学院合肥基地进行了一个月的适应训练。
- **地理位置**:合肥市(31°49′14″N, 117°13′38″E)和滁州市(32°15′22″N, 118°19′59″E)位于亚热带季风气候区,夏季炎热潮湿,冬季寒冷潮湿。年平均气温在15至16°C之间,年降水量在900至1000毫米之间。合肥的地形主要是平原和丘陵,而滁州主要由丘陵和山区组成,马尾松是主要的树种。

2.2. **实验方法**
- **2.2.1. 松木线虫的培养和收获**
- **人工培养**:将Botrytis cinerea接种到马铃薯葡萄糖琼脂(PDA;200克马铃薯,20克葡萄糖,20克琼脂,1000毫升蒸馏水)上,并在25–28°C下培养。当真菌完全覆盖培养基(大约5天后),将B. xylophilus液体引入PDA中,并在25–28°C下继续培养以繁殖线虫。
- **线虫收获**:使用Baermann漏斗法收集培养良好的线虫[31]。将一个消毒过的玻璃漏斗(直径12厘米)放在支架上,向漏斗中加入无菌水,然后将含有B. xylophilus的PDA培养基用纸巾包裹并浸入水中12小时。然后释放夹子,收集10毫升线虫液体到离心管中。在室温下以3500转/分钟的速度离心3分钟。弃去上清液,用无菌水清洗线虫沉淀物2–3次,最后在4°C下保存。

- **2.2.2. 压力处理和样本收集**
- 实验在安徽林业科学院合肥基地进行,距离任何已知的PWN爆发区超过1公里。设置了一个15米×15米的实验地块,周围有2.5米高、遮荫率为50%的遮阳棚,并用40目防虫网围起来,以确保充足的通风和稳定的温度和湿度。共选择了250株马尾松幼苗,种植间距为1.5米×1.5米,并在标准浇水条件下生长一个月。设置了五种处理方式,每种处理方式有五个重复,每个重复包含10株幼苗:
- **松木线虫接种组(A)**:使用无菌手术刀在底部第一和第二枝条的中点木质部切一个不超过茎直径三分之一的楔形切口。将浸有B. xylophilus液体(每株幼苗5000条线虫)的无菌棉球插入切口,然后用密封膜和塑料 wrap密封。
- **机械损伤组(B)**:与组A相同的程序,但用20毫升无菌水代替线虫液体,以评估机械损伤的影响。
- **干旱胁迫组(C)**:完全停止浇水。监测土壤含水量,直到其降至10%以下并保持该水平。该组不进行线虫接种。
- **水涝胁迫组(D)**:将幼苗转移到含有田间土壤的容器中,整个实验过程中保持水位在根区以上5厘米。该组不进行线虫接种。
- **对照组(E)**:不进行任何处理;让植物自然生长。
- 在处理后3小时收集马尾松幼苗的高光谱数据和针叶样本,并每隔7天测量和采样一次。收集的针叶密封在塑料袋中,存放在装有冰块的保温箱中,立即运送到实验室进行叶绿素测定。

- **2.2.3.****针叶叶绿素含量的测定**

从10株马松幼苗中随机采集新鲜针叶,用于叶绿素含量的提取和测量。每个处理组的新鲜针叶叶片被均匀混合。随机选取0.25克的针叶样本,并切成0.2厘米的段。这些段在研钵中与80%的丙酮、2-3克的碳酸钙和石英砂一起研磨成匀浆。匀浆液过滤到25毫升的容量瓶中。研钵、杵和玻璃棒用80%的丙酮冲洗几次,冲洗液也过滤到同一个容量瓶中。最终体积用80%的丙酮调整到25毫升刻度。使用分光光度计在663、646和470纳米处测量溶液的吸光度。叶绿素和类胡萝卜素的含量根据标准公式[34]计算:

$$
Ca = \frac{(12.21A_{663} - 2.81A_{646}) \times V}{1000} \, \text{mg/g} \quad (1)
$$
$$
Cb = \frac{(20.13A_{646} - 5.03A_{663}) \times V}{1000} \, \text{mg/g} \quad (2)
$$
$$
C_{\text{total}} = Ca + Cb \quad (3)
$$

其中,$Ca$、$Cb$和$C_{\text{total}}$分别代表叶绿素a、叶绿素b和总叶绿素(叶绿素a和b的总和)的含量(mg/g)。$A_{663}$和$A_{646}$分别表示叶绿体色素提取物在663纳米和646纳米处的吸光度。

**2.3. 高光谱数据采集与预处理**

**2.3.1. ASD光谱辐射计测量**

从每株马松幼苗的冠层中随机选取3-5簇针叶作为测量目标,以确保光谱数据反映了植物生理状态的自然变化。使用便携式光谱辐射计(ASD FieldSpec4 Wide-Res,Malvern Panalytical Ltd.,英国伍斯特郡马尔文)测量马松针叶的高光谱反射率,该辐射计的平均光谱分辨率为1纳米,光谱范围为350-2500纳米。所有测量都在中午左右进行。仪器放置在通风良好、干燥的地方,并在使用前至少预热30分钟以确保稳定运行。针叶样本的面积约为2厘米×3厘米,完全覆盖探头的视野,防止背景光谱干扰。每次测量前使用标准的Spectralon白板进行参考校准,以消除自然光强度波动和仪器漂移引起的误差。

**2.3.2. 数据预处理**

原始高光谱数据使用MATLAB R2022b导出,然后在Microsoft Excel 2021中组织和标准化。预处理旨在减少环境噪声、仪器基线漂移和光谱散射,以提高信噪比和特征区分度。评估了几种预处理方法,包括乘法散射校正、归一化、移动窗口平滑、一阶和二阶微分以及Savitzky–Golay平滑。比较评估表明Savitzky–Golay平滑最适合分析。Savitzky–Golay平滑和导数变换的核心参数设置为:窗口宽度为7个数据点,多项式阶数为3。随后基于平滑后的光谱计算一阶导数光谱(导数阶数=1)以进行进一步分析。预处理后的高光谱数据用于构建包括比率、归一化差分和差分类型在内的窄带光谱指数库。所有数据计算和处理都在Python 3.9环境中进行,使用了Pandas和NumPy等科学计算库。分析了不同胁迫阶段下测量的针叶叶绿素含量和针叶光谱反射率的动态变化。计算了每个光谱指数与针叶叶绿素含量之间的相关性,以识别对不同胁迫因素最敏感的窄带组合。具体来说,采用皮尔逊相关分析计算每个构建的窄带光谱指数(NDSI、DSI、RSI)与不同胁迫条件下马松针叶叶绿素含量之间的相关系数(r)。使用$r$的绝对值来评估相关性的强度。$|r| > 0.6$($p < 0.01$)的窄带组合被定义为对叶绿素含量变化高度敏感的组合。这些敏感组合按相关系数的绝对值排序,排名靠前的组合被选为每种胁迫类型的关键窄带组合。所有相关分析和显著性检验使用SPSS 26.0软件进行,置信区间为95%。

这些敏感带被用作特定的光谱标记,以区分不同的胁迫因素。鉴于在复杂田间条件下获取完全物理辐射传输模型(RTMs)所需的严格输入参数的挑战性,这些参数会引入显著的不确定性,我们选择了一种结合经验光谱指数和机器学习算法的混合方法。为了开发高精度的叶绿素含量反演模型并实现胁迫类型的早期诊断,开发并比较了四种广泛使用的机器学习回归模型:随机森林回归(RFR)、偏最小二乘回归(PLSR)、支持向量回归(SVR)和极端梯度提升(XGBoost)。所有模型都使用Python中的Scikit-learn和XGBoost库实现。数据集被分为训练集和测试集。使用决定系数(R2)和均方根误差(RMSE)评估模型性能,以确定在不同致命胁迫条件下的最高反演精度(见图1)。这种方法为马松生长状态的实时、无损监测提供了核心算法基础。

**2.4. 从针叶高光谱数据构建窄带光谱指数**

通过高光谱范围内任意两个波段的成对组合,可以构建窄带光谱指数。使用了三种指数公式,包括归一化差分光谱指数(NDSI)、差分光谱指数(DSI)和比率光谱指数(RVI),来研究350-1050纳米范围内马松针叶高光谱数据衍生的窄带光谱指数与针叶叶绿素含量之间的关系。具体来说,NDSI、DSI和RVI是基于所有可能的两个波段组合,分别为原始反射光谱、一阶导数光谱和去连续光谱系统构建的。公式如下:

$$
N_{DSI} = \frac{R_i - R_j}{R_j + R_i} \quad (4)
$$
$$
R_{SI} = \frac{R_i}{R_j} \quad (5)
$$
$$
D_{SI} = \frac{R_i - R_j}{R_j} \quad (6)
$$

其中,$i$和$j$代表高光谱波长,$R_i$和$R_j$分别表示波长$i$和$j$处的高光谱反射率值。本研究分别考虑了原始光谱、一阶导数光谱和去连续光谱。

**3. 结果与分析**

**3.1. 不同胁迫因素对马松针叶叶绿素含量的影响**

连续的形态观察显示,在不同胁迫因素下针叶症状随时间发生了不同的变化。不同处理组针叶叶绿素含量的时间变化表现出高度的显著性。这些发现总结在表1和图2中。

**表1. 不同处理下马松症状的时间变化**

**图2. 不同胁迫下马松针叶叶绿素含量的时间变化**

在最初的两周内,所有处理组的马松针叶叶绿素含量几乎保持稳定(见图2)。除了C组(干旱胁迫)在第八天外,不同处理组与对照组之间的针叶叶绿素含量没有显著差异。C组在第8天观察到叶绿素含量的短暂但明显的下降,这可能反映了突然停止浇水后的短期冲击反应,而不是持续的干旱胁迫。这种初始波动没有形成趋势,随后叶绿素水平恢复并稳定下来。

再过一周后,A组(线虫胁迫)和D组(水涝胁迫)的针叶叶绿素含量显著下降到0.55 mg/g和0.68 mg/g,远低于对照组(0.85 mg/g)。第5周时,A组和D组的叶绿素含量降至低于0.50 mg/g和0.55 mg/g。C组的针叶叶绿素含量随时间波动,表明干旱胁迫对马松的影响需要更长的时间。B组(机械损伤)和E组(对照)之间没有显著差异,证实机械损伤对针叶叶绿素含量的影响较小。

根据形态观察,A组和D组的针叶在出现形态异常前有一周的潜伏期。同时,这两组的针叶叶绿素含量直到第三周都没有太大变化。这是一个关键的时间点,此时马松的叶绿素代谢发生了显著变化,可作为马松健康状况的检测标志。

**3.2. 马松针叶的光谱特征**

在前两周内,所有处理组的光谱曲线保持相对稳定,而C组(干旱胁迫)和D组(水涝胁迫)出现了一些早期特征(见图3)。B组和E组的典型光谱曲线呈现“两个谷一个峰”的特征,即在450-550纳米和600-750纳米范围内有吸收谷,而在550纳米附近有反射峰,显示出健康马松的光谱特征。A组(线虫感染)的光谱曲线在可见光和近红外区域没有明显变化,而C组的可见光区域反射率略有增加。同样,D组的绿光区域反射率也有轻微上升。

**图3. 不同胁迫下马松针叶光谱反射率的时间变化**

(注:(A–E)代表整个实验期间的光谱反射率;(F–H)是第5周(D36)显著变化的光谱区域的放大视图。在(F,G,H)中,黄色带表示第36天光谱曲线显示显著变化的区间。在第3周和第5周之间,不同胁迫下的光谱曲线出现了明显的分歧。在A组,405-505纳米范围内的反射率显著增加,吸收谷消失,505-600纳米范围内的反射峰减弱,线虫感染5周后红色边缘特征变得不明显。这是因为受胁迫的植物产生的叶绿素减少,导致光吸收减少[35]。因此,红色和绿色区域的反射率增加,导致叶片黄化。在C组,520-680纳米范围及更远区域的反射率逐渐下降。由于在中度和重度干旱胁迫下可溶性蛋白质和可溶性糖的含量没有显著变化,幼苗表现出较低的氧化损伤和增强的抗旱性[7,36]。因此,C组马松的早期光谱可能会发生轻微变化,但由于其固有的抗旱性,没有表现出疾病症状。在D组,500-600纳米范围内的反射率均匀增加,导致光谱曲线整体变平。根据陈伟的研究,马松长期水涝的主要原因是针叶树的落叶含有大量的单宁、树脂、木质素等物质。这些物质分解后会产生酸性物质,随着水涝时间的延长,土壤中的酸性物质会增加,导致土壤有机质含量增加[37]。这种量的减少导致马松死亡。这种效应在第5周更为明显。B组(机械损伤)和E组(对照)的第3周和第5周的光谱曲线几乎完全重叠,表明其光谱轮廓始终健康。这些光谱曲线的显著时间变化提供了一种可靠的方法来区分不同的胁迫因素。

在处理前后的三周(D22)观察到针叶叶绿素含量和窄带光谱指数有显著差异。因此,观察期被分为D22前(潜在期)和D22后(症状期)两个阶段。分别为每个阶段开发了单独的光谱反演模型。

**3.3. 窄带光谱指数与马松叶绿素含量之间的相关性分析**

基于使用ASD光谱辐射计收集的针叶光谱反射率数据,在Python 3.9中构建了从三种类型转换光谱(原始光谱、一阶导数光谱和去连续光谱)派生的双波段光谱指数。通过相关等高线图(见图4)研究了不同胁迫下窄带光谱指数与针叶叶绿素含量之间的相关性。

**图4. D22前期窄带光谱指数与针叶叶绿素含量之间的相关性等高线图**

(注:标签(A–D)分别代表线虫胁迫、机械损伤、干旱胁迫和水涝胁迫。)在D22前期,A组的原始针叶光谱与450-700纳米和750-1000纳米范围内的针叶叶绿素含量呈负相关。九个窄带光谱指数与针叶叶绿素含量之间的最大相关系数范围为0.5416至0.6628。一阶导数光谱与针叶叶绿素含量之间的相关性有所变化:在750–950纳米范围内观察到正相关,但相关系数低于原始光谱的相关系数。去除连续谱后的光谱在650–750纳米范围内表现出负相关,最大相关系数为0.6296(位于663纳米处)。在C组中,原始针叶光谱与叶绿素含量之间存在强相关性,在700–800纳米和1000–1050纳米的结合区域形成了集中且连续的高相关区。NDSI和RSI的绝对相关系数均超过了0.7500。由一阶导数光谱得出的指数中,DSI的最大相关系数为0.668,且在550–750纳米范围内及1000纳米以上观察到多个强烈的局部相关性。去除连续谱后的光谱在500–600纳米和650–720纳米范围内呈现负相关,550纳米附近的相关系数超过0.7200。在D组中,基于原始光谱的NDSI(689,907)与叶绿素之间的相关性非常高(r = 0.8372)。由一阶导数光谱得出的最优RSI的相关性也高于0.6。D组中去除连续谱后的光谱在350–450纳米范围内呈现负相关;最优指数分别为RSI(352,444)和DSI(359,435),相关系数分别为-0.7412和-0.7392,表明最敏感的波段向蓝紫色区域偏移。在E组中,去除连续谱后的光谱直接反映了560纳米和690纳米处的叶绿素吸收特征。

在D22期后,A组的NDSI和RSI指数主要集中在(664,748)和(664,749)波段,相关系数超过0.66。C组的数据反演性能较差,相关系数仅高于0.4。相比之下,D组中基于原始光谱的NDSI(471,1045)与叶绿素的相关性为-0.8433;而在极窄的534–535纳米范围内,去除连续谱后的光谱的相关系数分别达到0.8297和0.8081。所有组的一阶导数光谱均显示出对胁迫因素的高敏感性,其中NDSI(474,478)波段的相关性最强(r = -0.8441),D组中去除连续谱后的光谱在反演能力上表现最佳。值得注意的是,C组的光谱带信息响应减弱(见图5)。图5显示了D22期后窄带光谱指数与针叶叶绿素含量之间的相关性的等高线图(注:(E)代表对照组,(F–H)分别代表D22期后的线虫胁迫、干旱胁迫和水涝胁迫)。在对马松叶绿素含量进行数据反演时,一阶导数和去除连续谱后的变换光谱比原始光谱表现更好,获得了更高且更稳定的相关系数。一阶导数处理有效突出了光谱曲线的细微变化,对叶绿素的变化反应更快,并在特定窄带内表现出极高的敏感性。同时,适当波段组合的去除连续谱后的光谱也被证明是叶绿素反演中的有效光谱变换方法。根据最大相关系数,选择了D22期前和D22期后叶绿素窄带光谱指数的最优波段组合(见表2和表3)。

基于窄带光谱指数的回归模型以针叶叶绿素含量为因变量进行构建。自变量包括从原始光谱、一阶导数光谱和去除连续谱后的光谱中得到的差异光谱指数、比率光谱指数和标准化光谱指数的最优波段组合。如图6所示,选择了每种光谱变换的最佳单变量预测模型。结果表明,在所有情况下,最优窄带光谱指数与针叶叶绿素含量均呈线性关系。除D22期干旱处理组外,所有胁迫组的决定系数(R2)均超过0.50。在构建的四个机器学习回归模型中,RFR和XGBoost模型在预测多胁迫条件下马松叶绿素含量方面表现最佳。具体而言,RFR和XGBoost在D22期前(潜在)和D22期后(症状)的所有胁迫组中均实现了最高的决定系数和最低的均方根误差。相比之下,PLSR和SVR模型的预测准确性较低,尤其是在D22期干旱胁迫条件下。

4. 讨论
4.1. 针叶叶绿素含量对松树线虫和水胁迫的响应
快速准确地测定针叶叶绿素含量有助于精确评估马松的生长状况和光合作用能力[36]。针叶叶绿素含量的变化反映了树木的生理状态和存活情况。当马松感染松木线虫时,水分和养分的运输受到阻碍,叶绿素合成受到抑制,针叶叶绿素含量下降[38]。陈等人验证了随着PWD(松木线虫病)感染程度的增加,叶绿素a和叶绿素b的含量也随之减少[39]。各种胁迫因素会导致针叶叶绿素含量的显著时间变化。例如,在感染松木线虫后,马松的针叶叶绿素含量在短时间内急剧下降[40]。相反,在长期干旱胁迫下,针叶叶绿素含量保持较高水平以维持正常的光合作用[41]。在水涝胁迫下,如果积水持续时间少于17天,细根可以在一周内恢复;然而,积水持续17–32天会导致不可逆的损害,包括光合作用速率下降和针叶叶绿素含量减少[42]。与这些发现一致,本研究观察到在PWN(松木线虫病)和水涝胁迫下,针叶叶绿素含量在3周内显著减少,而在干旱和机械损伤下则没有这种减少。值得注意的是,尽管在PWN和水涝胁迫的早期阶段外部症状不明显,但针叶叶绿素含量的变化已经很明显。

4.2. 对不同环境胁迫的高光谱响应
使用高光谱图像远程估计植被的生物物理和生化参数已被广泛验证[43,44]。例如,Kim等人分析了感染PWD的针叶的高光谱数据,观察到感染后两个月内马松叶片红光波段反射率的变化[45]。选择对特定胁迫因素最敏感的波长波段对于减少数据冗余和避免高光谱分析中的模型过拟合至关重要[44]。本研究的高光谱变化显示,PWN感染主要影响蓝绿色区域(405–580纳米)和红边区域(680–750纳米),而水涝胁迫主要影响绿光反射峰(505–580纳米)。这些发现与一些先前的研究结果一致[46,47]。李等人报告称,仅使用714纳米的红边波段就可以检测到马松线虫感染的早期症状[48]。同样,Kathrin等人发现721纳米的红边波段可以识别患病的云杉树[49]。这些研究表明,结合高光谱测量(尤其是窄带数据)与生理指标(如针叶叶绿素含量)可以显著提高马松健康状况的监测精度。

4.3. 不同光谱预处理方法的比较、潜在机制及模型构建
4.3.1. 光谱预处理方法的敏感性
在本研究中,一阶导数变换在监测潜在期针叶的光谱变化方面更为敏感,特别是在检测水涝和线虫感染对叶绿素的响应方面。同时,去除连续谱的变换在提取与针叶叶绿素含量直接相关的吸收特征方面具有明显优势,尤其是在534–536纳米、663纳米和697–698纳米等关键波段。这些结果与Pan等人[50,51]、Gong等人[52]和Zhang等人[53]的先前研究一致,证实了对马松进行生理参数反演时变换原始光谱是可行的。本研究证明,一阶导数和去除连续谱的变换显著提高了光谱数据对针叶叶绿素含量变化的敏感性——这一结果与Ta等人[54]和Tsuchiya等人[55]的早期发现一致。通过对光谱变换和叶绿素敏感波段的分析,发现马松在不同胁迫条件下的光谱响应具有明显差异:在水涝胁迫下,它对绿光区域(534–536纳米)特别敏感;而在线虫感染期间,敏感性转移到蓝红边区域(450–760纳米)。这些胁迫特异性的光谱特征与Zhu等人[56]对水涝小麦的研究结果以及Pan等人[38]对感染线虫的马松的研究结果一致,共同支持了植物生理扰动可靠地编码在特征光谱特征中的观点。

4.3.2. 应胁迫类型的光谱敏感性背后的生理机制
本研究中确定的胁迫特异性光谱敏感区域可以追溯到不同的生理和病理扰动过程。对水涝胁迫在绿光区域(534–536纳米)的显著敏感性主要是由于根系缺氧引起的生理反应级联。水涝胁迫显著抑制了马松的净光合作用速率和蒸腾速率[57],这不仅直接抑制了叶绿素的合成,还由于活性氧的积累加速了叶绿素的降解[58]。此外,水涝引起的叶细胞结构变化(如海绵组织中的细胞间隙增大)进一步改变了叶片内的光散射路径[59]。因此,NDSI(534,535)等指数的高敏感性是由于叶绿素降解和细胞结构变化共同作用的结果,导致光学性质的变化[60]。PWN感染后蓝绿色区域反射率增加的主要因素是叶绿素的严重损失,特别是叶绿素a的损失。这一现象从根本上是由于PWN相关的血管损伤引起的生理崩溃,最终导致负责捕获光能的关键叶绿素耗尽[61]。

4.3.3. 优化窄带指数的性能及混合响应模式
值得注意的是,本研究中优化的窄带光谱指数与针叶叶绿素的相关性显著高于以往报道的结果。具体来说,NDSI(689,907)和534–536纳米波段的去除连续谱反射率的相关系数分别为0.84和0.83,超过了AlDwairi等人[62]评估的马松光谱指数的性能。在本研究中,所提出的算法使叶绿素含量估计的解释能力提高了约8.7%(R2从0.70提高到0.84)。这表明所选的波段组合更有效地捕捉了与叶绿素相关的变化,从而增强了线性模型的解释能力。除了确认了广泛报道的优化窄带光谱指数与叶绿素含量之间的线性关系外,本研究首次识别出马松在多重胁迫下的混合光谱-叶绿素响应模式,其特征是主要呈线性关系,同时存在局部非线性偏差。例如,在水涝组的D22期后,474–478纳米的一阶导数光谱显示出最高的相关性(r = 0.8441),但数据点显示出明显的非线性分散。同样,蓝光区域的去除连续谱光谱显示出多个局部极值。这些发现超出了Zhang等人[63]报告的严格线性关联,提供了对光谱动态与叶绿素状态之间机制关系的更精细和全面的理解。除了比较模型准确性外,本研究还系统评估了马松在同时遭受非生物和生物胁迫时的复杂时间叶绿素动态背景下的模型适用性。随机森林和XGBoost始终实现了最高的反演准确性,通过严格的超参数优化有效缓解了过拟合问题。然而,在D22期后,C组的反演性能显著下降,这是由于马松在干旱胁迫下的生理恢复力。与直接破坏叶绿素合成的线虫或水涝胁迫不同,干旱胁迫通常会导致叶绿素降解的延迟反应[64]。尽管存在这些条件,RF和XGBoost仍然保持了优越的性能,这与先前的研究结果一致[65],证明了集成树模型(如XGBoost)能够有效捕捉与干旱引起的生理变化相关的复杂非线性关系。与Zhang等人[66]仅关注叶绿素质量分数的单一目标建模方法相比,这里采用的比较框架在方法论上具有更广泛的适用性和实际应用价值。RF和XGBoost模型表现出色,为算法提供了坚实的基础。它们对噪声和过拟合的固有抵抗力、在大面积应用中的可扩展性以及在森林健康监测中的成功记录,共同支持了它们从控制实验过渡到基于无人机或卫星的监测系统的可行性[67,68,69,70,71]。

4.4 对复合胁迫情景的影响:交互机制
森林生态系统中的自然胁迫很少单独发生。干旱与松材萎蔫病(PWD)之间的相互作用是现实中最为令人担忧的复合胁迫之一。干旱胁迫显著加速了松树的死亡过程,因为干旱会削弱树木的生理活力并破坏其保护性酶系统,从而协同增加了对线虫感染的敏感性[72]。然而,干旱引起的气孔关闭可能会暂时减少蒸腾作用,短期内可以减轻线虫引起的栓塞现象,这反映了胁迫之间可能存在复杂的拮抗关系。在分子水平上,马松激活了针对生物胁迫的复杂防御代谢途径[73],而像干旱这样的非生物胁迫可能会干扰这些信号网络,导致极其复杂的生理状态。本研究为未来分析和区分复合胁迫下的主要胁迫因素提供了关键知识。下一步将涉及使用高级算法(如光谱解混和深度学习)来量化复合胁迫下树木混合光谱信号中不同胁迫的贡献率,并开发智能监测系统。

4.5 未来展望
本研究识别出的高灵敏度窄带光谱指数,结合优化和验证的机器学习模型,为将实验室发现转化为实时野外监测工具奠定了坚实的算法基础。最实际的应用是安装在无人机(UAV)平台上的高光谱遥感技术。所识别的敏感光谱带均处于主流商用UAV高光谱传感器的有效检测范围内[46,66]。最近的研究表明,从UAV获取的高光谱图像中提取的与胁迫相关的特征带能够有效识别松材萎蔫病的早期症状并准确划定受感染区域[8,48]。因此,森林管理部门可以利用这些UAV平台进行有针对性的高频巡逻调查,从而生成林分级别的高分辨率胁迫分布图。此外,通过利用本研究中揭示的特定于胁迫的光谱特征,可以直接区分和定位松材萎蔫病感染热点、水涝胁迫区域或干旱影响区。这种方法支持早期预警、精确定位和分类管理,从而显著提高了森林健康监测的及时性和准确性。

5. 结论
本研究评估了在松材线虫和水胁迫条件下高光谱反射率数据及针叶叶绿素含量的时间变化,以评估早期检测马松健康状况的可行性。主要结论如下:
(1) 针叶叶绿素含量在不同胁迫条件下表现出明显的时间响应。松材线虫感染和水涝胁迫导致针叶叶绿素含量持续稳定下降,3周后下降显著。而在干旱和机械损伤胁迫下,5周内的叶绿素变化较小。
(2) 每种胁迫都会在特定的光谱区域引起诊断性变化。松材线虫导致405–580 nm区域的反射率显著增加,并使红边(680–750 nm)出现明显的蓝移,而水涝胁迫则导致绿色带(505–580 nm)的反射率均匀上升,光谱曲线变平。此外,干旱胁迫对可见光和近红外光谱区域的影响较弱。
(3) 连续谱去除和一阶导数光谱变换显著提高了胁迫识别的灵敏度和准确性。连续谱去除有效增强了534–536 nm和663 nm波段的叶绿素吸收特征,而一阶导数变换捕捉到了早期胁迫阶段的微妙光谱变化,例如474–478 nm波段的变化。这些方法结合使用,为早期胁迫分类提供了高维光谱特征。
(4) 机器学习模型在叶绿素反演和胁迫分类方面表现出色。RF和XGBoost在松材线虫感染和水涝胁迫的光谱模型中始终达到最高的准确性。A组和D组的R2值介于0.68到0.82之间,RMSE值介于0.034到0.044之间。在D22阶段之后,F组和H组的R2值仍然很高,均超过0.73。
(5) 在不同胁迫条件下,在出现明显症状之前存在一个潜在的潜伏期。通过对光谱指数和针叶叶绿素含量的时间变化进行组合分析,可以实现松材线虫、干旱和水涝胁迫的早期区分和监测。
本研究首次有效区分了马松所经历的生物胁迫(松材萎蔫病)和非生物胁迫(干旱、浇水)。其核心创新在于:首先构建了一种结合窄带光谱指数和机器学习模型的高精度叶绿素反演方法;其次,识别并明确了区分这三种胁迫的具体光谱响应特征,从而为多源胁迫环境下的马松森林早期监测和预警提供了新的方法论基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号