学术报告：基于可见光/近红外光谱与高光谱成像结合机器学习的高通量植物重金属胁迫表型分析综述
报告主体
本报告旨在向国内学术同仁介绍一篇发表于《Plant Phenomics》期刊的重要综述论文。该论文由翟元宁（湖州大学信息工程学院）、周磊（南京林业大学机械电子工程学院）、戚恒年（湖州大学信息工程学院）、高盼（石河子大学信息科学与技术学院）和张楚（湖州大学信息工程学院）共同完成，并于2023年11月30日正式发表。论文题为《Application of visible/near-infrared spectroscopy and hyperspectral imaging with machine learning for high-throughput plant heavy metal stress phenotyping: a review》（结合机器学习的可见光/近红外光谱与高光谱成像在植物重金属胁迫高通量表型分析中的应用：综述）。这篇综述系统性地梳理了该领域的研究进展、技术方法、应用挑战与未来展望，为相关研究者提供了全面的知识框架和发展指引。
论文开篇即明确指出，随着工业发展和人类活动，重金属污染已成为空气、水和土壤的主要污染物之一。植物受重金属污染后，其外部形态和内部结构会发生改变，且重金属可通过食物链积累，威胁人类健康。因此，快速、准确、无损地检测植物重金属胁迫，对于实现植物生长状态的精准管理、加速培育抗重金属植物品种具有重要意义。然而，传统的基于化学试剂的检测方法费力、具破坏性、耗时且成本高昂。相比之下，可见光/近红外光谱技术和高光谱成像技术能够以简单、快速、无损的方式获取植物的光谱信息（V/NIR spectroscopy）或光谱与空间信息（HSI），已成为应用最广泛的高通量表型分析技术。
核心论点一：植物重金属胁迫的表型特征与光谱响应原理是检测的物理基础。
论文首先阐述了植物在重金属胁迫下的表型变化如何转化为可检测的光学信号。重金属胁迫会影响植物的根系和地上部分，具体表现为根系生长受抑、叶片变色（如矮化、变形、褪绿或变红）、光合色素含量下降、光合作用受抑制、抗氧化酶活性改变以及细胞结构损伤等。这些内部和外部结构的变化，直接导致了植物对光吸收和反射特性的改变。
在技术原理层面，可见光/近红外光谱技术基于样品中O-H、N-H、C-H等分子基团在分子振动频率下的辐射吸收率，通过测量样品对光的反射或透射来获取光谱信息（350-2500 nm）。高光谱成像技术则在获取连续、窄波段光谱信息的同时，记录了二维空间信息，形成包含光谱和空间维度的“数据立方体”，从而能够提取样品的纹理、颜色、形状等特征。植物光谱特性主要由色素（可见光区，400-700 nm）、细胞结构（近红外区，750-1300 nm）和水分含量（短波红外区，1300-2400 nm）决定。例如，叶绿素含量的变化会直接影响红边位置，胁迫通常导致红边“蓝移”；叶片结构损伤会改变近红外区的反射率；水分变化则影响特定水吸收波段（如985 nm， 1178 nm， 1916 nm）的光谱特征。论文通过表1总结了不同植物（如水稻、生菜、小麦、芥菜等）在不同重金属（如Cd， Cu， Pb， Zn， Hg等）胁迫下发生变化的特征波段，为后续的特征提取和建模提供了理论依据。
核心论点二：用于植物重金属胁迫检测的表型数据类型主要分为植被指数、全波段光谱和特征波段三类，各有其适用场景与优劣。
论文详细比较了三种主要的数据分析策略。第一类是植被指数。这是利用两个或多个特定波段通过数学组合构建的指标，用于间接评估植物生长状态。最常用的如归一化差分植被指数（NDVI），但其对重金属胁迫的特异性有限。研究人员根据特定需求开发或应用了多种植被指数，用于评估叶绿素含量（如NDVI， MRENDVI）、水分状态（如NDWI， MSI）、冠层结构（如SIPI）等。例如，有研究提出新的“植被重金属污染指数”来定性分析玉米的铜胁迫程度，或同时考虑叶绿素、水分和氮含量变化来分类水稻的胁迫等级。植被指数计算简单，但可能因环境因素（如土壤湿度）干扰而敏感性不足，且现有指数多非为重金属胁迫专门设计。
第二类是全波段光谱建模。即利用整个光谱范围内的所有数据点建立定性（如胁迫有无、类型、程度分类）或定量（如重金属含量、生理生化成分预测）模型。这种方法能够充分利用光谱数据中的丰富信息，但数据维度高，可能存在多重共线性问题，且模型构建和验证需要足够的样本量支持。研究表明，基于水稻叶片全光谱数据建立的回归模型可以有效预测叶片中的重金属含量。
第三类是特征波段筛选。即从全光谱中选择与重金属胁迫高度相关的少数关键波段进行建模。这能有效降低数据维度、消除噪声干扰、提高模型效率和可解释性。常用的特征选择方法包括机器学习算法（如随机森林、支持向量机）、特征提取方法（如小波变换）和统计方法（如主成分分析PCA、连续投影算法SPA、竞争性自适应重加权采样CARS等）。例如，有研究结合小波变换和偏最小二乘支持向量回归来选择番茄叶片镉含量的有效特征波段；或使用CARS算法筛选变量来100%准确区分烟草的汞胁迫与非胁迫组。特征波段建模的优势明显，但需注意避免遗漏潜在有用信息，通常需要与全光谱建模结果进行比较以选择最优方案。
核心论点三：高光谱成像技术在提供空间分布信息方面具有独特优势，是实现可视化诊断的关键。
论文强调，与仅提供点状光谱信息的V/NIR光谱技术相比，高光谱成像技术不仅具备更高的光谱分辨率，其核心优势在于能提供详细的空间信息。这使得研究人员能够分析重金属胁迫在植物不同部位（如叶片的特定区域、根部）的空间异质性，并最终实现重金属含量的可视化分布图绘制。例如，有研究利用荧光高光谱成像技术对不同镉胁迫水平的生菜叶片进行分类，准确率高达94%以上；或对水稻、油菜叶片中的镉、铅含量进行预测并将结果可视化展示，直观呈现污染物的空间积累情况。论文图5概括了基于HSI的植物重金属胁迫检测步骤，包括图像采集、校正、感兴趣区域分割、光谱提取、模型建立及可视化等流程，为实际操作提供了清晰指引。
核心论点四：机器学习与深度学习建模方法是挖掘光谱数据潜力的核心工具，其选择直接影响检测精度。
在获得光谱特征数据后，选择合适的建模方法是关键。论文系统总结了该领域常用的传统机器学习方法和新兴的深度学习方法。传统机器学习方法中，支持向量机（SVM）、偏最小二乘判别分析（PLS-DA）等常用于定性分类（如区分胁迫等级、类型）；而偏最小二乘回归（PLSR）、支持向量回归（SVR）、反向传播神经网络（BPNN）等则广泛用于定量预测重金属含量。例如，有研究利用SVM模型成功对不同污染等级的水稻样本进行了高精度分类；或应用BPNN模型监测重金属污染下水稻叶片叶绿素含量的变化，预测性能优异。
近年来，深度学习方法显示出巨大潜力。深度信念网络（DBN）、堆叠自编码器（SAE）、卷积神经网络（CNN）等模型能够自动学习数据的高层抽象特征，在处理复杂的高光谱数据时往往能获得优于传统方法的性能。例如，有研究比较了PLS-DA、SVM和DBN在检测生菜铅胁迫水平上的表现，发现DBN模型在测试集上取得了96.67%的最高准确率。还有研究将粒子群优化算法与DBN结合（PSO-DBN）用于预测生菜镉含量，或利用迁移学习改进的堆叠自编码器来检测油菜中的铅含量，均取得了出色的预测结果（R² > 0.92）。深度学习与高光谱成像的结合，为实现更精准、更智能的植物重金属胁迫诊断开辟了新路径。
核心论点五：当前研究仍面临多重挑战，未来发展方向明确且充满机遇。
论文在综述现有成果的基础上，客观指出了当前领域面临的六大挑战：1. 现有植被指数多针对水分/养分设计，对重金属胁迫的特异性不足；2. 特征波长筛选算法多样，但缺乏系统性总结，难以通用化；3. 研究尺度（器官级、冠层级）各有利弊，最优检测尺度有待探索；4. 数据采集受光照、角度、仪器、植株高度等多种因素干扰，影响模型鲁棒性；5. 研究系统性不足，不同重金属、植物品种、栽培方式、生长期的交互影响及光谱响应的共性与差异研究较少；6. 重金属胁迫是一个受多因素影响的复杂过程，准确量化各因素贡献仍具挑战。
针对这些挑战，论文提出了未来发展的六大前景：1. 开发专门针对重金属胁迫表型的新型植被指数；2. 改进和开发重金属敏感光谱波长筛选算法；3. 创建时序表型分析方法，以区分胁迫响应与自然生长变化；4. 研究消除传感器和测量条件变异引起的谱响应的办法；5. 系统研究不同品种、物种植物对重金属光谱响应的差异与共性；6. 设计新的数据处理算法，如基于深度学习的图像处理、迁移学习、元学习等，并配套开发大规模数据集采集方法与设备。此外，融合多源数据（光谱、遥感、环境监测）并结合先进算法，有望实现更精准、高效、可持续的植物重金属胁迫检测与管理。
结论与价值
本综述论文全面、系统地总结了可见光/近红外光谱与高光谱成像技术，结合机器学习方法，在植物重金属胁迫高通量表型分析中的应用现状。文章不仅详细阐述了技术原理、光谱特征、数据类型（植被指数、全光谱、特征波段）和建模方法（传统机器学习与深度学习），还深入探讨了高光谱成像的空间可视化优势，并清晰指出了当前研究的挑战与未来发展的方向。
该论文的科学价值在于为植物表型组学、农业遥感、环境监测和精准农业交叉领域的研究者提供了一个结构清晰、内容详尽的“知识地图”和技术路线参考。其应用价值则体现在推动无损、快速、高通量的植物重金属胁迫诊断技术从实验室走向田间应用，为作物安全生产、污染农田管理、抗性品种选育以及生态环境安全保障提供有力的技术支撑。作者团队通过这篇综述，有力地促进了V/NIR光谱和HSI技术在植物重金属胁迫表型分析中的研究与应用，对保障全球粮食安全与人类健康具有重要的现实意义。