高光谱+AI,首次让植物光合“黑箱”变透明!XGBoost-SHAP框架同时预测四大参数

本期导读：

应用方向：光合参数（Tr、Pn、Ci、Gs）是判断作物健康状况和环境胁迫程度的最直接指标，传统逐叶接触式测量效率极低，无法支撑大田尺度的监测需求。本研究利用高光谱成像技术，实现了对上述四种参数的单次扫描同步预测——无需接触、无需破坏、单株测量仅需数秒，验证精度R²达0.791~0.861，可广泛应用于大田作物胁迫（重金属污染、干旱、盐碱等）的快速筛查与早期预警、高通量抗逆品种的筛选与评价，以及智慧农场光合生产力的动态监测与精准管理。此外，SHAP可解释性分析为模型提供了透明的物理诊断依据，使监测结果具备更高的可信度，更易被农业管理者和决策者采纳。

关键词：高光谱成像；植物光合参数同步预测；重金属胁迫监测

研究背景

快速、无损地获取植物生理状态信息，是精准农业与植物表型研究中长期存在的核心需求。传统光合仪（如LI-6800）虽单点测量准确，却依赖逐叶接触式操作，效率低下，难以胜任大田尺度的动态监测任务。尤其是在评估大面积农田所受重金属污染、干旱或病虫害胁迫时，传统方法的时空局限性尤为突出。

高光谱成像技术被视为突破这一瓶颈的关键路径。然而，从复杂冠层反射信号中同步、精准地反演多个高度耦合的光合参数——蒸腾速率（Tr）、净光合速率（Pn）、胞间CO₂浓度（Ci）和气孔导度（Gs）——仍面临双重挑战：一方面，高光谱数据维度高、共线性强，传统模型易陷入过拟合；另一方面，主流机器学习模型多属“黑箱”结构，即便预测精度可观，却无法阐释光谱特征与植物生理状态之间的内在关联，严重削弱了模型的可信度与实际应用价值。

针对上述难题，河南农业大学与河南财经政法大学研究团队以我司GaiaSky-mini2-VN高光谱成像系统为核心传感平台，系统开展了一项探索性研究。该团队创新性地构建了CARS-XGBoost-SHAP智能测量框架，成功实现了对四种光合参数的高精度、同步、可解释预测，为高光谱技术在农业监测中的深入应用提供了新思路。

实验与数据采集

实验设计：

实验在河南农业大学实验站的受控环境中完成。120盆一年生“洛阳红”牡丹幼苗被随机分为三组：对照组（CK，0mg·kg⁻¹Cd）、低镉处理组（T1，10 mg·kg⁻¹Cd）和高镉处理组（T2，30mg·kg⁻¹Cd）。实验采用分析纯CdCl₂溶液进行处理，整个实验期间土壤水分维持在田间持水量的70%-80%，光合有效辐射控制在400-600μmol·m⁻²·s⁻¹。

▲图1. 研究区域位置及采样点分布。

高光谱数据采集：

高光谱图像采用搭载于DJI Matrice 600 Pro无人机平台的GaiaSky-mini2-VN高光谱成像仪进行采集。传感器被刚性安装在冠层上方1.5m的固定天底位置，在四个生长时期（2024年6月22日至7月13日）的11:00-14:00之间，于晴好天气条件下进行采集。该设备在400-1000nm的VNIR波段范围内提供176个连续波段，光谱分辨率3.5nm。

光合参数真值采集：

每次成像完成后，立即使用LI-6800便携式光合系统同步测量三片完全展开的上层冠层叶片的光合参数真值，包括净光合速率（Pn）、蒸腾速率（Tr）、胞间CO₂浓度（Ci）和气孔导度（Gs）。

数据预处理：

原始高光谱图像经过几何校正和辐射定标后，手动勾选与LI-6800测量叶片对应的感兴趣区域（ROI），提取平均反射光谱，最终获得120条校准后的光谱向量用于后续建模。研究团队采用Savitzky-Golay平滑算法（多项式阶数=3，窗口=15）对原始光谱进行降噪处理，并计算了一阶导数（FD）光谱以凸显细微的光谱特征变化。

▲图2. 一个综合流程图，总结了数据流：从高光谱图像的采集与预处理，到特征选择以及用于预测光合参数的最终模型评估。

研究结果

1. 光谱响应特征

研究结果显示，不同镉胁迫水平下的冠层光谱存在显著差异。在整个测量周期内，光谱曲线保持了典型的植被光谱形态特征。从第二个测量时期开始，低镉和高镉处理组的光谱信号与对照组之间出现了统计上可分离的差异，这种差异在近红外区域（750-900nm）表现得尤为突出，胁迫组的反射率显著更高。这种近红外反射率的升高是胁迫诱导变化的直接光学指示，为高光谱无损检测提供了物理基础。

▲图3. 玫瑰在四个生长阶段不同镉胁迫水平下的光谱反射特性。

2. 特征筛选与模型性能

面对176个波段加上53种植被指数构成的高维输入空间，研究团队采用CARS算法进行特征筛选。该算法通过300次蒙特卡洛采样，逐步剔除冗余变量，最终保留约19个关键特征，实现了大幅度的维度约简。在模型对比中，XGBoost算法在16个评估场景中的13个中表现最优，始终优于随机森林（RF）和支持向量机（SVM）。更值得注意的是，包含一阶导数（FD）特征的模型，平均预测精度比仅用原始反射率的模型提升了18.7%。这说明导数处理是从背景噪声中放大细微胁迫信号的关键步骤。

▲图4. 使用CARS算法对四个光合作用参数进行特征选择的过程。

▲图5. 光合作用参数与高光谱特征之间的相关性图。

最终优化的CARS-XGBoost模型在独立测试集上取得了优异成绩，其中Ci的预测表现最为突出，作为受气孔供应和光合消耗共同调控的中间变量，其纯光学估计高度非线性，但仍取得了0.861的R²，充分证明了本框架的强大能力。

▲图6. 基于XGBoost算法的光合作用参数最优预测模型回归分析。注：(a) Tr-FD+ VI VI模型；(b) Pn-FD+VI VI模型；(c) Ci-FD+R R模型；(d) Gs-R+FD+VI VI模型。

3. 模型可解释性：SHAP分析

单纯的高精度预测还不够。本研究采用SHAP分析方法，基于博弈论量化每个特征对预测结果的贡献，将“黑箱”模型打开。

SHAP分析揭示了关键的物理机制：位于红边区域（748.8-752.4nm）的一阶导数特征FD104，在Tr、Pn、Gs模型中始终是最具影响力的预测因子，且主要表现为负向效应。更关键的是，依赖图显示FD104对预测的影响存在明确的非线性阈值——当FD104超过约0.0025时，其贡献由正转负。这个数学阈值在物理上正好对应着重金属胁迫导致叶绿素结构开始显著退化的临界点。在Ci模型中，FD112成为主导特征，在极高特征值区间触发急剧的正向冲击，反映了模型对极端光学漂移的敏感性，成功捕捉了严重非生物胁迫下胞间CO₂动力学的复杂生理响应。这些分析证明，模型学习到的规律与植物生理学预期高度一致，而不是统计学伪相关。这正是本研究的核心创新所在。

▲图7. 优化后的XGBoost预测模型对四种光合参数的SHAP可解释性分析。图（A）、（B）、（C）和（D）分别展示了蒸腾速率（Tr）、净光合速率（Pn）、细胞间CO₂浓度（Ci）和气孔导度（Gs）的整体SHAP评估结果。每个面板中：子面板（a）显示SHAP特征重要性汇总图，按关键波长排序；子面板（b）展示最具影响力的特征（如FD104）的SHAP依赖关系图，定量揭示其非线性阈值效应；子面板（c）呈现SHAP特征交互热力图，详细说明所选特征之间的协同关联。

结论

本研究成功验证了基于高光谱成像的CARS‑XGBoost‑SHAP智能测量框架在植物光合参数同步预测中的可行性。核心技术路径可概括为三步：CARS高效降维——从229个初始特征（176波段+53 VI）中稳定筛选出约19个关键变量；XGBoost精准建模——在四种目标参数（Tr、Pn、Ci、Gs）的预测中，测试集R²达到0.791~0.861，且在16个对比场景中的13个中优于RF与SVM；SHAP透明化诊断——定量揭示了主导特征FD104的非线性阈值效应，使模型决策过程具备物理可解释性。值得强调的是，引入一阶导数（FD）特征使预测精度平均提升18.7%，证明该预处理步骤对捕捉重金属胁迫下冠层光谱的细微变化至关重要。上述结果表明，该智能测量框架已具备从实验室走向田间应用的技术基础。

来源

Liu T, Yang F, Zhang P, Wang Z, Zhang H. Simultaneous prediction of plant photosynthetic parameters using canopy hyperspectral imaging and an explainable XGBoost-SHAP integration framework. Measurement, 2026, 274: 121257.

PRODUCT

产品推荐