【應用方向】光合參數（Tr、Pn、Ci、Gs）是判斷作物健康狀況和環境脅迫程度的最直接指標，傳統逐葉接觸式測量效率極低，無法支撐大田尺度的監測需求。本研究利用高光譜成像技術，實現了對上述四種參數的單次掃描同步預測——無需接觸、無需破壞、單株測量僅需數秒，驗證精度R2達0.791~0.861，可廣泛應用于大田作物脅迫（重金屬污染、干旱、鹽堿等）的快速篩查與早期預警、高通量抗逆品種的篩選與評價，以及智慧農場光合生產力的動態監測與精準管理。此外，SHAP可解釋性分析為模型提供了透明的物理診斷依據，使監測結果具備更高的可信度，更易被農業管理者和決策者采納。

【關鍵詞】高光譜成像 ∣ 植物光合參數同步預測 ∣ 重金屬脅迫監測

【研究背景】

快速、無損地獲取植物生理狀態信息，是精準農業與植物表型研究中長期存在的核心需求。傳統光合儀（如LI-6800）雖單點測量準確，卻依賴逐葉接觸式操作，效率低下，難以勝任大田尺度的動態監測任務。尤其是在評估大面積農田所受重金屬污染、干旱或病蟲害脅迫時，傳統方法的時空局限性尤為突出。

高光譜成像技術被視為突破這一瓶頸的關鍵路徑。然而，從復雜冠層反射信號中同步、精準地反演多個高度耦合的光合參數——蒸騰速率（Tr）、凈光合速率（Pn）、胞間CO?濃度（Ci）和氣孔導度（Gs）——仍面臨雙重挑戰：一方面，高光譜數據維度高、共線性強，傳統模型易陷入過擬合；另一方面，主流機器學習模型多屬“黑箱"結構，即便預測精度可觀，卻無法闡釋光譜特征與植物生理狀態之間的內在關聯，嚴重削弱了模型的可信度與實際應用價值。

針對上述難題，河南農業大學與河南財經政法大學研究團隊以我司GaiaSky-mini2-VN高光譜成像系統為核心傳感平臺，系統開展了一項探索性研究。該團隊創新性地構建了CARS-XGBoost-SHAP智能測量框架，成功實現了對四種光合參數的高精度、同步、可解釋預測，為高光譜技術在農業監測中的深入應用提供了新思路。

【實驗與數據采集】

實驗設計：

實驗在河南農業大學實驗站的受控環境中完成。120盆一年生‘洛陽紅’牡丹幼苗被隨機分為三組：對照組（CK，0 mg·kg?1 Cd）、低鎘處理組（T1，10 mg·kg?1 Cd）和高鎘處理組（T2，30 mg·kg?1 Cd）。實驗采用分析純CdCl?溶液進行處理，整個實驗期間土壤水分維持在田間持水量的70%-80%，光合有效輻射控制在400-600 μmol·m?2·s?1。

圖1. 研究區域位置及采樣點分布。

高光譜數據采集：

高光譜圖像采用搭載于DJI Matrice 600 Pro無人機平臺的GaiaSky-mini2-VN高光譜成像儀進行采集。傳感器被剛性安裝在冠層上方1.5 m的固定天底位置，在四個生長時期（2024年6月22日至7月13日）的11:00-14:00之間，于晴好天氣條件下進行采集。該設備在400-1000 nm的VNIR波段范圍內提供176個連續波段，光譜分辨率3.5 nm。

光合參數真值采集：

每次成像完成后，立即使用LI-6800便攜式光合系統同步測量三片完*展開的上層冠層葉片的光合參數真值，包括凈光合速率（Pn）、蒸騰速率（Tr）、胞間CO?濃度（Ci）和氣孔導度（Gs）。

數據預處理：

原始高光譜圖像經過幾何校正和輻射定標后，手動勾選與LI-6800測量葉片對應的感興趣區域（ROI），提取平均反射光譜，最終獲得120條校準后的光譜向量用于后續建模。研究團隊采用Savitzky-Golay平滑算法（多項式階數=3，窗口=15）對原始光譜進行降噪處理，并計算了一階導數（FD）光譜以凸顯細微的光譜特征變化。

圖2. 一個綜合流程圖，總結了數據流：從高光譜圖像的采集與預處理，到特征選擇以及用于預測光合參數的最終模型評估。

【研究結果】

1. 光譜響應特征

研究結果顯示，不同鎘脅迫水平下的冠層光譜存在顯著差異。在整個測量周期內，光譜曲線保持了典型的植被光譜形態特征。從第二個測量時期開始，低鎘和高鎘處理組的光譜信號與對照組之間出現了統計上可分離的差異，這種差異在近紅外區域（750-900 nm）表現得尤為突出，脅迫組的反射率顯著更高。這種近紅外反射率的升高是脅迫誘導變化的直接光學指示，為高光譜無損檢測提供了物理基礎。

圖3 玫瑰在四個生長階段不同鎘脅迫水平下的光譜反射特性。

2. 特征篩選與模型性能

面對176個波段加上53種植被指數構成的高維輸入空間，研究團隊采用CARS算法進行特征篩選。該算法通過300次蒙特卡洛采樣，逐步剔除冗余變量，最終保留約19個關鍵特征，實現了大幅度的維度約簡。在模型對比中，XGBoost算法在16個評估場景中的13個中表現*優，始終優于隨機森林（RF）和支持向量機（SVM）。更值得注意的是，包含一階導數（FD）特征的模型，平均預測精度比僅用原始反射率的模型提升了18.7%。這說明導數處理是從背景噪聲中放大細微脅迫信號的關鍵步驟。

圖4. 使用CARS算法對四個光合作用參數進行特征選擇的過程。

圖5. 光合作用參數與高光譜特征之間的相關性圖。

最終優化的CARS-XGBoost模型在獨立測試集上取得了優異成績，其中Ci的預測表現最為突出，作為受氣孔供應和光合消耗共同調控的中間變量，其純光學估計高度非線性，但仍取得了0.861的R2，充分證明了本框架的*大能力。

圖6. 基于XGBoost算法的光合作用參數*優預測模型回歸分析。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. 模型可解釋性：SHAP分析

單純的高精度預測還不夠。本研究采用SHAP分析方法，基于博弈論量化每個特征對預測結果的貢獻，將“黑箱"模型打開。

SHAP分析揭示了關鍵的物理機制：位于紅邊區域（748.8-752.4 nm）的一階導數特征FD104，在Tr、Pn、Gs模型中始終是*具影響力的預測因子，且主要表現為負向效應。更關鍵的是，依賴圖顯示FD104對預測的影響存在明確的非線性閾值——當FD104超過約0.0025時，其貢獻由正轉負。這個數學閾值在物理上正好對應著重金屬脅迫導致葉綠素結構開始顯著退化的臨界點。在Ci模型中，FD112成為主導特征，在*高特征值區間觸發急劇的正向沖擊，反映了模型對*端光學漂移的敏感性，成功捕捉了嚴重非生物脅迫下胞間CO?動力學的復雜生理響應。這些分析證明，模型學習到的規律與植物生理學預期高度一致，而不是統計學偽相關。這正是本研究的核心創新所在。

圖7. 優化后的XGBoost預測模型對四種光合參數的SHAP可解釋性分析。圖（A）、（B）、（C）和（D）分別展示了蒸騰速率（Tr）、凈光合速率（Pn）、細胞間CO?濃度（Ci）和氣孔導度（Gs）的整體SHAP評估結果。每個面板中：子面板（a）顯示SHAP特征重要性匯總圖，按關鍵波長排序；子面板（b）展示*具影響力的特征（如FD104）的SHAP依賴關系圖，定量揭示其非線性閾值效應；子面板（c）呈現SHAP特征交互熱力圖，詳細說明所選特征之間的協同關聯。

【總結】

本研究成功驗證了基于高光譜成像的CARS?XGBoost?SHAP智能測量框架在植物光合參數同步預測中的可行性。核心技術路徑可概括為三步：CARS高效降維——從229個初始特征（176波段+53 VI）中穩定篩選出約19個關鍵變量；XGBoost精準建模——在四種目標參數（Tr、Pn、Ci、Gs）的預測中，測試集R2達到0.791~0.861，且在16個對比場景中的13個中優于RF與SVM；SHAP透明化診斷——定量揭示了主導特征FD104的非線性閾值效應，使模型決策過程具備物理可解釋性。值得強調的是，引入一階導數（FD）特征使預測精度平均提升18.7%，證明該預處理步驟對捕捉重金屬脅迫下冠層光譜的細微變化至關重要。上述結果表明，該智能測量框架已具備從實驗室走向田間應用的技術基礎。

論文信息：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.