高光譜成像技術在茶葉研究中的應用進展（下）
5.高光譜成像技術在茶樹種植中的應用
茶cha樹shu是shi一yi種zhong典dian型xing的de葉ye片pian型xing植zhi物wu，具ju有you獨du特te的de表biao型xing特te征zheng。例li如ru，茶cha樹shu的de葉ye麵mian積ji與yu產chan量liang直zhi接jie相xiang關guan，而er茶cha芽ya的de形xing態tai則ze是shi中zhong國guo綠lv茶cha等deng級ji評ping定ding的de重zhong要yao依yi據ju。茶cha葉ye中zhong的de茶cha多duo酚fen和he茶cha氨an酸suan含han量liang對dui其qi風feng味wei和he口kou感gan有you著zhe至zhi關guan重zhong要yao的de影ying響xiang。此ci外wai，茶cha葉ye的de生sheng長chang品pin質zhi會hui受shou到dao多duo種zhong因yin素su的de影ying響xiang，包bao括kuo光guang照zhao、溫度、水分和肥料。這些因素對茶葉質量有複雜的影響，使得專家難以精確預測茶葉的品質變化和進行合理的茶園管理。
傳統的方法是專家根據天氣、chayeshengchangdebianhuahexinxianchayedeyansehuoxingzhuanglaiguanlichayuan。zhezhongguanlifangshibujinhaofeidaliangrenli，haigaoduyilaizhuanjiajingyan，nanyishiyingdaguimochayuandeshengchanxuqiu。weilemanzugaotongliang、快速且準確的檢測需求，高光譜遙感（HSI）使(shi)植(zhi)物(wu)的(de)物(wu)種(zhong)分(fen)類(lei)和(he)生(sheng)物(wu)化(hua)學(xue)參(can)數(shu)監(jian)測(ce)成(cheng)為(wei)可(ke)能(neng)，因(yin)為(wei)高(gao)光(guang)譜(pu)數(shu)據(ju)包(bao)含(han)大(da)量(liang)的(de)窄(zhai)光(guang)譜(pu)通(tong)道(dao)，可(ke)以(yi)檢(jian)測(ce)到(dao)窄(zhai)吸(xi)收(shou)特(te)征(zheng)的(de)細(xi)微(wei)變(bian)化(hua)。該(gai)技(ji)術(shu)采(cai)用(yong)光(guang)譜(pu)和(he)空(kong)間(jian)信(xin)息(xi)的(de)多(duo)模(mo)態(tai)數(shu)據(ju)，結(jie)合(he)機(ji)器(qi)學(xue)習(xi)和(he)人(ren)工(gong)智(zhi)能(neng)技(ji)術(shu)，可(ke)以(yi)實(shi)現(xian)茶(cha)葉(ye)種(zhong)植(zhi)過(guo)程(cheng)中(zhong)品(pin)質(zhi)自(zi)動(dong)化(hua)和(he)精(jing)確(que)檢(jian)測(ce)，該(gai)技(ji)術(shu)不(bu)僅(jin)提(ti)高(gao)了(le)檢(jian)測(ce)效(xiao)率(lv)，減(jian)少(shao)了(le)人(ren)為(wei)誤(wu)差(cha)，還(hai)提(ti)供(gong)了(le)更(geng)客(ke)觀(guan)和(he)準(zhun)確(que)的(de)植(zhi)物(wu)性(xing)狀(zhuang)呈(cheng)現(xian)。近(jin)年(nian)來(lai)，HSI技術在茶樹室外栽培管理中得到了廣泛應用，常用於茶樹葉片營養分析、茶園土壤分析，以及茶樹的病蟲害監測，逐步成為茶葉種植管理中重要的監測手段。
5.1高光譜成像技術用於茶樹葉片營養與土壤分析
高光譜成像技術在茶葉的栽培管理監測中，通常應用於茶樹葉片營養分析、茶園種植土壤分析，也有將其應用於茶樹抗旱資源的篩選。多數研究集中於葉綠素監測，通過監測葉綠素含量實現多茶葉栽培的管理。
Dutta等(Dutta et al., 2015)利用多種多元分析方法對347-2506 nm範圍內的實地測量高光譜數據進行分析，篩選出最佳預測模型，並建立了一階導數光譜偏最小二乘回歸（FDR-PLSR）moxing，yizhunquegujichayezhongdechaduofenhanliang。gaimoxingzhanshilejiaogaodeyucejingdu。zhengminglegaoguangpujishuzaikongjianchidushanggujihejiancechayezhiliangdekenengxing。
Tu等(Tu et al., 2018)利用無人機搭載的450-998 nm高光譜相機（圖13）采集茶樹樹冠的光譜數據，對大規模茶園中的茶樹品種進行精確分類。通過標準正態變量變換（SNV）對高光譜數據進行預處理，並使用偏最小二乘回歸（PLSR）預測茶多酚和氨基酸含量，預測結果顯示茶多酚與氨基酸比值（茶葉感官品質的主要指標）的模型精度較好。這表明光譜數據與茶葉質量指標之間存在關聯性。
圖13. 無人機搭載高光譜相機設備
Jiang等(Jiang et al., 2024)利用不同的高光譜處理方法，確定了影響茶樹生長參數（生物量和氮積累）demingangaoguangputezheng，bingliyongjiqixuexisuanfajianlilejiyuduoleixingminganguangpuxinxidechashushengwulianghedanjileigusuanmoxing，zuihoupingjialemoxingzaiquannianbutongshiqijiancechashushengwulianghedanjileidezhunquexing。gaiyanjiuliyonggaoguangpuyaoganjishushixianlekuaisu、無損地估算茶樹生長和氮營養狀況，對茶園的精準管理具有重要意義。本研究中茶樹高光譜圖像的采集方法如圖14所示。
圖14. 茶樹高光譜圖像的采集方法
Chen等(Chen et al., 2022)通過獲取茶樹表型的高光譜圖像（圖15），結jie合he相xiang關guan生sheng理li指zhi標biao進jin行xing了le建jian模mo，並bing對dui幾ji種zhong茶cha葉ye種zhong質zhi資zi源yuan進jin行xing旱han水shui化hua試shi驗yan。收shou集ji了le生sheng理li生sheng化hua和he高gao光guang譜pu數shu據ju，分fen析xi了le不bu同tong生sheng理li生sheng化hua指zhi標biao在zai評ping估gu茶cha樹shu抗kang旱han性xing中zhong的de權quan重zhong，采cai用yong不bu同tong算suan法fa對dui原yuan始shi光guang譜pu數shu據ju進jin行xing處chu理li，並bing建jian立li了leTea-DTC預測模型。結果表明，基於高光譜和機器學習技術的Tea-DTC模型可作為一種新方法，用於茶葉耐旱性種質資源的篩選和評價。
圖15. 茶葉光譜數據提取過程
Li等(Li et al., 2024)提出了一種利用高光譜成像技術監測茶葉扡插苗莖根生長的方法。首先，利用Mask R-CNN提取茶苗的成熟葉和芽光譜。然後采用MSC、S-G、一維濾波技術對光譜進行預處理，通過UVE、CARS和SPA篩選特征波段。最後，利用CNN-GRU網絡預測莖和根生物量，並與CNN和LSTM的SVR、RFR、PLSR機器學習方法和深度學習方法進行比較（圖16）。結果表明Mask R-CNN能夠準確提取成熟葉片和芽的光譜；UVE篩選出的芽和根生物量的光譜特征波段比CARS和SPA方法更為全麵；基於芽光譜的UVE+CNN-GRU模型為芽生物量的預測提供了最優結果，而基於成熟葉片光譜的SPA+LSTM模(mo)型(xing)則(ze)對(dui)根(gen)係(xi)生(sheng)物(wu)量(liang)的(de)估(gu)計(ji)最(zui)為(wei)精(jing)準(zhun)。這(zhe)些(xie)發(fa)現(xian)表(biao)明(ming)，結(jie)合(he)深(shen)度(du)學(xue)習(xi)算(suan)法(fa)的(de)高(gao)光(guang)譜(pu)成(cheng)像(xiang)技(ji)術(shu)可(ke)以(yi)快(kuai)速(su)準(zhun)確(que)地(di)監(jian)測(ce)扡(qian)插(cha)苗(miao)的(de)生(sheng)長(chang)情(qing)況(kuang)，且(qie)不(bu)會(hui)造(zao)成(cheng)損(sun)害(hai)。這(zhe)不(bu)僅(jin)為(wei)高(gao)效(xiao)篩(shai)選(xuan)茶(cha)葉(ye)優(you)良(liang)品(pin)種(zhong)提(ti)供(gong)了(le)新(xin)的(de)數(shu)據(ju)來(lai)源(yuan)和(he)技(ji)術(shu)手(shou)段(duan)，而(er)且(qie)提(ti)高(gao)了(le)農(nong)業(ye)生(sheng)產(chan)效(xiao)率(lv)和(he)資(zi)源(yuan)利(li)用(yong)率(lv)。
圖16. 基於高光譜成像技術監測茶葉扡插苗從扡插到長成苗的生物量變化
5.2高光譜成像技術用於茶樹病蟲害監測
在植物病蟲害檢測研究中，植物葉片被病菌感染後往往出現不同形式的病斑、壞死或萎蔫區，色素含量和活性降低，導致可見光區的反射率增加，紅邊（670-730 nm）向短波方向移動。在這些病蟲害侵染植物的過程中，光譜響應與病蟲害引起的植物色素、水分、葉麵積等生化物質的症狀有關。
Yuan等(Yuan et al., 2019)通過觀察450-950 nm波長範圍內炭疽病引起的紅移現象，篩選出適合於檢測炭疽病的最佳高光譜特征集，並進一步利用自相關分析準確、kuaisushibiechayeshangdetanjubingquyu。tamenjiangwujiandufenleiheerweiyuzhishiyingxiangjiehe，goujianleyigeyongyujiajiancedefenxikuangjia，zaixiangsushuipingshangshibiejibingdezongtizhunquelvdadao94%（圖17）。證明了高光譜技術有助於提高茶樹病害檢測和田間管理水平。
圖17. 基於高光譜成像的茶樹炭疽病檢測工作流程示意圖
Cui等(Cui et al., 2021)提出了一種基於冠層高光譜數據（450-950 nm）的方法，用於檢測和區分外觀特征相似的三種茶樹脅迫（炭疽病、茶葉蟲害和曬傷）。通過光譜靈敏度分析，他們確定了去除植物背景、識別植物損傷區域以及區分茶樹脅迫類型的最佳光譜特征。隨後，研究利用k均值聚類和KNN算法構建了茶樹損傷區域的檢測模型，並通過Fisher線性判別法準確區分損傷區域的脅迫類型（圖18）。模型驗證結果顯示，損傷區域檢測的準確率達到95%，脅迫類型識別的準確率高達98%。congyishangyanjiukeyikanchu，jiyugaoguangpuchengxiangshujudeyanjiufangfazhuyaoshitongguogezhongtongjipanbiehuoshujuwajuesuanfa，jianliguangputezhengyubingchonghaileixingzhijiandeguanxi，congerdadaoduibutongleixingxiepoxiaqinranquyudezhunquefenxi。jieshilegaijishuzaidaguimochayuanbinghaiguanlitebieshishishijiancehezhunquezhenduanfangmiandeqianzaiyingyong。
圖18. 基於高光譜成像技術的茶樹脅迫檢測與區分流程圖
6.總結與展望
高gao光guang譜pu成cheng像xiang技ji術shu在zai茶cha葉ye研yan究jiu中zhong的de應ying用yong日ri益yi深shen入ru，展zhan現xian出chu巨ju大da的de潛qian力li。該gai技ji術shu結jie合he了le成cheng像xiang與yu光guang譜pu分fen析xi的de優you勢shi，生sheng成cheng包bao含han空kong間jian和he光guang譜pu信xin息xi的de三san維wei數shu據ju立li方fang體ti，從cong而er克ke服fu了le傳chuan統tong成cheng像xiang和he光guang譜pu技ji術shu的de局ju限xian。通tong過guo高gao光guang譜pu成cheng像xiang，能neng夠gou無wu損sun、精確地分析茶葉中的生物活性成分，如茶多酚、咖啡因和氨基酸等。同時，這項技術的應用已經從實驗室擴展至茶樹種植的實際檢測中，包括茶樹營養狀態、土壤成分以及病蟲害的監測等方麵。
raner，gaoguangpuchengxiangchanshengdedaliangguangpushujuduinongchanpindekuaisujianceyingyongtichuletiaozhan。yaojiejuezheyiwenti，bixucongrongyudeshujuzhongtiquyoujiazhidetezhengxinxi，bingkaifaheshideyucemoxing。ciwai，feizhuanyerenshikenengmianlinshujuchulihejianmofangmiandetiaozhan，zhekenenghuizuaigaijishuyushengchanxiandezhenghe。suizherengongzhinenghejiqixuexijishudefazhan，weilaixiwanggaoguangpuchengxiangjishuzaichayejiancezhongdeyingyonggengjiazidonghuahezhinenghua。jiehedashujufenxiyujianmo，youwangjinyibutigaochayepinzhiyucedezhunquexing，zhulichayechanyedebiaozhunhuahexiandaihuajincheng。tongshi，jishudetuiguangyuyingyongjiangtuidongchayequanchanyeliandeshengji，congchayezhongzhidaojiagongzaidaoxiaoshou，dailaigengjuxiaolvhepinzhibaozhangdeshengchanmoshi。
參考文獻
Chen, S., Shen, J., Fan, K., Qian, W., Gu, H., Li, Y., Zhang, J., Han, X., Wang, Y., & Ding, Z. (2022). Hyperspectral machine-learning model for screening tea germplasm resources with drought tolerance. Frontiers in Plant Science, 13, 1048442. https://doi.org/10.3389/fpls.2022.1048442
Cui, L., Yan, L., Zhao, X., Yuan, L., Jin, J., & Zhang, J. (2021). Detection and Discrimination of Tea Plant Stresses Based on Hyperspectral Imaging Technique at a Canopy Level. Phyton, 90(2), 621–634. https://doi.org/10.32604/phyton.2021.015511
Dutta, D., Das, P. K., Bhunia, U. K., Singh, U., Singh, S., Sharma, J. R., & Dadhwal, V. K. (2015). Retrieval of tea polyphenol at leaf level using spectral transformation and multi-variate statistical approach. International Journal of Applied Earth Observation and Geoinformation, 36, 22–29. https://doi.org/10.1016/j.jag.2014.11.001
Jiang, J., Ji, H., Yan, Y., Zhao, L., Pan, R., Liu, X., Yin, J., Duan, Y., Ma, Y., Zhu, X., & Fang, W. (2024). Mining sensitive hyperspectral feature to non-destructively monitor biomass and nitrogen accumulation status of tea plant throughout the whole year. Computers and Electronics in Agriculture, 225.
Li, H., Mao, Y., Shi, H., Fan, K., Sun, L., Zaman, S., Shen, J., Li, X., Bi, C., Shen, Y., Xu, Y., Chen, H., Ding, Z., & Wang, Y. (2024). Establishment of deep learning model for the growth of tea cutting seedlings based on hyperspectral imaging technique. Scientia Horticulturae, 331, 113106. https://doi.org/10.1016/j.scienta.2024.113106
Tu, Y., Bian, M., Wan, Y., & Fei, T. (2018). Tea cultivar classification and biochemical parameter estimation from hyperspectral imagery obtained by UAV. PeerJ, 6, e4858. https://doi.org/10.7717/peerj.4858
Yuan, L., Yan, P., Han, W., Huang, Y., Wang, B., Zhang, J., Zhang, H., & Bao, Z. (2019). Detection of anthracnose in tea plants based on hyperspectral imaging. Computers and Electronics in Agriculture, 167, 105039. https://doi.org/10.1016/j.compag.2019.105039
地址：無錫市梁溪區南湖大道飛宏路58-1-108.png)
電話：.png)
郵箱：
在線谘詢