Plant Biotechnology Journal雜志在線發(fā)表了 “Integrating sensor fusion with machine learning for comprehensive assessment of phenotypic traits and drought response in poplar species”論文。該研究工作利用熱成像與可見光成像傳感器采集多模態(tài)數(shù)據(jù)，從“放大”（包括數(shù)據(jù)層融合、特征層融合和決策層融合）與“縮小”（數(shù)據(jù)分解）兩個(gè)維度系統(tǒng)提取了楊樹在干旱脅迫下的多模態(tài)表型特征，基于圖像處理技術(shù)和機(jī)器學(xué)習(xí)算法構(gòu)建楊樹干旱監(jiān)測模型以對精準(zhǔn)監(jiān)測干旱嚴(yán)重程度及持續(xù)時(shí)間，進(jìn)而探索出對楊樹干旱脅迫監(jiān)測最有效的數(shù)據(jù)處理方式。
全球氣候變暖正以前所未有的速度加劇干旱脅迫，對林木生態(tài)系統(tǒng)構(gòu)成致命威脅。作為陸地生態(tài)系統(tǒng)最大的碳庫，林木一旦受損，可能引發(fā)“干旱脅迫-碳排放-氣候增溫”的惡性循環(huán)，導(dǎo)致碳儲(chǔ)量急劇下降，生物多樣性面臨不可逆的喪失。研究警示，氣候變化已超越許多物種通過遷移或適應(yīng)所能承受的極限，直接威脅生態(tài)系統(tǒng)的可持續(xù)發(fā)展，甚至可能誘發(fā)全球生態(tài)危機(jī)。在這一緊迫背景下，傳統(tǒng)方法往往依賴單一數(shù)據(jù)源及處理方式，難以捕捉干旱響應(yīng)的復(fù)雜性，如何突破傳統(tǒng)技術(shù)瓶頸，融合多源數(shù)據(jù)的互補(bǔ)優(yōu)勢，探索最優(yōu)的數(shù)據(jù)處理方法，構(gòu)建基于多模態(tài)數(shù)據(jù)的干旱脅迫動(dòng)態(tài)評估體系，精準(zhǔn)揭示不同林木品種在干旱中的時(shí)空響應(yīng)差異，已成為破解生態(tài)預(yù)警困局、搶占全球生態(tài)保護(hù)戰(zhàn)略高地的重要問題。通過綜合運(yùn)用“放大”（涵蓋數(shù)據(jù)層融合、特征層融合和決策層融合）與“縮小”（數(shù)據(jù)分解）等多種數(shù)據(jù)處理方法對楊樹干旱監(jiān)測進(jìn)行了深入研究。系統(tǒng)全面評估了不同數(shù)據(jù)處理方法在提取表型特征及楊樹干旱監(jiān)測效果中的表現(xiàn)，此外，研究深入剖析了不同數(shù)據(jù)處理方法生成的新表型特征的應(yīng)用潛力，為樹木健康監(jiān)測和干旱響應(yīng)評估提供了堅(jiān)實(shí)的理論基礎(chǔ)和實(shí)踐指導(dǎo)。全文主要研究結(jié)果如下：
1.數(shù)據(jù)分解下提取的表型特征對楊樹干旱脅迫的敏感性較低
研究者通過二維小波變換結(jié)合灰度共生矩陣算法，對熱紅外和可見光圖像分解為近似系數(shù)、水平細(xì)節(jié)系數(shù)、垂直細(xì)節(jié)系數(shù)和對角線細(xì)節(jié)系數(shù)四個(gè)子波段，經(jīng)過灰度共生矩陣從各子波段提取紋理特征，經(jīng)特征篩選和超參數(shù)優(yōu)化，確定最優(yōu)特征組合及參數(shù)，結(jié)合隨機(jī)森林（Random Forest，RF）、極端梯度提升（Extreme Gradient Boosting，XGBoost）、梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）、決策樹（Decision Tree，DT）和類別梯度提升（Categorical Boosting，CatBoost）等五種機(jī)器學(xué)習(xí)算法，構(gòu)建楊樹干旱監(jiān)測模型。結(jié)果顯示，當(dāng)特征數(shù)量為24個(gè)（熱紅外圖像15個(gè)，可見光圖像9個(gè)）時(shí)，模型交叉驗(yàn)證分?jǐn)?shù)最高，表明熱紅外圖像的子波段紋理特征對干旱脅迫響應(yīng)更敏感（圖1a-b）。然而，五種算法的監(jiān)測表現(xiàn)均不理想，誤分類較多，整體精度較低，其中RF和CatBoost表現(xiàn)相對較優(yōu)（圖1c）?？傮w而言，數(shù)據(jù)分解提取的紋理特征對楊樹干旱脅迫的敏感性不足，限制了監(jiān)測精度的提升。
圖1 數(shù)據(jù)分解下特征篩選與機(jī)器學(xué)習(xí)模型結(jié)果
2.數(shù)據(jù)層融合中RGB圖像融合算法提取的表型特征對楊樹干旱監(jiān)測的精度高于灰度圖像融合算法
研究人員比較了灰度圖像融合算法（DSFusion(K. Liu et al., 2024)、CrossFuse(Li and Wu, 2024)和DATFuse(W. Tang et al., 2023)）和RGB圖像融合算法（FISCNet(Zheng et al., 2024)、PSFusion(L. Tang et al., 2023)和SemLA(Xie et al., 2023)）在楊樹干旱監(jiān)測中的效果。從灰度融合圖像提取紋理信息和灰度通道值，從RGB融合圖像提取植被指數(shù)和紋理值作為表型特征。通過特征篩選和超參數(shù)優(yōu)化，確定最優(yōu)特征組合，結(jié)合RF、XGBoost、GBDT、DT和CatBoost算法構(gòu)建監(jiān)測模型。灰度融合算法中灰度通道值重要性最高，但模型精度較低，DATFuse結(jié)合XGBoost表現(xiàn)最佳（圖2a）。RGB融合算法性能更優(yōu)，SemLA提取的特征數(shù)量少但對干旱敏感性高，EXG和CIVE權(quán)重較大，其結(jié)合CatBoost的模型精度最高（圖2b）?？傮w而言，RGB融合算法在監(jiān)測精度上優(yōu)于灰度融合，但兩者效果均不理想，反映了數(shù)據(jù)層融合在捕捉干旱特征方面的局限性。
a. 灰度圖像融合算法下特征篩選與機(jī)器學(xué)習(xí)模型結(jié)果
b. RGB圖像融合算法下特征篩選與機(jī)器學(xué)習(xí)模型結(jié)果
圖2 數(shù)據(jù)層融合下特征篩選與機(jī)器學(xué)習(xí)模型結(jié)果
3.特征層融合中常見特征組合對于楊樹干旱監(jiān)測的精度優(yōu)于全特征組合
研究者基于熱紅外和可見光數(shù)據(jù)，研究分別提取溫度特征、熱紅外紋理特征、植被指數(shù)及可見光紋理特征。為評估特征層融合在楊樹干旱監(jiān)測中的效果，研究設(shè)計(jì)了兩組輸入特征組合：常見特征組合（植被指數(shù)和溫度特征）與全特征組合（植被指數(shù)、溫度特征、可見光紋理特征和熱紅外紋理特征）。通過特征篩選和超參數(shù)優(yōu)化，確定最優(yōu)特征組合及參數(shù)配置，并采用RF、XGBoost、GBDT、DT和CatBoost五種算法構(gòu)建干旱監(jiān)測模型。結(jié)果顯示，溫度特征在兩組最優(yōu)特征組合中均占主導(dǎo)地位，其中最小溫度特征（MinTc）重要性排名第一，凸顯其在干旱監(jiān)測中的高敏感性（圖3a-b）。盡管常見特征組合的敏感特征數(shù)量較少，其模型性能優(yōu)于全特征組合（圖3c）。這表明，常見特征組合以更少的特征實(shí)現(xiàn)更高的精度和穩(wěn)定性。總體而言，常見特征組合在楊樹干旱監(jiān)測中表現(xiàn)更優(yōu)，凸顯了溫度特征和植被指數(shù)的核心作用。
圖3 特征層融合下特征篩選與機(jī)器學(xué)習(xí)模型結(jié)果
4.決策層融合下Stacking融合策略建立的楊樹干旱監(jiān)測模型精度高于Voting融合策略
研究人員采用軟投票的Voting和基于邏輯回歸的Stacking兩種策略，基于熱紅外（提取溫度和紋理特征）和可見光（提取植被指數(shù)和紋理特征）數(shù)據(jù)構(gòu)建楊樹干旱監(jiān)測模型。通過特征篩選和超參數(shù)優(yōu)化，結(jié)合RF、XGBoost、GBDT、DT和CatBoost算法，分別建立熱紅外和可見光基礎(chǔ)模型，并選取最優(yōu)模型進(jìn)行決策層融合。結(jié)果顯示，熱紅外特征數(shù)量較少但交叉驗(yàn)證分?jǐn)?shù)更高，表明其對干旱敏感性更強(qiáng)（圖4a-b）?；A(chǔ)模型中，CatBoost和GBDT在熱紅外模型中準(zhǔn)確性最高，GBDT在可見光模型中表現(xiàn)最佳（圖4c-d）。決策層融合中，以CatBoost（熱紅外）和GBDT（可見光）為基礎(chǔ)，Stacking策略的模型在準(zhǔn)確率、精確率、召回率和F1評分上優(yōu)于Voting策略?？傮w而言，Stacking融合策略展現(xiàn)出更強(qiáng)的適應(yīng)性，能有效整合熱紅外和可見光模型預(yù)測結(jié)果，顯著提升楊樹干旱監(jiān)測性能。
圖4 決策融合基礎(chǔ)模型特征篩選與機(jī)器學(xué)習(xí)模型結(jié)果
5.特征層融合對楊樹干旱監(jiān)測的效果最好且新表型特征無法作為原始特征的有效補(bǔ)充提升楊樹干旱監(jiān)測精度
研究人員比較了數(shù)據(jù)分解、數(shù)據(jù)層融合、特征層融合和決策層融合四種數(shù)據(jù)處理方法在楊樹干旱監(jiān)測中的效果。結(jié)果表明，特征層融合性能最佳，模型精度最高（圖5）。特征層融合和決策層融合直接利用熱紅外和可見光圖像的表型特征（如溫度和植被指數(shù)），而數(shù)據(jù)分解和數(shù)據(jù)層融合需從處理后圖像提取新特征（如紋理或融合特征）。為驗(yàn)證新表型特征有效性，研究將數(shù)據(jù)分解及數(shù)據(jù)層融合（灰度DATFuse和RGB SemLA算法）生成的新特征與原始特征結(jié)合，通過特征篩選和超參數(shù)優(yōu)化，采用RF、XGBoost、GBDT、DT和CatBoost算法構(gòu)建模型。結(jié)果顯示，數(shù)據(jù)分解和灰度數(shù)據(jù)層融合的新特征與特征層融合的特征選擇結(jié)果一致，模型性能未提升；RGB數(shù)據(jù)層融合的最優(yōu)特征組合包含新特征和溫度特征，但精度低于特征層融合。總體來說，特征層融合以高效特征整合在楊樹干旱監(jiān)測中表現(xiàn)最佳，數(shù)據(jù)分解和數(shù)據(jù)層融合的新特征未提供額外信息。
圖5 不同數(shù)據(jù)處理方法圖像處理過程及精度比較結(jié)果
這項(xiàng)研究創(chuàng)新性采用數(shù)據(jù)“放大”（包括數(shù)據(jù)層融合、特征層融合和決策層融合）與“縮小”（數(shù)據(jù)分解）多種數(shù)據(jù)處理方法全面評估楊樹干旱響應(yīng)，突破傳統(tǒng)單尺度分析局限，成功實(shí)現(xiàn)了對楊樹干旱嚴(yán)重程度和持續(xù)時(shí)間的監(jiān)測，構(gòu)建了具有時(shí)空預(yù)測能力的林木干旱脅迫感知技術(shù)，為林木健康狀況的動(dòng)態(tài)跟蹤與干旱響應(yīng)的科學(xué)評估提供了理論基礎(chǔ)和技術(shù)支持。
Zhou Ziyang, Zhang Huichun, Bian Liming, Zhou Lei, Ge Yufeng. Integrating sensor fusion with machine learning for comprehensive assessment of phenotypic traits and drought response in poplar species. Plant Biotechnology Journal. 2025，1-18
南京林業(yè)大學(xué)的教授團(tuán)隊(duì)和美國內(nèi)布拉斯加大學(xué)林肯分校的葛玉峰教授團(tuán)隊(duì)和長期從事植物表型平臺(tái)和技術(shù)研究，開展了植物生理、生化特性的高通量表型研究，致力于將工程技術(shù)引入表型分析，從而推動(dòng)育種改良和精確農(nóng)林的發(fā)展。
