植物胁迫监测的相关性

随着人口的增长，农业效率成为一个至关重要的问题。尽管作物生产与几十年前有明显不同，但考虑到粮食安全和积极的农业研究的迫切需要，作物生产仍然可以而且将会得到改善。

一种简单的方法，在更大的面积上播种农作物，不仅代价高昂，而且会带来一系列不良后果，如自然栖息地破坏、土壤退化，以及可用于农业用途的面积有限。

解决这个问题的一个更好的方法是尽量减少现有田地的作物损失。植物在生长过程中会受到许多严酷的条件影响，这通常会导致植物(™)过早死亡或生长异常。

用来对抗由于这些胁迫造成的作物损失的第一种方法是对作物(众所周知的转基因生物)进行基因改造，使植物具有抗逆性。然而，转基因技术并不是解决所有农业挑战的灵丹妙药，它有其挑战和缺点。

上面提到的所有问题都留下了最好的选择：及早发现并与特定的压力源作斗争。还可以在不同的规模和级别上进行监测。最具伸缩性和成本效益的是使用卫星图像和无人机(无人机)。然而，现场传感器的使用可能会变得昂贵和麻烦，特别是在大规模的情况下。

不同的压力及其来源

植物逆境通常分为两类：生物逆境(暴露和与其他生物相互作用产生的逆境)和非生物逆境(由环境条件和特征引起的逆境)。

生物胁迫包括暴露在病毒、真菌或细菌中，这些病毒、真菌或细菌可能会导致严重的疾病，或者由于暴露在寄生虫中而阻碍植物的自然生长。相互竞争的植物也可能会给植物的发展带来问题，剥夺它们的营养和水分。

在非生物应激源中，植物会受到极端温度、干旱的影响。不可否认，水的可用性是最关键的因素，因为它被植物用来运输养分，并作为以葡萄糖形式储存能量的先驱。极端的温度会对植物™的保护层造成负面影响，影响正常的光合作用过程。

化学特性和成分对健康植被的发展也是至关重要的。此外，由于这些特性，一种土壤可能更适合种植一种作物，但不适合另一种作物。

最准确的评估：实验室测试。赞成与反对。

实验室测试通常用于高质量检查工厂是否受到这样或那样的压力。土壤或植物中所含化学物质的测定可以在实验室环境中高精度地知道。如果有任何生物应激源，就可以确定哪种特定种类的昆虫、真菌或细菌是对作物的主要危险。

实验室测试是破坏性的，这意味着一个人必须物理地移走一株植物来测试它，移走一部分土壤，或者任何接受测试的东西。另一个问题是无法规模化；测试程序通常既昂贵又耗时，而测试结果通常适用于人口较少或区域较小的地区。œin Siteuro�测试的另一个问题是无法扩展；测试程序通常昂贵且耗时，而测试结果通常适用于较小的人口或地区。

毫无疑问，从土壤中获取样本，并在每个季节对所有需要的属性进行一到两次准确评估，这是一个好主意。但对于中级监测来说，这并不是一个合适的选择。

遥感监测与评价方法

根据物质的化学含量和结构不同，可见光和红外光与物质的相互作用也不同。为了创建更多信息的图片，可以将不同的镜片组合成反射指数。

其中最重要的是归一化植被指数(1)。一株健康的植物在温暖的开花季节反射很大一部分近红外辐射，使这一比率接近1，写道，当植物受到压力影响时，情况正好相反。归一化水分指数(2)是一种相似的指数，可以用来估算作物的水分胁迫程度。归一化红边差(3)通常与植物™气孔含氮量相关。还有很多其他的光谱指数要通过所有这些指数，每个指数都可能提供关于一个或几个问题的植物胁迫的某些方面。

近红外光谱中的“尼罗”反射(785？欧元“899 nm)，

红色范围光谱中的红？欧元“反射(650？欧元”680 nm)，

短波红外光谱中的“SWIR？EURE”反射(1565？EURO“1655 nm)，

近红外光谱中的“Re？Euro”反射(698？EURE“713 nm)

高光谱成像

在很大程度上与视觉和红外成像相同的方式，高光谱成像允许获得关于反射波的详细信息。由于它的波长范围非常窄，它应该得到一个单独的成像类别。相比之下，哨兵2号任务卫星有13个波段，波长范围从458 nm到2280 nm，而地球观察者1号(EO-1)Hyperion任务提供的图像波长范围从357到2576 nm，分别存放在220个不同的频道中。

不仅卫星可以提供这样的数据，无人机也广泛配备了不同类型的传感器，并用于高光谱成像。毫无疑问，这些数据可能对农业应用很有价值。

热成像

尽管红外成像是关于Waveuro™与植物分子(™叶子和土壤表面)相互作用的重要信息来源，但即使是红外成像也不能高精度地估计植物胁迫评估中的一个关键方面，即温度。人们进行了大量的研究工作，提出了几种光谱指数，除了通常的可见光或红外辐射数据外，还考虑了温度数据，如作物水分胁迫指数(CWSI)，它通常在水分估计中表现得更好。

荧光成像

就像分子-™与红外线波长的波的相互作用有一个独特的特征一样，波或紫外线范围有助于推断植物和土壤的化学和物理性质。荧光图像已被证明有助于作物病害的早期检测、重金属含量和土壤盐分的估计。具有讽刺意味的是，估计叶绿素含量的实验室测试是一种非常类似的被称为光谱分析的过程。这个值很少是通过其他测试得出的，例如对二恶烷的化学反应。

应力预测

物理[经验]模型

为了确定不同的植物胁迫指标，已经对许多过程进行了生物、化学和物理模拟。光合作用用C4光合作用模型进行化学模拟，气孔导度用Ball-Berry模型估算(4)，不一而足。在Ball-Berry模型中，g是CO2扩散的气孔导度，an是叶片净CO2同化率，Ds和cs分别是叶表面的水汽压亏差和CO2浓度，Si“是CO2补偿点，G0是光补偿点的g值，A1和D0是经验系数。Ball-Berry model

这些模型的问题是预先存在的：如果不以非破坏性的方式确定这些模型所需的所有经验值，则无法确定这些模型所需的所有经验值，而且它不具有伸缩性，也不一定会推广到大范围。

有监督建模

从卫星图像或无人机收集的大量数据激发了农业实践和机器学习结合的研究。在现场测量中，通常使用疾病记录、化学和地质试验结果作为标签，并且花了大量的努力来模拟一些感兴趣的值。

植物胁迫建模和预测的工作很多，研究了干旱、土壤盐分、养分含量、重金属含量和其他胁迫的可能性。通常使用高光谱图像作为输入，有时使用不同的光谱反射指数或几个叠加的波段，最罕见的是规则的RGB图像。不同的模型也被部署到经典机器学习和深度学习算法中，以产生显著的结果，因为这项任务不是微不足道的。

用重量法测定了每8个田块中每5个点的实际土壤含水量，得到了40个地面真实数据点。在输入数据方面，利用Landsat 8卫星影像构建了归一化差异植被指数(NDVI)和温度植被干燥指数(TVDI)等光谱指数。模型采用PLSR作为模型。研究发现，TVDI是最准确的土壤水分估测方法，其决定系数为0.63。

值得注意的是，本文提出的基于多光谱WorldView-2卫星图像的水分胁迫作物检测的神经网络方法，是首批应用多层感知器对严重水分胁迫下的土壤进行分类的方法之一，超越了Logistic回归等以往的方法。与以前的方法相比，可以在不同的土壤和作物上推广。Neural Network Approach to Water-Stressed Crops Detection Using Multispectral WorldView-2 Satellite Imagery

将人工神经网络与偏最小二乘法用于土壤有机碳、pH和粘粒含量的在线可见光和近红外光谱测量的比较研究中，对常用的PLSR模型和人工神经网络对土壤有机碳含量、粘粒含量和土壤pH的建模做了大量的比较工作。作为输入，研究人员使用了371到2150 nm的光谱图像。pH的问题是，这一特性取决于土壤中存在的化合物，但不是直接决定的。吉文说，研究发现人工神经网络在估计有机碳含量、粘土含量和pH水平方面有更好的性能。Comparison between artificial neural network and partial least squares for online visible and near-infrared spectroscopy measurement of soil organic carbon, pH, and clay content

在使用高光谱成像和机器学习对设拉子葡萄园的水分胁迫进行建模的论文中，将水分胁迫评估问题归结为分类。研究人员测量了田间茎秆的水势值，并将值低于-0.7 MPa的区域归类为非应激区域，将值较高的区域归类为应激区域。对高光谱图像进行随机森林(RF)模型和极限梯度增强(XGBoost)训练。RF产生的测试准确率略高(81.7%比80.0%)。另一个更有趣的注意是波长的重要性，如图3所示。两个模型都认为有价值的信号在几个波长处是重要的。Modelling Water Stress in a Shiraz Vineyard Using Hyperspectral Imaging and Machine Learning

无监督建模

尽管图像和传感器数据数不胜数，但标签数据是建立监督模型的限制因素。遗憾的是，没有简单的方法可以将无监督算法应用到这类应用程序中。

当选择信息量最大的波段时，一种非监督方法被用于预处理任务。主成分分析(PCA)被广泛用于区分携带很少或没有新信息的相似波段。在“基于可见光/近红外高光谱成像的小麦条锈病早期视觉检测”一文中，研究人员使用PCA和逐次投影算法(SPA)将一个高光谱信号在第一种情况下减少到8个关键波长，在第二种情况下减少到12个关键波长。对所选波长的每个子集和全部256个波长光谱进行了三个实验，训练一个前馈神经网络。正如研究人员得出的结论，在早期的植物锈病检测中，训练全谱模型并不能获得更好的分数。Early Visual Detection of Wheat Stripe Rust Using Visible/Near-Infrared Hyperspectral Imaging

本文介绍了另一种利用航空高光谱VNIR图像的无监督学习来推断草原干旱胁迫的植物胁迫检测技术。作者使用矩阵分解算法的变种单纯形体积最大化，使用不同的水分和植被指数，包括NDVI、光化学反射指数(PRI)、修正的叶绿素吸收和反射指数(MCARI)等，来识别具有健康和胁迫水分剖面的土壤。图4显示了它们的结果示例，以及无人机捕获的相应常规RGB图像。Inferring Grassland Drought Stress with Unsupervised Learning from Airborne Hyperspectral VNIR Imagery

聚类技术被用来区分普通的野外树冠覆盖和暴露某些异常的植物。在使用遥感图像的时间序列对饱和区进行无监督分类的过程中，研究人员使用时间序列自动分类(ACTS)算法将NDWI图像聚类，以便在每种土地覆盖类型内划分成两个或三个簇，从而合理地很好地识别没有异常的洪涝、干旱和土地区域。当然，在对每种类型进行聚类之前，需要对NDVI进行一些预处理，以区分七种土地覆盖类型。Unsupervised classification of saturated areas using a time series of remotely sensed images

现有数据和产品

正如前面提到的，在植物胁迫检测和预测领域的许多研究都是在小范围内进行的，即几公里或更少的平方田地。不幸的是，几乎没有一个这样的数据集最终被公之于众并免费提供。

来自监测站的一些数据可以从国家土壤水分网络或土木工程学院土壤部获得，这些数据是关于表层土壤温度和土壤水分测量的。这些都是水和温度极端压力测绘的重要资源，慷慨地与研究人员和公众分享。National Soil Moisture Network GEO Department of TU Wien

然而，还有其他几个不完全是地面措施的来源，值得美国国家航空航天局(NASA)提供。例如，ECOSTRESS计划提供从收集的高光谱数据中得出的蒸散数据。问题甚至不在于它是衍生措施这一事实，而是决议和复议期限有限。ECOSTRESS Program

ISRICâuro“世界土壤信息门户网站发布了一个SoilGrids250m平台，该平台结合了有关土壤分类、氮含量、土壤有机碳的众多来源。SoilGrids250m platform

容易获得的多光谱数据并不缺乏。然而，高分辨率的图像更难获得。可免费获得的最佳图像由哨兵2号任务提供，分辨率可达每像素10米。尽管如此，在定义单个地区的统计数据时，即使这样也远不理想。如图5所示，即使是单独使用最佳分辨率的哨兵-2图像，场也会被粗略地像素化。

结论

植物胁迫检测在精准农业应用中受到越来越多的关注。农作物可能会受到许多压力因素的影响。准确的实验室测试提供了有关植物和土壤的宝贵信息，这些信息包括™™状态和对恶劣条件的恢复能力，尽管这些数据很少，很难收集以便及早发现。

人们对利用遥感技术进行应力检测的方法进行了大量的研究，包括荧光技术、高光谱技术、多光谱技术和热成像技术。开发了特定的光谱指数，以帮助提取所需的信号以估计关注值；这些指数包括来自几个反射波长的数据。

机器学习技术被用来研究发现光谱图像数据与土壤和植物的实验室实验结果的精确映射的可能性。最常见的技术是线性回归的变体，深度神经网络也开始迎头赶上。后一种型号至少是兼容的，而且往往性能更好。

尽管取得了所有进展，但全球各地的研究人员仍在努力进行调查，以缩短发现异常和采取行动解决异常之间的时间。

公开可用的数据仍然有限，很难收集和处理，直到最近才开始出现简化这一过程和汇总所需信息的平台。

作家兼编辑–“瓦伦蒂娜·菲胡尔斯卡”Valentyna Fihurska