基于多光谱成像与集成学习的无芒雀麦种子成熟度与活力无损检测新策略

《Plant Methods》：A novel approach integrating multispectral imaging and machine learning to identify seed maturity and vigor in smooth bromegrass

中国研究人员针对无芒雀麦种子成熟度判断困难的问题，创新性地结合多光谱成像(MSI)和堆叠集成学习(Ensemble)技术，建立了高精度识别模型。研究发现405-970 nm波段特征与种子活力显著相关，模型在200 kg·N·ha-1处理下准确率达93%，为牧草种子质量评估提供了高效无损检测方案。

　　

无芒雀麦（Bromus inermis）作为优质多年生牧草，其种子产量低、质量不稳定的问题长期困扰种植者。传统判断种子成熟度依赖人工经验，而标准发芽试验耗时费力。更复杂的是，穗粒位置（SG/IG）和氮肥施用水平（0/100/200 kg·N·ha^-1）会导致种子发育不均，进一步增加收获时机判断的难度。中国河北省承德市某研究团队在《Plant Methods》发表的研究，开创性地将多光谱成像技术与机器学习结合，为这一难题提供了智能解决方案。

研究采用多光谱成像系统（VideometerLab 4）获取19个波段（365-970 nm）和8组自发荧光数据，结合形态学特征构建42维数据集。通过堆叠集成学习整合随机森林（RF）、支持向量机（SVM）、XGBoost和贝叶斯算法，并利用SHAP方法解析关键特征。

结果部分：?

1. ?发芽特性分析：30-36天开花后（DAA）种子活力达峰值，穗粒位置显著影响发芽指数（GI）和活力指数（VI），氮肥处理提升幼苗茎长（SL）。
2. ?光谱特征规律：405-490 nm波段反射率随成熟度增加，780-970 nm波段则相反；自发荧光值660/700 nm能区分早期（16/23 DAA）与晚期（30/36 DAA）种子。
3. ?模型性能验证：集成模型在CK（0 kg·N·ha^-1）、N1（100 kg·N·ha^-1）和N2（200 kg·N·ha^-1）处理的准确率分别为89%、87%和93%，显著优于单一算法。SHAP分析揭示405/430/540 nm等波段与鲜重（FW）、VI呈显著正相关。

该研究不仅建立了首个针对无芒雀麦种子成熟度的无损检测体系，更揭示了氮肥调控下种子发育的光谱响应机制。提出的堆叠集成学习框架为复杂农业场景中的表型分析提供了新范式，而405-970 nm特征波段的发现可直接指导便携式检测设备开发。这项技术有望推广至其他牧草和作物种子质量评估，推动精准农业实践。