基于高光谱成像与自监督学习的梯度硅处理下油菜锌含量检测新方法

本文创新性地将高光谱成像(HSI)技术与自监督学习(SSL)相结合，提出采用变分自编码器-逆自回归流(VAE-IAF)模型框架，实现了锌(Zn)胁迫下油菜叶片锌含量的高精度检测(Rp2=0.97)。该方法通过无标签光谱数据预训练和渐进式微调策略，显著降低了传统化学计量学对标记数据的依赖，为作物重金属污染监测和硅(Si)介导的精准修复提供了新思路。

　　

Highlight

本研究亮点在于：首次将逆自回归流(IAF)增强的变分自编码器(VAE)应用于作物重金属检测领域，通过自监督学习框架实现了仅需少量标记数据即可达到R_p² 0.97的预测精度，为农业环境中重金属污染的原位监测提供了创新解决方案。

Sample preparation

实验选用"秦油10号"油菜品种，在江苏大学Venlo型温室内采用无土栽培系统。种子经70%乙醇表面灭菌后，置于浸透去离子水的无菌纱布上发芽。通过严格控制光照(14h/d)、温度(25±2°C)和湿度(70±5%)等环境参数，确保实验条件标准化。

Determination of zinc content

火焰原子吸收光谱(FFAS)测定显示：未施硅对照组(S1)叶片锌含量最高(250mg/kg)，随着硅浓度梯度增加(S2-S4)，锌含量呈剂量依赖性下降(200→120mg/kg)。这一剂量-效应关系证实了外源硅对锌毒性的缓解作用具有浓度依赖性特征。

Conclusion

通过系统比较不同化学计量学模型性能，本研究证实：结合标准正态变量(SNV)预处理和连续投影算法(SPA)的特征选择方案最优。更重要的是，自监督学习策略使模型在有限标记数据条件下仍保持优异泛化能力(RPD=6)，为作物成分分析提供了普适性框架。