《Scientific Reports》：Overcoming difficulties in segmentation of hyperspectral plant images with small projection areas using machine learning
编辑推荐：
本研究针对针叶树幼苗高光谱图像因空间分辨率限制和边界像素比例高导致的分割难题，开发了结合K-means聚类与随机森林分类的图像处理流程。该方案成功从三个欧洲赤松群体中提取23个光谱质心并划分为10个生物类别，实现在水分胁迫与恢复期对幼苗起源的精准判别，为林木生理研究和育种提供了高效无损检测新途径。
在林业研究和苗木培育领域，准确评估针叶树幼苗的生理状态和遗传多样性对早期精细化管理的意义重大。传统检测方法往往耗时耗力，而高光谱成像（HSI）技术与高通量表型分析（HTP）的结合，为植物生理状态的无损、快速评估提供了新思路。然而，当这一技术应用于针叶树（如松树）时，却遇到了一个不小的挑战：它们的针叶投影面积小，在图像中会产生大量边界像素，这使得基于归一化植被指数（NDVI）等传统阈值分割方法的效果大打折扣，难以精准地将微小的针叶从复杂的背景中“剥离”出来。
为了解决这一技术瓶颈，一项发表于《Scientific Reports》的研究应运而生。研究人员以三种本地适应的欧洲赤松（Pinus sylvestris L.）种群的后代（分别代表 distinct 高地和低地生态型）为研究对象，旨在开发一种高效的高光谱图像处理流程，专门用于分割和识别单个欧洲赤松幼苗。
为了回答上述问题，研究人员构建了一套完整的分析流程。关键技术方法包括：利用K-means算法对高光谱图像数据进行无监督聚类，成功提取出23个具有代表性的光谱质心，并将其归纳为10个生物学 distinct 的类别；随后采用随机森林（Random Forest）这一监督式机器学习算法，构建分类模型，以区分不同起源（高地与低地）的幼苗在水分胁迫及恢复期间的生理响应差异。研究所用幼苗样本来自三个具有明确生态型特征的欧洲赤松群体。
研究结果
高光谱图像分割与光谱质心提取
通过应用K-means聚类算法，研究成功地从复杂的幼苗高光谱图像中分割出目标区域。该过程衍生出23个光谱质心，这些质心代表了图像中不同的光谱特征模式。进一步地，研究人员依据生物学知识将这23个质心归类为10个具有明确生物学意义的组别，为后续的精细分类奠定了基础。
基于随机森林的幼苗起源判别
利用上述得到的光谱分类结果，研究构建了随机森林分类模型。该模型在分析幼苗的高光谱数据时表现出色，能够有效地区分来自不同地理起源（即高地生态型和低地生态型）的欧洲赤松幼苗。特别值得注意的是，这种区分能力在幼苗经历水分胁迫和后续的恢复阶段均得以保持，表明不同生态型的幼苗在生理响应上存在可被高光谱技术捕捉的稳定差异。
研究结论与意义
本研究成功开发并验证了一个针对小投影面积针叶树幼苗的高光谱图像处理流程。该流程结合了无监督的K-means聚类和有监督的随机森林分类，有效克服了因空间分辨率限制和边界像素比例高导致的分割困难。研究结果表明，高光谱成像结合机器学习算法，能够非破坏性地、高效地评估针叶树幼苗的生理状态，并成功区分其遗传（生态型）起源。这一技术为针叶树苗木在苗圃中的早期生理状态评估、遗传多样性分析以及抗逆性育种提供了强有力的工具，展现出在森林树木生理学研究和林木育种领域的广阔应用前景。
