编辑推荐：
本文通过系统文献综述，探讨了将可见-近红外（VIS-NIR）1D光谱数据转换为2D格式（如图像、频谱图等）在植物病害检测中的应用潜力。研究发现，2D转换技术通过捕捉空间关联特征和复杂光谱模式，显著提升了机器学习与深度学习模型的分类准确性和可解释性，尤其在早期病害和土壤分类中表现突出，为精准农业中的实时无损诊断提供了新方向。
作者：Mas Ira Syafila Mohd Hilmi Tan、Lai-Kuan Wong、Yuen Peng Loh、Chih-Yang Pee
所属机构：马来西亚雪兰莪州Sepang市厦门大学马来西亚分校人工智能与机器人学院（地址：43900，Selangor，Malaysia）
摘要
可见光和近红外（VIS-NIR）光谱技术已被广泛用于植物病害的无损检测和物种分类，传统上主要利用一维（1D）光谱数据。然而，将1D光谱数据转换为二维（2D）格式（如图像、光谱图和小波）的潜力尚未得到充分探索。本文通过系统地搜索主要科学数据库，并应用预定义的纳入和排除标准，识别了有关VIS-NIR光谱技术以及1D到2D光谱转换方法的研究。综述探讨了各种转换技术及其与机器学习和深度学习算法的结合，强调了2D光谱数据在显著提高分类准确性、捕捉复杂特征以及揭示1D数据中无法辨识的复杂模式方面的能力。通过研究多种转换技术及其在植物病害检测、土壤分类等农业领域的应用，本文展示了2D光谱表示方法如何提升模型精度和可解释性。此外，还讨论了将2D VIS-NIR光谱技术整合到精准农业工作流程中的实际意义，强调了其在现场实时诊断中的潜力。总体而言，本文认为2D转换技术是相对于传统1D化学计量方法的一项有前景的进步，为农业和智能农业开辟了新的机遇。
引言
全球农业面临诸多挑战，植物病害的破坏性影响可能导致作物减产、扰乱食品供应链并威胁全球粮食安全。早期和准确地检测植物病害对于减轻这些影响至关重要，从而实现及时干预并减少经济损失。传统的病害诊断方法（如视觉检查或生化分析）通常劳动强度大、主观性强，且无法在无症状或前症状阶段检测到感染。这些局限性凸显了需要更精确和高效的诊断工具的必要性。
光谱技术，尤其是可见光（VIS）和近红外（NIR）光谱技术，作为一种有前景的无损检测技术，在食品工业[1]、石油化工[2]、制药[3]和农业[4]等领域具有广泛的应用。光谱技术因其非侵入性、无损性、快速性以及对特定病害的高敏感性而受到青睐，被用于早期感染检测[4][5][6][7]。VIS/NIR光谱技术能够捕捉植物组织性质的微妙变化（如叶绿素、水分、氮含量的变化以及结构完整性在病害发生过程中的变化[7][8]，这些变化反映在光谱模式中，可作为识别病害植物的独特“指纹”[9]。因此，光谱技术在精准农业和植物健康监测中受到了越来越多的关注[10]。
传统上，光谱数据以1D格式记录和分析，每个样本的光谱特征表示为一个单一向量[11]。尽管这种方法在许多应用中证明是有效的，但它往往无法捕捉复杂的光谱模式和带间相关性[12][13]，而这些对于准确分类植物病害至关重要。当应用机器学习技术时，这一局限性尤为明显，因为机器学习需要丰富且结构化的输入数据才能达到最佳性能。
通过将1D光谱数据转换为2D表示形式，可以更好地捕捉光谱特征之间的空间关系[14]。通过将1D数据重塑为2D网格或图像，可以有效地整合区分不同植物状态（包括微妙的病害指标）所需的空间模式。这种转换为利用先进的机器学习模型（如卷积神经网络CNN）提供了新的可能性，这些模型在处理空间有序数据时表现出色。在农业[15]、材料分析[16]、生物医学[17]和环境监测[18]等领域的多项研究表明，2D光谱数据有助于提升模型性能。然而，2D光谱数据在植物病害检测中的应用仍相对较少。
本文旨在探讨将1D光谱数据转换为2D表示形式以增强植物病害检测的技术和优势。综述分析了1D光谱数据的局限性（如缺乏空间整合导致难以区分相似的植物状态或检测早期病害症状），并介绍了将1D光谱数据转换为2D表示形式的技术（如基于网格的重塑、递归图（RP）、格拉姆角场（GAF）、连续小波变换（CWT）和马尔可夫转移场（MTF），这些技术有助于将空间特征整合到数据中以提高分类性能。同时，还回顾了比较1D和2D光谱数据性能的研究，证明了2D表示形式的优越分类准确性，并指出了利用2D光谱数据所面临的挑战和未来发展方向（包括计算复杂性和农业应用中的标准化需求）。
相关研究方法
为识别与VIS-NIR光谱技术、植物病害和胁迫检测以及1D光谱数据转换为2D表示形式相关的研究，进行了系统性的文献搜索。查询了Web of Science、Scopus和ScienceDirect等主要科学数据库，使用了“VIS-NIR”、“光谱”、“1D”、“2D转换”、“高光谱”、“植物病害”和“植物胁迫”等关键词组合。纳入的研究需满足以下条件：（i）使用VIS-NIR光谱数据或其他相关光谱模式；（ii）提出、评估或讨论了1D到2D的转换技术或其在该领域或一般光谱分析中的应用。参考综述文章以获取概念背景，并通过反向引用搜索识别额外的原始研究；但在提取和综合研究结果时仅考虑原始研究文章。如果研究与VIS-NIR光谱技术、光谱分析或1D到2D转换技术无关，则被排除在外。对标题和摘要进行了相关性筛选，随后进行全文评估，以确保涵盖基于光谱信号的方法和一般转换方法。
部分内容摘录
VIS/NIR光谱技术在植物病害检测中的应用概述
光谱技术是一种强大的分析工具，依赖于物质与电磁辐射之间的相互作用，电磁辐射以电磁波的形式传播[19]。该技术可以提供关于物质的化学、生化、生物物理和光化学变化以及结构组成的信息[20][21][22][23]。光谱波长由一系列谱线表示，这些谱线反映了波长或频率[24]。
VIS/NIR光谱技术在植物病害和胁迫检测中的应用
如表2所示，VIS/NIR光谱技术在植物病害检测中的应用已得到广泛研究。表2列出的研究是根据其与VIS-NIR植物病害和胁迫检测的相关性、方法多样性以及近期贡献（包括不同的建模方法和光谱分析策略）精心挑选的子集。用于识别这些研究的文献筛选过程在1.1节中有详细描述。
传统1D光谱分析的挑战
传统1D光谱分析中最显著的问题之一是光谱特征的重叠[100]。许多植物病害会引起类似的生化变化（如叶绿素降解或水分流失），导致难以区分健康植物、受胁迫植物和病害植物之间的光谱差异。这种光谱重叠使得区分不同病害或健康植物与受胁迫植物变得复杂。
将1D光谱数据转换为2D光谱数据的技术
将1D光谱数据转换为2D表示形式是提高机器学习模型性能的关键步骤，尤其是在植物病害检测等领域，其中区分光谱数据中的微妙变化至关重要。已开发出多种实现这种转换的技术，每种技术根据具体应用具有各自的优势。本节讨论的方法包括基于网格的重塑、格拉姆角场（GAF）等。
1D与2D光谱数据转换的应用比较
虽然1D光谱数据常用于植物病害检测，但将其转换为2D光谱数据可以捕捉更详细的空间和光谱特征，从而提高病害检测的准确性。表4总结了2D光谱转换在植物病害检测中的成功应用，表明这一领域仍有进一步探索的潜力。
挑战与未来展望
尽管1D光谱模型取得了显著成果，但将光谱数据转换为2D表示形式具有巨大潜力，尤其是在VIS/NIR光谱技术用于植物病害和胁迫检测方面。尽管1D模型的准确性很高，但2D光谱数据在捕捉更多空间信息和揭示微妙变化及隐藏模式方面具有明显优势。光谱向量可以转换为2D网格或矩阵，从而便于提取更多有用信息。
结论
本文展示了将1D光谱数据转换为2D格式（如VIS/NIR光谱）在增强植物病害和胁迫检测的化学计量分析方面的潜力。尽管1D光谱数据在多种应用中得到了广泛应用且表现出较高的准确性，但在捕捉空间和上下文模式方面的不足需要探索替代方法。将光谱数据转换为2D矩阵有助于发现隐藏的空间关系。
作者贡献声明
Mas Ira Syafila Mohd Hilmi Tan： 负责撰写初稿和概念构思。
Lai-Kuan Wong： 负责审稿和编辑工作，并提供指导。
Yuen Peng Loh： 负责审稿和编辑工作，并提供指导。
Chih-Yang Pee： 负责审稿和编辑工作。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
