《Microchemical Journal》：Using hyperspectral imaging combined with the Diagnosis and Recommendation Integrated System (DRIS) to diagnose mineral deficiency in tea leaves
编辑推荐：
茶树叶片叶绿素缺乏常由矿物质元素缺失引起，传统DRIS诊断依赖化学分析效率低。本研究利用高光谱成像（391-1001nm）结合机器学习算法，分析8种矿物质元素含量，发现锰（Mn）缺乏是叶绿素缺乏的首要因素。通过特征选择算法（UVE, SPA, CARS）与分类模型（SVM, PLS-DA, RF）优化，CARS-RF模型识别锰缺乏叶的准确率达78.95%，元素预测模型R2均超0.7，其中锰预测精度最高（R2=0.9283）。整合高光谱数据与DRIS方法实现了茶树叶片精准营养诊断，为茶园精准施肥提供技术框架。
宫书婷|王敏|李志鹏|姜新乐|杨文天|钱文军|丁兆堂|王宇|范凯
青岛农业大学园艺学院，中国青岛266109
摘要
在幼茶树的栽培过程中，由于某些矿物质元素的缺乏，叶片常常会出现黄化现象。诊断与推荐综合系统（DRIS）通过分析茶叶中的矿物质含量来评估各种元素的丰缺情况。然而，这种方法的一个显著局限性在于它依赖于化学分析，而化学分析既费时又费力。高光谱成像技术结合机器学习算法可以实现快速、无损的叶片元素含量检测。在本研究中，我们收集了来自中国山东省田间种植的黄化叶片和健康叶片的高光谱数据（391–1001纳米）。我们开发了机器学习模型来估算8种矿物质元素（氮、钾、钙、镁、铁、铜、锌、锰）的含量，并诊断关键的营养缺乏问题。结果显示，黄化叶片与健康叶片之间所有8种矿物质元素的含量存在显著差异。DRIS诊断显示，黄化叶片中营养限制的优先顺序为锰（Mn）>钾（K）>氮（N）。主成分分析（PCA）进一步证实，锰缺乏是导致叶片黄化的主因。通过使用特征选择算法（UVE、SPA、CARS）结合分类模型（SVM、PLS-DA、RF），表现最佳的模型在识别锰缺乏叶片方面的准确率为78.95%（CARS-RF）。我们成功建立了针对这8种关键矿物质元素的预测模型，其验证集的R2值均超过0.7。其中，Mn-UVE-RF模型的预测性能最高（R2=0.9283，RMSE=0.47克/千克）。将高光谱反演模型应用于基于DRIS的叶片元素诊断时，准确率在60.53%到84.21%之间。这些结果表明，将高光谱数据与DRIS结合使用可以精确诊断茶叶叶片的营养状况。这些发现显著提高了诊断茶叶矿物质营养状况的效率，为茶园的精准施肥和土壤改良提供了可靠的技术框架。
引言
茶树（Camellia sinensis (L.) O. Kuntze）是一种重要的经济作物，在世界许多国家都有广泛种植[1]。作为中国北部的主要茶叶生产区，山东省凭借其独特的地理和气候条件，生产出品质卓越的茶叶。这些茶叶以其芳香的香气、丰富的风味以及多次冲泡后的持久性而受到消费者的广泛赞誉[2]。然而，近年来，山东省的茶叶栽培面临诸如土壤pH值升高、养分耗竭、土壤紧实、施肥不当和水资源管理不善等挑战。这些问题导致了叶片养分缺乏和普遍的黄化现象，进而影响了光合作用，扰乱了植物的正常生长，在严重情况下甚至会导致植物死亡[3]。因此，对黄化叶片进行营养诊断对于确定黄化的原因以及指导土壤改良和科学施肥实践至关重要。
诊断与推荐综合系统（DRIS）是近年来广泛采用的叶面营养诊断方法。该方法基于叶面矿物质元素分析，能够反映植物组织中矿物质元素的丰缺情况。DRIS的一个关键优势在于它可以同时诊断多种元素，从而确定作物所需的营养素的数量、类型和顺序[4]。因此，它已被广泛应用于大豆[5]、小麦[6]和水稻[7]等作物中。例如，研究人员利用DRIS对梨树和桃树的叶片进行了营养诊断，发现铁（Fe）和磷（P）是低产组中最缺乏的矿物质元素[8]。同样，葛等人[9]在渤海湾的低产果园（< 35吨/公顷）应用DRIS，发现钙和钾是最缺乏的元素，其次是铁、氮和锌。相比之下，黄土高原地区最缺乏的元素是磷和钾，其次是氮、锌和铜。尽管DRIS有广泛的应用，但在茶树上的应用研究仍然有限。
DRIS方法需要通过化学分析叶片来确定元素浓度，这种方法具有破坏性、成本高且耗时[10]。近年来，随着光谱技术的不断发展，高光谱成像逐渐被应用于作物营养诊断研究。高光谱成像覆盖了从可见光到近红外光的广泛波长范围，能够检测植物生理和营养状况的微妙变化。它具有无损、快速和高精度等优点[11]。机器学习模型作为强大的数据分析和处理工具，可以从高光谱数据中有效提取特征，并建立光谱特征与植物营养状况之间的定量关系。将高光谱成像技术与机器学习模型相结合，不仅可以实现植物营养状况的无损检测，还能提高诊断的准确性和可靠性。例如，研究人员利用可见光/近红外（VIS/NIR）高光谱技术（波长范围500–980纳米）和偏最小二乘回归（PLSR）成功预测了柿子叶片中的大量元素和微量元素含量，预测准确率很高（氮的R2=0.80，硼的R2=0.69[12]）。Sanaeifar等人[13]证明，将高光谱成像技术（380–1022纳米）与机器学习方法结合使用，可以早期检测温室种植的大麻中的氮、磷和钾缺乏症状。杨等人[14]利用全光谱高光谱图像和卷积神经网络（CNN）成功实现了草莓叶片多种生理障碍的高精度诊断，无需进行传统的光谱预处理。Furlanetto等人[15]利用高光谱数据（400–1000纳米）和十种机器学习回归模型（如PLSR、SVM、CARS）结合变量选择算法，成功预测了不同生长阶段大豆叶片中的钾浓度，准确率高达R2≥0.88。
在茶树研究中，姜等人[16]使用ASD手持式2光谱辐射计收集了四个季节茶树冠层的高光谱反射率数据。通过随机森林和LASSO算法整合多个敏感的高光谱指数，构建了关注高光谱特征与氮积累之间相关性的氮积累监测模型，实现了最高的准确率（R2=0.61–0.76）。曹等人[3]结合高光谱和多光谱数据，通过竞争性自适应加权采样选择了28个特征波长，并将这些波长与多光谱指数结合到支持向量机回归模型中，实现了对茶树氮含量的精确估算，预测集的R2=0.9186，RMSE=0.0560。王等人[17]利用高光谱成像技术和化学计量学在田间条件下对茶树的氮状况进行了定性和定量诊断。结果显示，LS-SVM模型在预测叶片氮含量方面表现良好，预测集的相关系数为0.924。总体而言，这些研究表明，基于高光谱的茶树营养诊断研究主要集中在氮元素上，而多元素诊断的研究相对较少，值得进一步探索。
因此，本研究旨在：（1）建立山东省幼茶树叶片黄化的DRIS诊断标准，并确定导致叶片黄化的关键限制元素；（2）利用高光谱成像技术和机器学习算法开发区分关键元素丰缺的模型；（3）构建多种叶面矿物质元素的逆模型，以便利用预测值进行DRIS诊断。这些发现将为茶园的土壤改良和精准施肥提供新的方法和技术框架。
章节片段
叶片采样和元素含量分析
本研究在山东省的五个茶园进行：青岛的瑞草园（RCY）（36°44′N，120°57′E）和青岛茶叶研究所（CKS）（36°24′N，120°53′E）、东升茶园（DS）（35°9′N，119°63′E）、甘泉岭茶园（GQL）（35°92′N，119°51′E）以及诸城的蔡家沟茶园（CJG）（35°90′N，119°60′E）（图S1）。所有地点都属于暖温带季风大陆性气候区，具有明显的季节性变化，主要土壤类型为棕色土壤
茶叶叶片的矿物质元素含量分析
对比分析显示，黄化组的叶绿素a、叶绿素b和总叶绿素含量显著低于健康叶片（图1A、B）。为了探究叶片黄化是否由养分缺乏引起，研究人员分析了叶片中的8种矿物质元素。结果显示，健康叶片与黄化叶片之间所有8种矿物质元素的含量存在显著差异（图1C）。具体而言，黄化叶片中的...
讨论
叶片黄化是一种常见的植物生理障碍，会严重限制光合作用并威胁作物产量[34]。因此，研究叶片黄化的原因并建立精确的诊断方法具有重要的理论和实践意义。为了实现精确诊断，本研究通过将DRIS与高光谱成像相结合来分析黄化和健康叶片。
结论
本研究通过将高光谱成像技术与机器学习算法相结合，建立了一种新的方法，利用DRIS诊断茶叶中的8种矿物质元素。传统的DRIS方法确定锰（Mn）缺乏是导致叶片黄化的主因。随后，开发了高光谱分类模型，其中CARS-RF模型在识别锰缺乏叶片方面表现最佳。
CRediT作者贡献声明
宫书婷：概念构思、数据管理、研究设计、方法论、软件开发——初稿撰写。王敏：数据管理、资源获取、验证、可视化。李志鹏：方法论、资源获取、软件开发。姜新乐：研究设计、资源获取、验证。杨文天：研究设计、资源获取、验证。钱文军：概念构思、监督。丁兆堂：概念构思、撰写——审稿与编辑、监督。王宇：资金获取、资源获取、监督。
利益冲突声明
作者声明他们没有已知的可能会影响本文研究的财务利益或个人关系。
