5.高光譜成像技術在茶樹種植中的應用

茶樹是一種典型的葉片型植物，具有獨*的表型特征。例如，茶樹的葉面積與產量直接相關，而茶芽的形態則是中國綠茶等級評定的重要依據。茶葉中的茶多酚和茶氨酸含量對其風味和口感有著至關重要的影響。此外，茶葉的生長品質會受到多種因素的影響，包括光照、溫度、水分和肥料。這些因素對茶葉質量有復雜的影響，使得專家難以精確預測茶葉的品質變化和進行合理的茶園管理。

傳統的方法是專家根據天氣、茶葉生長的變化和新鮮茶葉的顏色或形狀來管理茶園。這種管理方式不僅耗費大量人力，還高度依賴專家經驗，難以適應大規模茶園的生產需求。為了滿足高通量、快速且準確的檢測需求，高光譜遙感（HSI）使植物的物種分類和生物化學參數監測成為可能，因為高光譜數據包含大量的窄光譜通道，可以檢測到窄吸收特征的細微變化。該技術采用光譜和空間信息的多模態數據，結合機器學習和人工智能技術，可以實現茶葉種植過程中品質自動化和精確檢測，該技術不僅提高了檢測效率，減少了人為誤差，還提供了更客觀和準確的植物性狀呈現。近年來，HSI技術在茶樹室外栽培管理中得到了廣泛應用，常用于茶樹葉片營養分析、茶園土壤分析，以及茶樹的病蟲害監測，逐步成為茶葉種植管理中重要的監測手段。

5.1高光譜成像技術用于茶樹葉片營養與土壤分析

高光譜成像技術在茶葉的栽培管理監測中，通常應用于茶樹葉片營養分析、茶園種植土壤分析，也有將其應用于茶樹抗旱資源的篩選。多數研究集中于葉綠素監測，通過監測葉綠素含量實現多茶葉栽培的管理。

Dutta等(Dutta et al., 2015)利用多種多元分析方法對347-2506 nm范圍內的實地測量高光譜數據進行分析，篩選出最佳預測模型，并建立了一階導數光譜偏最小二乘回歸（FDR-PLSR）模型，以準確估計茶葉中的茶多酚含量。該模型展示了較高的預測精度。證明了高光譜技術在空間尺度上估計和監測茶葉質量的可能性。

Tu等(Tu et al., 2018)利用無人機搭載的450-998 nm高光譜相機（圖13）采集茶樹樹冠的光譜數據，對大規模茶園中的茶樹品種進行精確分類。通過標準正態變量變換（SNV）對高光譜數據進行預處理，并使用偏最小二乘回歸（PLSR）預測茶多酚和氨基酸含量，預測結果顯示茶多酚與氨基酸比值（茶葉感官品質的主要指標）的模型精度較好。這表明光譜數據與茶葉質量指標之間存在關聯性。

圖13. 無人機搭載高光譜相機設備

Jiang等(Jiang et al., 2024)利用不同的高光譜處理方法，確定了影響茶樹生長參數（生物量和氮積累）的敏感高光譜特征，并利用機器學習算法建立了基于多類型敏感光譜信息的茶樹生物量和氮積累估算模型，最后評價了模型在全年不同時期監測茶樹生物量和氮積累的準確性。該研究利用高光譜遙感技術實現了快速、無損地估算茶樹生長和氮營養狀況，對茶園的精準管理具有重要意義。本研究中茶樹高光譜圖像的采集方法如圖14所示。

圖14. 茶樹高光譜圖像的采集方法

Chen等(Chen et al., 2022)通過獲取茶樹表型的高光譜圖像（圖15），結合相關生理指標進行了建模，并對幾種茶葉種質資源進行旱水化試驗。收集了生理生化和高光譜數據，分析了不同生理生化指標在評估茶樹抗旱性中的權重，采用不同算法對原始光譜數據進行處理，并建立了Tea-DTC預測模型。結果表明，基于高光譜和機器學習技術的Tea-DTC模型可作為一種新方法，用于茶葉耐旱性種質資源的篩選和評價。

圖15. 茶葉光譜數據提取過程

Li等(Li et al., 2024)提出了一種利用高光譜成像技術監測茶葉扦插苗莖根生長的方法。首先，利用Mask R-CNN提取茶苗的成熟葉和芽光譜。然后采用MSC、S-G、一維濾波技術對光譜進行預處理，通過UVE、CARS和SPA篩選特征波段。最后，利用CNN-GRU網絡預測莖和根生物量，并與CNN和LSTM的SVR、RFR、PLSR機器學習方法和深度學習方法進行比較（圖16）。結果表明Mask R-CNN能夠準確提取成熟葉片和芽的光譜；UVE篩選出的芽和根生物量的光譜特征波段比CARS和SPA方法更為全面；基于芽光譜的UVE+CNN-GRU模型為芽生物量的預測提供了*優結果，而基于成熟葉片光譜的SPA+LSTM模型則對根系生物量的估計最為精準。這些發現表明，結合深度學習算法的高光譜成像技術可以快速準確地監測扦插苗的生長情況，且不會造成損害。這不僅為高效篩選茶葉優良品種提供了新的數據來源和技術手段，而且提高了農業生產效率和資源利用率。

圖16. 基于高光譜成像技術監測茶葉扦插苗從扦插到長成苗的生物量變化

5.2高光譜成像技術用于茶樹病蟲害監測

在植物病蟲害檢測研究中，植物葉片被病菌感染后往往出現不同形式的病斑、壞死或萎蔫區，色素含量和活性降低，導致可見光區的反射率增加，紅邊（670-730 nm）向短波方向移動。在這些病蟲害侵染植物的過程中，光譜響應與病蟲害引起的植物色素、水分、葉面積等生化物質的癥狀有關。

Yuan等(Yuan et al., 2019)通過觀察450-950 nm波長范圍內炭疽病引起的紅移現象，篩選出適合于檢測炭疽病的最佳高光譜特征集，并進一步利用自相關分析準確、快速識別茶葉上的炭疽病區域。他們將無監督分類和二維閾值適應相結合，構建了一個用于痂檢測的分析框架，在像素水平上識別疾病的總體準確率達到94%（圖17）。證明了高光譜技術有助于提高茶樹病害檢測和田間管理水平。

圖17. 基于高光譜成像的茶樹炭疽病檢測工作流程示意圖

Cui等(Cui et al., 2021)提出了一種基于冠層高光譜數據（450-950 nm）的方法，用于檢測和區分外觀特征相似的三種茶樹脅迫（炭疽病、茶葉蟲害和曬傷）。通過光譜靈敏度分析，他們確定了去除植物背景、識別植物損傷區域以及區分茶樹脅迫類型的最佳光譜特征。隨后，研究利用k均值聚類和KNN算法構建了茶樹損傷區域的檢測模型，并通過Fisher線性判別法準確區分損傷區域的脅迫類型（圖18）。模型驗證結果顯示，損傷區域檢測的準確率達到95%，脅迫類型識別的準確率高達98%。從以上研究可以看出，基于高光譜成像數據的研究方法主要是通過各種統計判別或數據挖掘算法，建立光譜特征與病蟲害類型之間的關系，從而達到對不同類型脅迫下侵染區域的準確分析。揭示了該技術在大規模茶園病害管理特別是實時監測和準確診斷方面的潛在應用。

圖18. 基于高光譜成像技術的茶樹脅迫檢測與區分流程圖

6.總結與展望

高光譜成像技術在茶葉研究中的應用日益深入，展現出巨大的潛力。該技術結合了成像與光譜分析的優勢，生成包含空間和光譜信息的三維數據立方體，從而克服了傳統成像和光譜技術的局限。通過高光譜成像，能夠無損、精確地分析茶葉中的生物活性成分，如茶多酚、咖*因和氨基酸等。同時，這項技術的應用已經從實驗室擴展至茶樹種植的實際檢測中，包括茶樹營養狀態、土壤成分以及病蟲害的監測等方面。

然而，高光譜成像產生的大量光譜數據對農產品的快速檢測應用提出了挑戰。要解決這一問題，必須從冗余的數據中提取有價值的特征信息，并開發合適的預測模型。此外，非專業人士可能面臨數據處理和建模方面的挑戰，這可能會阻礙該技術與生產線的整合。隨著人工智能和機器學習技術的發展，未來希望高光譜成像技術在茶葉檢測中的應用更加自動化和智能化。結合大數據分析與建模，有望進一步提高茶葉品質預測的準確性，助力茶葉產業的標準化和現代化進程。同時，技術的推廣與應用將推動茶葉全產業鏈的升級，從茶葉種植到加工再到銷售，帶來更具效率和品質保障的生產模式。

參考文獻

Chen, S., Shen, J., Fan, K., Qian, W., Gu, H., Li, Y., Zhang, J., Han, X., Wang, Y., & Ding, Z. (2022). Hyperspectral machine-learning model for screening tea germplasm resources with drought tolerance. Frontiers in Plant Science, 13, 1048442. 

Cui, L., Yan, L., Zhao, X., Yuan, L., Jin, J., & Zhang, J. (2021). Detection and Discrimination of Tea Plant Stresses Based on Hyperspectral Imaging Technique at a Canopy Level. Phyton, 90(2), 621–634. 

Dutta, D., Das, P. K., Bhunia, U. K., Singh, U., Singh, S., Sharma, J. R., & Dadhwal, V. K. (2015). Retrieval of tea polyphenol at leaf level using spectral transformation and multi-variate statistical approach. International Journal of Applied Earth Observation and Geoinformation, 36, 22–29. 

Jiang, J., Ji, H., Yan, Y., Zhao, L., Pan, R., Liu, X., Yin, J., Duan, Y., Ma, Y., Zhu, X., & Fang, W. (2024). Mining sensitive hyperspectral feature to non-destructively monitor biomass and nitrogen accumulation status of tea plant throughout the whole year. Computers and Electronics in Agriculture, 225.

Li, H., Mao, Y., Shi, H., Fan, K., Sun, L., Zaman, S., Shen, J., Li, X., Bi, C., Shen, Y., Xu, Y., Chen, H., Ding, Z., & Wang, Y. (2024). Establishment of deep learning model for the growth of tea cutting seedlings based on hyperspectral imaging technique. Scientia Horticulturae, 331, 113106. 

Tu, Y., Bian, M., Wan, Y., & Fei, T. (2018). Tea cul*ivar classification and biochemical parameter estimation from hyperspectral imagery obtained by UAV. PeerJ, 6, e4858. 

Yuan, L., Yan, P., Han, W., Huang, Y., Wang, B., Zhang, J., Zhang, H., & Bao, Z. (2019). Detection of anthracnose in tea plants based on hyperspectral imaging. Computers and Electronics in Agriculture, 167, 105039.