背景介绍
土壤盐碱化是制约农业生产和耕地高效利用的重要因素。水稻种植具有一定的淋盐、抑盐作用，在盐碱地改良与利用中具有独特优势，但盐碱胁迫会抑制水稻生长，造成产量和品质下降。因此，快速筛选耐盐碱水稻品种，是提升盐碱地农业生产潜力的关键。传统鉴定方法周期长、工作量大且具有破坏性，难以满足高通量育种和田间快速筛选需求。高光谱技术能够无损获取作物生理信息，为水稻耐盐碱性快速评价提供了新途径，但利用生长后期叶片光谱精准识别不同品种耐盐碱能力仍需进一步研究。
基于此，北方民族大学周春艳老师团队以宁夏灵武市马家滩镇大羊其村典型轻度盐碱化钙积土稻田为试验基地，选取12个耐盐碱能力存在差异的水稻品种开展研究。团队通过采集叶片高光谱反射率数据，并结合机器学习算法，构建了耐盐碱水稻品种快速、无损识别方法。该研究成果发表于《International Journal of Optics》。
图1.试验田布局。
研究方法
研究团队以宁夏灵武市马家滩镇大羊其村轻度盐碱化稻田为试验基地，选取12个耐盐碱水稻品种，采用随机区组设计开展田间试验，共设置36个试验小区，并采集2106片叶片利用ASD FieldSpec 4地物光谱仪进行数据采集；
光谱参数：
光谱范围：350–2500 nm；
采样间隔：1.4 nm；
光谱分辨率：VNIR区为3 nm；SWIR区为10 nm；
研究人员选择晴朗无云、光照充足的正午进行采集，并在每次采样前使用标准白板进行基线校准。为降低测量误差，每片叶片进行多点扫描并取平均值；
数据分析：先对原始光谱数据进行异常值剔除、平滑降噪，并采用SNV与一阶导数方法增强有效光谱信息；随后利用CARS和RF筛选关键特征波长，再结合BPNN、SVM和KNN算法构建分类模型，最终通过准确率、F1值和Kappa系数等指标评价模型性能，筛选最优识别模型；
表1.12个耐盐碱水稻品种的产量及农艺性状。
图2.12个耐盐碱水稻品种的光谱曲线。
图3.基于不同特征提取方法构建的KNN分类模型的混淆矩阵。(a) KNN-CARS测试数据的混淆矩阵。(b) KNN-RF测试数据的混淆矩阵。
表2.基于不同特征提取方法构建的KNN分类模型的评估指标。
表3.耐盐碱性分级模型综合性能比较。
研究结果
田间表型结果显示，NY7和NY1产量优势突出，表现出较强耐盐碱潜力，而NY5和NY6产量较低，耐盐碱性相对较弱；
敏感型品种绿峰反射率（约28%~29%）显著高于耐盐型（约26%），反映叶绿素含量下降；
敏感型品种红边位置出现轻微“蓝移”，而耐盐型“红移”，印证了盐胁迫对光合器官的损伤；
最优组合：CARS-KNN，准确率97.14%，Kappa系数96.88%，训练时间仅10.68 s；
为什么CARS-KNN组合模型为最佳识别方案？
① 数据层面：CARS筛选的波长精准锚定盐碱胁迫敏感波段，有效剔除冗余信息，使不同品种在特征空间中形成清晰可分的簇群；
② 算法层面：CARS优化后的特征空间更适合KNN基于邻近样本的局部判别机制，使其在样本量有限的条件下比SVM和BPNN更高效、更稳健；
结语
从叶片光谱中解析耐盐碱信息，是作物表型鉴定向智能化发展的重要体现。该研究表明，高光谱技术能够敏锐捕捉水稻盐碱胁迫响应，结合机器学习可实现耐盐碱品种的快速、无损识别，为连接田间表型、光谱信息与智能决策提供了新途径。未来，随着多品种、多环境和多生育期数据的积累，该技术有望进一步推动作物抗逆筛选向高通量、精准化和智能化发展。
发表期刊：International Journal of Optics【影响因子：1.7】
研究单位：北方民族大学、宁夏大气环境遥感重点实验室
研究地点：宁夏灵武市马家滩镇大羊其村
使用设备：ASD FieldSpec 4 地物光谱仪
DOI：https://doi.org/10.1155/ijo/3095933