基于RGB與高光譜圖像的小麥低溫脅迫評估模型

DOI：10.3969/j.issn.2095-1191.2025.01.009

摘要：【目的】探究低溫脅迫對小麥葉片葉綠素熒光參數、RGB圖像參數和高光譜指數的影響，建立小麥低溫脅迫評估模型，為小麥生產防災減災提供參考。【方法】以濟麥22為研究對象，在小麥拔節期開展低溫脅迫控制試驗，設白天（8：00—20：00）/夜間（20：00—次日8：00）平均溫度分別為8℃/0℃（T1）、6℃/-2℃（T2）和4℃/-4℃（T3）3個處理，持續時間3 d，以大田自然環境的盆栽小麥（23℃/8℃）為對照（CK），研究低溫脅迫處理結束后1、3和6 d小麥葉片葉綠素熒光參數、RGB圖像參數及高光譜指數的變化規律；使用一元線性回歸、隨機森林（RF）和人工神經網絡（ANN）建立小麥低溫脅迫評估模型。【結果】葉綠素熒光參數DIo/RC可作為評估小麥低溫脅迫的指標。在一元線性回歸模型中，使用增強型植被指數（EVI）建立的一元線性回歸模型效果最佳，回歸方程為y=-1.261x+1.401，決定系數（R2）、均方根誤差（RMSE）、平均絕對誤差（MAE）、平均相對誤差（MRE）分別為0.536、0.058、0.045和11.31%。在RF和ANN模型中，基于RGB圖像參數建立的模型精度高于基于高光譜指數建立的模型，RF模型測試集R2、RMSE、MAE、MRE分別為0.771、0.042、0.033、8.57%，R2相比一元線性回歸模型提高43.78%，RMSE、MAE、MRE分別降低28.31%、28.06%、24.21%；ANN模型測試集R2、RMSE、MAE、MRE分別為0.742、0.046、0.037、9.01%，測試集R2相比一元線性回歸模型提高38.34%，RMSE、MAE、MRE分別降低20.33%、18.06%、20.32%。【結論】基于RGB圖像參數的RF模型效果最好、精度最高，可用于小麥的低溫脅迫評估。

關鍵詞：小麥；葉綠素熒光參數；RGB圖像；高光譜圖像；低溫脅迫評估模型

中圖分類號：S512.1文獻標志碼：A文章編號：2095-1191（2025）01-0097-14

Assessment model for low temperature stress in wheat based on RGB and hyperspectral images

YU De-zhao1，JIANG Xiao-dong1*，YANG Ying-ying1，ZHANG Jian-qu1，XIN Le1，ZHANG Yan2，QIN Si-rong1，YANG Zai-qiang1

（1School of Ecology and Applied Meteorology，Nanjing University of Information Scienceamp;Technology/Jiangsu Provin‐cial University Key laboratory of Agricultural and Ecological Meteorology，Nanjing，Jiangsu 210044，China；2School ofAtmospheric Sciences，Nanjing University of Information Scienceamp;Technology，Nanjing，Jiangsu 210044，China）

Abstract：【Objective】This study investigated the effects of low temperature stress on chlorophyll fluorescence para-meters，RGB image parameters and hyperspectral indexes of wheat leaves.It aimed to establish an assessment model for wheat under low temperature stress，providing reference for disaster prevention and mitigation in wheat production.【Method】Using winter wheat variety Jimai 22 as the research material，a controlled low temperature stress experiment was conducted during the jointing stage.Three treatments were applied：daytime（8：00–20：00）/nighttime（20：00–8：00 on next day）mean temperatures of 8°C/0℃（T1），6°C/-2℃（T2）and 4°C/-4℃（T3），each lasting for three days.Potted wheat grown under natural field conditions（23°C/8℃）served as the control（CK）.The changes in chlorophyllfluorescence parameters，RGB image parameters，and hyperspectral indexes of wheat leaves were analyzed on 1，3 and 6 d after the low temperature stress treatments.Wheat low temperature stress assessment models were developed using uni‐variate linear regression，random forest（RF）and artificial neural networks（ANN）.【Result】The chlorophyll fluores‐cence parameter DIo/RC was identified as an effective indicator for assessing wheat low temperature stress.In the univaria-te linear regression model，the model using the enhanced vegetation index（EVI）performed the best，with a regression equation of y=-1.261x+1.401，yielding a coefficient of determination（R2），root mean square error（RMSE），mean abso-lute error（MAE）and mean relative error（MRE）of 0.536，0.058，0.045，and 11.31%respectively.For RF and ANN models，models based on RGB image parameters outperformed those based on hyperspectral indexes.The RF model achieved R2，RMSE，MAE and MRE values of 0.771，0.042，0.033 and 8.57%in the test set，with an R2 improvement of 43.78%and reductions in RMSE，MAE and MRE by 28.31%，28.06%and 24.21%respectively compared to the univaria-te linear regression model.The ANN model achieved R2，RMSE，MAE and MRE values of 0.742，0.046，0.037 and 9.01%，with R2 improving by 38.34%and RMSE，MAE and MRE decreasing by 20.33%，18.06%and 20.32%respec-tively compared to the univariate linear regression model.【Conclusion】The RF model based on RGB image parameters demonstrates the best performance and the highest accuracy，making it suitable for evaluating low temperature stress in wheat.

Key words：wheat；chlorophyll fluorescence parameters；RGB image；hyperspectral image；low temperature stress assessment model

Foundation items：National Key Research and Development Program of China（2022YFD2300202）

0引言

【研究意義】小麥是我國三大糧食作物之一，對保障國家糧食安全具有重要意義。氣候變化背景下，極端天氣事件頻發（周波濤和錢進，2021），低溫脅迫風險增大，嚴重影響我國的小麥生產（陳翔等，2021；代存虎等，2024）。調查發現，我國85%的冬小麥種植區是低溫災害的風險區域（Yue et al.，2016），其中黃淮麥區是低溫災害最嚴重的區域（Xiao et al.，2018），部分省份在低溫災害嚴重年份可減產30%～50%（Liu et al.，2019）。低溫災害已成為限制我國小麥產量的重要因素之一，開展小麥低溫脅迫監測與評估研究刻不容緩。隨著信息技術和圖像處理技術的發展，基于RGB、高光譜和熒光圖像的計算機視覺技術為農作物的低溫脅迫監測提供了一種無接觸式的可行方法（Shammi etal.，2023）。相比傳統的人工方法，計算機視覺技術具有檢測效率高、時效性強、覆蓋范圍廣的優點（Tian et al.，2020）。此外，結合計算機視覺技術，可深入挖掘作物光學特征與生理指標之間的關系，為低溫脅迫評估提供更多維度的數據支持與模型優化的可能性（Li etal.，2020）。因此，開展基于計算機視覺技術的小麥低溫脅迫評估研究，對提升小麥低溫脅迫監測能力、降低災害損失以及保障國家糧食安全具有重要意義。【前人研究進展】近年來，國內外學者已廣泛基于葉綠素熒光、RGB和高光譜圖像開展了小麥低溫脅迫的評估與監測研究。快速葉綠素熒光誘導動力學曲線蘊含著豐富的光合信息，常被用于研究植物逆境脅迫（楊文強等，2024；Pessarakli，2024）。小麥受到低溫脅迫后，光合作用受到影響，葉綠素熒光參數值發生改變（Dong et al.，2020；岳俊芹等，2021）。Li等（2015）研究發現，拔節期低溫脅迫后，小麥葉綠素熒光參數ETo/RC和TRo/RC均顯著降低。張磊等（2017）、劉蕾蕾等（2018）、王瑞霞等（2018）研究均發現，拔節期低溫脅迫處理后小麥葉綠素熒光參數Fv/Fm顯著降低，是評估低溫脅迫對小麥光合作用損傷的重要指標。楊程等（2022）通過分析小麥越冬期34個葉綠素熒光誘導動力學參數與33個小麥品種凍害發生程度的相關性，發現熒光參數TRo/CSm比Fv/Fm更適合用于評價小麥凍害情況。RGB圖像技術憑借其簡單、廉價且高效的特點，近年來逐漸成為作物低溫脅迫監測的重要工具（Yuan and Choi，2021；Ku et al.，2023；樊小雪等，2024）。RGB圖像能直觀反映小麥的外觀特征，可準確捕捉低溫脅迫下葉片顏色和形態變化（薛亞光等，2018），為小麥低溫災害的監測與評估提供了重要依據。Macedo-Cruz等（2011）通過獲取健康和凍害地區燕麥作物的RGB圖像，結合3種閾值處理方法，實現了燕麥作物凍害情況的無監督分類。Fu等（2021）采集小麥RGB圖像后提取影響作物生長的各種重要指標，發現利用小麥苗期植被覆蓋度作為評價指標對小麥凍害程度進行分級具有良好效果。Zhang等（2024a）利用小麥冠層RGB圖像提取顏色特征，量化了小麥葉片在低溫脅迫下的黃化程度，驗證了其對低溫脅迫監測的可行性。小麥受到低溫脅迫后，葉片對特定光譜波段的吸收強度會減弱，光譜特征發生變化（Zhang et al.，2024b）。Wang等（2016）、Zhao等（2020）結合歸一化植被指數（NDVI）評估了低溫脅迫對冬小麥生產的潛在損失，為低溫災害監測提供了技術支持。Feng等（2018）、Xie等（2020）篩選出低溫脅迫下小麥高光譜的敏感波段，揭示了小麥葉片在低溫脅迫條件下的光譜響應特征。Wang等（2020）提出了基于遙感的春霜凍損害指數，快速有效地量化了大范圍春霜凍對小麥的影響。Yao等（2024）構建了基于高光譜圖像的小麥幼苗期凍害評估模型，模型精度超過86%。上述研究在一定程度上實現了小麥的低溫脅迫評估與監測，快速葉綠素熒光、RGB圖像和高光譜圖像3種技術各有優勢，葉綠素熒光參數能表征小麥光合效率的變化，RGB圖像能直觀反映低溫脅迫對小麥外觀形態的影響，高光譜圖像的多維信息能深入揭示低溫脅迫對小麥的生理響應。【本研究切入點】不同圖像在特征選擇、模型構建和應用場景上存在一定局限性，前人研究在評估小麥低溫脅迫時多集中于單一數據源的分析，對不同技術融合應用的研究較少，且在測量快速葉綠素熒光誘導動力學曲線時需進行15～20 min的遮光處理，在進行大面積監測時不能及時獲取熒光數據。目前，鮮見使用RGB和高光譜圖像特征估算葉綠素熒光參數進行小麥低溫脅迫評估的研究報道。【擬解決的關鍵問題】在小麥拔節期開展低溫脅迫控制試驗，測定并分析低溫脅迫處理結束后不同時間小麥葉片葉綠素熒光參數、RGB圖像參數及高光譜指數的變化規律，基于小麥葉片RGB圖像參數和高光譜指數，利用一元線性回歸、隨機森林（RF）和人工神經網絡（ANN）建立小麥低溫脅迫評估模型，并對模型的可行性和精準度進行評價，以期為小麥生產防災減災提供參考。

1材料與方法

1.1試驗材料

供試小麥品種為濟麥22，供試土壤采集自南京信息工程大學農業氣象實驗站小麥試驗地耕層，土壤質地為壤質黏土，黏粒含量26.5%，土壤pH 6.4，有機碳、全氮含量分別為20.5和10.8 g/kg。

1.2試驗方法

1.2.1試驗設計試驗于2023年11月—2024年5月在南京信息工程大學農業氣象試驗站進行。小麥種植于直徑20 cm、高30 cm的聚乙烯盆中，每盆裝試驗田耕層土5kg。小麥于2023年11月21日播種，2023年12月27日3葉期定苗，5株/盆。播種前施用基肥，每盆肥料用量為三元復合肥（N-P2O5-K2O=15-15-15）1.0 g、尿素1.5 g，在拔節期追肥，每盆施尿素1.5 g，其他管理措施同當地農田。

于拔節期（2024年3月15日）將小麥移入人工氣候箱中進行為期3d（3月15日20：00至3月18日20：00）的低溫脅迫處理（圖1-A），設白天（8：00—20：00）/夜間（20：00—次日8：00）平均溫度分別為8℃/0℃（T1）、6℃/-2℃（T2）和4℃/-4℃（T3）3個處理，以大田自然環境的盆栽小麥（23℃/8℃）為對照（CK）。人工氣候箱相對濕度設置為（70±5）%，白天光照強度設置為800μmol/（m2?s），夜間光照強度設置為0μmol/（m2?s），低溫脅迫期間人工氣候箱內溫度變化如圖1-B。每處理設3個重復，每重復種植10盆，在低溫脅迫處理結束后當天將各處理盆栽重新移回大田自然環境，直至成熟。

1.2.2熒光參數測定在低溫脅迫處理結束后的1、3和6 d，以小麥主莖頂數第2～4片葉為觀測葉片，利用Pocket PEA植物效率分析儀（PP Systems公司，美國）測定葉片快速葉綠素熒光誘導動力學曲線，計算葉綠素熒光參數（Goltsev etal.，2017；曹雄軍等，2024）（表1）。

1.2.3 RGB圖像采集及特征提取小麥葉片RGB圖像采集及特征提取過程見圖2，使用realme GT手機（深圳市銳爾覓移動通信有限公司）拍攝小麥葉片RGB圖像，共獲取有效RGB圖像229張。使用Python 3.12.1編程，借助OpenCV 4.6.0工具包對小麥葉片RGB圖像進行預處理，部分圖像見圖3，并提取RGB圖像的顏色特征和紋理特征（楊俊等，2019；Chen et al.，2020；Lee et al.，2021）（表2）。

1.2.4高光譜圖像采集及特征提取小麥葉片高光譜圖像采集及處理過程見圖4，采用SOC710便攜式高光譜成像儀（Surface Optics Corporation公司，美國）測定小麥葉片400～1000 nm高光譜圖像，共獲取有效高光譜圖像206張。使用SRAnal710e進行光譜輻射定標，顯示小麥葉片RGB格式下的高光譜合成圖像，如圖5所示，使用ENVI 5.3進行反射光譜提取，并計算相關高光譜特征參數和植被指數（表3和表4）（Qiaoetal.，2022；楊熙來等，2023）。

1.3數據處理

1.3.1建立模型將RGB圖像參數、高光譜指數與葉綠素熒光參數進行線性回歸分析，建立一元線性回歸模型。使用RF和ANN建立回歸模型。RF決策樹數量為50，最大深度為10，節點最小分裂樣本數為5，葉子節點最小樣本數為1。ANN包含3層全連接層，用于預測目標變量，其中，輸入層接收歸一化處理后的輸入特征（RGB圖像參數或高光譜指數），隱藏層分別包含32和16個神經元，輸出層為單一節點用于生成預測值，模型的激活函數選用ReLU，以引入非線性特性。訓練過程中，定義均方誤差（MSE）作為損失函數，采用Adam優化器更新網絡參數，初始學習率設為0.01。為了提高收斂效果，引入學習率調度策略，每10次迭代后將學習率調整為原來的0.9倍。訓練過程設置最大迭代次數為200，同時引入早停機制，若測試集的損失連續50次迭代無改善，則提前停止訓練以防止過擬合。在使用RF和ANN模型訓練時，將樣本數據進行隨機劃分，其中70%樣本量用于訓練，30%樣本量用于驗證。

1.3.2模型檢驗使用決定系數（R2）、均方根誤差（RMSE）、平均絕對誤差（MAE）、平均相對誤差（MRE）作為評價指標，R2越大，RMSE、MAE和MRE越小代表模型精度越高，公式如下：

式中，xi為實測值，x（ˉ）為實測值的平均值，yi為預測值，n為樣本個數。

1.3.3統計分析使用Python 3.12.1、Excel 2021進行數據處理，借助sklearn、PyTorch工具包進行模型構建，使用SPSS 21.0進行方差分析及相關分析，使用Origin 2021繪圖。

2結果與分析

2.1不同低溫脅迫處理小麥葉片葉綠素熒光參數響應特征

以CK為標準，將各處理數據歸一化，繪制不同處理葉綠素熒光參數雷達圖（圖6）。通過方差分析可知，在低溫脅迫處理結束后1 d，各處理TRo/RC、ETo/RC較CK顯著降低（Plt;0.05，下同），DIo/RC較CK顯著升高；在低溫脅迫處理結束后3 d，各處理Fv/Fm較CK顯著降低，DIo/RC較CK顯著升高；在低溫脅迫處理結束后6 d，各處理Fv/Fm、PIABS較CK顯著降低，DIo/RC較CK顯著升高，說明葉綠素熒光參數TRo/RC、ETo/RC、Fv/Fm、PIABS、DIo/RC可有效反映小麥的低溫脅迫狀況。

將小麥葉綠素熒光參數與處理最低溫度進行相關系數分析（圖7），結果顯示，Fv/Fm、TRo/CSm和DIo/RC 3個參數相關性最強，在低溫脅迫處理結束后1 d，3個參數與處理最低溫度的相關系數分別為0.70、0.63和-0.86；在低溫脅迫處理結束后3 d，相關系數分別為0.86、0.68和-0.86；在低溫脅迫處理結束后6 d，相關系數分別為0.99、0.85和-0.88，且均達到顯著水平。DIo/RC在各處理低溫脅迫處理結束后不同時間均較CK顯著升高，且與處理最低溫度均顯著相關（|r|gt;0.85），因此，本研究選取葉綠素熒光參數DIo/RC作為評估小麥低溫脅迫的指標。

2.2不同低溫脅迫處理小麥葉片RGB圖像特征

不同低溫脅迫處理小麥葉片RGB圖像主要顏色特征及紋理特征見表5。在低溫脅迫處理結束后1 d，T2和T3處理小麥葉片RGB圖像顏色特征RRsd、SRsd、IRsd較CK顯著升高，且T3處理RRsd顯著高于T2處理。在低溫脅迫處理結束后3 d，各處理小麥葉片RGB圖像顏色特征Rmean、Gmean較CK均顯著降低，且在不同處理間呈現出T2gt;T1gt;T3。在低溫脅迫處理結束后6 d，各處理小麥葉片RGB圖像特征RRsd、GRsd、SRsd、IRsd較CK均顯著升高，Gmean、Correlation較CK均顯著降低。

T3處理顏色特征g和ExG在低溫脅迫處理結束后1、3、6 d均與其他處理差異顯著，其中，在低溫脅迫處理結束后1 d時T3處理顯著低于其他處理，而3和6 d時T3處理顯著高于其他處理，表明T3處理對葉片綠色分量的影響隨時間發生變化。在低溫脅迫處理結束后1 d時，CK和T3處理的紋理特征Cor-relation顯著高于T1和T2處理，在低溫脅迫處理結束后3 d時，T3處理的紋理特征Correlation顯著低于其他處理，而在低溫脅迫處理結束后6 d時，各處理紋理特征Correlation均顯著低于CK，說明紋理特征Correlation對不同程度的低溫脅迫具有一定的區分性。

2.3不同低溫脅迫處理小麥葉片高光譜圖像響應特征

低溫脅迫處理結束后1、3和6 d，不同處理與CK小麥葉片光譜反射率曲線（圖8）的形狀和變化趨勢基本相似。在可見光波段，低溫脅迫處理結束后1 d（圖8-A）和3 d（圖8-B），各處理反射率與CK差異較小。在低溫脅迫處理結束后6 d（圖8-C），T3處理綠峰附近反射率明顯高于CK，且伴隨有紅移現象，即綠峰中心位置向長波方向偏移，說明低溫脅迫下小麥葉片對自然光的吸收處于低值，小麥正常的生理活動受到抑制。在波長800～1000 nm內的近紅外波段，低溫脅迫處理結束后1 d，小麥葉片平均反射率大小順序為CKgt;T1gt;T3gt;T2，分別為0.466、0.464、0.460和0.456；低溫脅迫處理結束后3 d，小麥葉片平均反射率大小順序為CKgt;T1gt;T2gt;T3，分別為0.560、0.558、0.546和0.529；低溫脅迫處理結束后6 d，小麥葉片平均反射率大小順序為CKgt;T2gt;T1gt;T3，分別為0.535、0.532、0.519和0.511。低溫脅迫處理結束后3 d各處理小麥葉片平均反射率較CK降低，但在低溫脅迫處理結束后6 d降幅減小，可能是低溫脅迫后小麥葉片細胞結構受損，導致反射率降低，處理結束后6d小麥細胞結構又有所恢復。

從小麥葉片一階微分光譜曲線（圖9）可知，低溫脅迫處理結束后1 d（圖9-A）和3 d（圖9-B），各處理與CK差異較小，在低溫脅迫處理結束后6 d（圖9-C），T1、T2處理與CK差異較小，T3處理藍邊處一階微分光譜反射率為0.0023 nm-1，相比CK（0.0019 nm-1）明顯增大；T3處理紅邊處一階微分光譜反射率為0.0081 nm-1，較CK（0.0090 nm-1）明顯減小，且紅邊位置向短波方向移動，出現藍移現象，可見，低溫脅迫一定程度上導致小麥葉片紅邊藍移現象。

2.4基于RGB圖像參數和高光譜指數的小麥低溫脅迫評估模型的構建與檢驗

2.4.1一元線性回歸模型將葉綠素熒光參數DIo/RC與RGB圖像參數、高光譜指數分別進行相關分析（圖10），選取顯著相關（Plt;0.05，|r|gt;0.6）的特征構建一元線性回歸模型（表6）。結果顯示，RGB圖像參數中，使用紋理特征Correlation構建的模型效果最好，回歸方程為y=-8.443x+8.722，R2、RMSE、MAE、MRE分別為0.470、0.062、0.052、12.60%。使用ExG和g構建的模型R2、RMSE、MAE、MRE均分別為0.442、0.064、0.053、12.88%，原因是2個特征參數存在線性關系ExG=3g-1（楊俊等，2019）。高光譜指數中，使用植被指數EVI構建的模型效果最好，回歸方程為y=-1.261x+1.401，R2、RMSE、MAE、MRE分別為0.536、0.058、0.045、11.31%。

2.4.2 RF和ANN回歸模型利用RF和ANN分別構建葉綠素熒光參數DIo/RC與RGB圖像參數、高光譜指數的回歸模型，結果見表7。

2.4.3模型的評估與比較在模型的評估指標中，R2反映實測值與預測值間的相關強度，RMSE、MAE、MRE則反映實測值與預測值間的偏差，最佳的估算模型應選擇R2較大，而RMSE、MAE、MRE較小的模型。在使用一元線性回歸時，基于高光譜指數的估算模型相比基于RGB圖像參數的效果更好。而RF和ANN模型中，基于RGB圖像參數的估算模型效果均優于基于高光譜指數的模型，說明不同模型選擇的最優參數不同。

RF和ANN模型測試集擬合結果見圖11，RF和ANN模型均取得較好效果，其中基于RGB圖像參數的RF模型效果最好，精度最高，測試集R2相比最優一元線性回歸模型提高43.78%，RMSE、MAE、MRE分別降低28.31%、28.06%、24.21%。基于RGB圖像參數的ANN模型精度高于一元線性回歸模型，測試集R2相比最優一元線性回歸模型提高38.34%，RMSE、MAE、MRE分別降低20.33%、18.06%、20.32%。綜合比較認為基于RGB圖像參數的RF模型為最優DIo/RC估算模型。

3討論

3.1低溫脅迫對小麥葉片葉綠素熒光參數的影響

葉綠素熒光誘導動力學曲線蘊含豐富的光合作用相關信息，對低溫脅迫響應敏感（劉蕾蕾等，2018；Dong et al.，2020；方宇輝等，2023）。岳俊芹等（2021）、付延松等（2022）的研究表明，拔節期低溫脅迫后，小麥葉片葉綠素熒光參數Fv/Fm隨溫度的降低而下降。楊程等（2022）研究自然大田環境下33個小麥品種凍害情況，發現葉綠素熒光參數Fv/Fm、TRo/CSm和DIo/RC等均可作為評價小麥抗寒性的指標，其中TRo/CSm評價效果最好，說明利用葉綠素熒光參數評價小麥低溫脅迫的可行性。本研究結果亦表明，在受到低溫脅迫后，Fv/Fm和TRo/CSm顯著降低，說明小麥受低溫脅迫后葉片的光能轉化效率和捕獲光能的能力降低，而以熱能形式耗散的能量增多，光合活性受到抑制。Fv/Fm、TRo/CSm和DIo/RC 3個參數中，DIo/RC在低溫脅迫處理結束后1、3和6 d的數值均較CK顯著升高，說明DIo/RC能更靈敏地表征小麥低溫脅迫的受害情況。

3.2低溫脅迫對小麥葉片RGB圖像和反射光譜特征的影響

小麥葉片RGB圖像是在可見光范圍內捕獲的彩色圖像，包含紅、綠、藍3個通道，可提供葉片顏色、紋理等視覺特征參數。小麥受到低溫脅迫后，葉片會出現枯萎、斑點、發黃等現象導致外觀形態改變（薛亞光等，2018），從而使利用葉片圖像特征檢測低溫脅迫具有可能性。Fu等（2021）研究表明，低溫脅迫下小麥RGB圖像特征ExGR變化明顯，可用于評估小麥的受害狀況。Zhang等（2024a）通過分析小麥冠層圖像的顏色分布變化，發現隨著低溫脅迫的加重，葉片顏色從亮綠色轉變為黃綠色和黃色，且顏色直方圖的扁平化和偏斜程度與低溫脅迫嚴重程度顯著相關。在本研究中，低溫脅迫后，小麥葉片RGB圖像顏色特征Gmean較CK明顯降低、GRsd較CK明顯升高，圖像綠色通道均值減小，相對標準偏差增大，反映了小麥葉片RGB圖像特征的變化。

小麥反射光譜主要受其葉片內部細胞結構、色素含量等對光波的反射和吸收影響，與作物的生理生化成分相關（Silva-Perez et al.，2018；Zhang et al.，2024b）。Murphy等（2020）設置小麥低溫控制試驗，發現小麥旗葉在藍（415～494 nm）、紅（670～687 nm）和近紅外（727～889 nm）區域的反射特性均受到低溫脅迫的顯著影響，并在后續的5 d內表現出低溫脅迫處理與時間的顯著交互作用。Xie等（2020）的研究結果表明，低溫脅迫會導致小麥冠層光譜的紅邊區域發生藍移，近紅外光譜反射率降低，說明小麥冠層光譜對低溫脅迫的敏感性。在本研究中，低溫脅迫下的小麥葉片顏色變黃，在可見光波段吸收減少，導致反射率增大，綠峰向長波方向偏移，而在800～1000 nm內的近紅外波段，葉片反射率降低，紅邊位置向短波方向移動，出現藍移現象，同樣說明低溫脅迫對葉片細胞結構造成了損傷。

3.3基于RGB圖像參數和高光譜指數的小麥低溫脅迫評估模型

一元線性回歸、RF和ANN 3種不同的建模方法比較，使用RF建模因其集成了多個決策樹來提高模型的穩定性和準確性（沈潤平等，2017），降低了數據誤差對模型的影響（Mellor et al.，2015），同時相較于一元線性回歸模型，其具有處理復雜非線性關系的能力，而其相較于ANN建模更不容易出現過擬合現象（Belgiu and Dr?gu?，2016），從而取得了最高的模型精度。Shammi等（2024）利用RF等機器學習方法基于紅外熱成像數據構建了小麥霜凍早期檢測模型，模型準確率達98%，驗證了使用RF模型檢測小麥霜凍的合理性。

本研究中，將RGB圖像參數、高光譜指數代入不同的模型進行了比較，在RF和ANN模型中，基于RGB圖像參數建立的模型精度均高于基于高光譜指數建立的模型，主要是由于RGB圖像能直接反映小麥葉片的生理狀態，故基于RGB圖像提取的特征能更準確估算小麥葉片葉綠素熒光參數。相較于高光譜技術，RGB圖像更容易獲取，成本較低，方便大范圍推廣使用。本研究使用RGB圖像構建的模型取得了較好的效果，為高效、無損監測小麥低溫脅迫提供了一定參考，但由于試驗地點和供試品種的限制，模型能否用于其他區域及其他小麥品種還需進一步驗證。

4結論

低溫脅迫下小麥葉綠素熒光參數的變化及各葉綠素熒光參數與處理最低溫度的相關性分析結果表明，DIo/RC可作為評估小麥低溫脅迫的指標。在一元線性回歸模型中，使用高光譜指數EVI建立的一元線性回歸模型效果最佳。在RF和ANN模型中，基于RGB圖像參數建立的模型精度高于基于高光譜指數建立的模型，效果均優于一元線性回歸模型。基于RGB圖像參數的RF模型效果最好、精度最高，可用于小麥的低溫脅迫評估。

參考文獻（References）：

曹雄軍，韓佳宇，謝蜀豫，黃秋秘，鄧海燕，盤豐平，王博，江春分，時曉芳，白先進.2024.葡萄葉綠素熒光參數測量方法的優化與日變化特征分析［J］.南方農業學報，55（8）：2248-2261.［Cao X J，Han J Y，Xie S Y，Huang Q M，Deng H Y，Pan F P，Wang B，Jiang C F，Shi X F，Bai X J.2024.Optimization of measurement methods for chloro‐phyll fluorescence parameters and analysis of diurnal varia‐tion characteristics in grape leaves［J］.Journal of Southern Agriculture，55（8）：2248-2261.］doi：10.3969/j.issn.2095-1191.2024.08.005.

陳翔，于敏，蔡洪梅，吳宇，張樂樂，柯媛媛，許輝，李金才.2021.小麥倒春寒研究現狀與進展［J］.應用生態學報，32（8）：2999-3009.［Chen X，Yu M，Cai H M，Wu Y，Zhang L L，Ke Y Y，Xu H，Li J C.2021.Current status andresearch advances of late spring coldness in wheat［J］.Chi‐nese Journal of Applied Ecology，32（8）：2999-3009.］doi：10.13287/j.1001-9332.202108.021.

代存虎，劉新，戶淑君，朱洋陽，楊舒然，朱敏，李春燕，丁錦峰，朱新開，郭文善.2024.拔節期低溫與施氮防御對小麥根系酶活性及產量形成的影響［J］.江蘇農業科學，52（12）：69-75.［Dai C H，Liu X，Hu S J，Zhu YY，Yang S R，Zhu M，Li C Y，Ding J F，Zhu X K，Guo W S.2024.Effects of low temperature and nitrogen application before low temperature at jointing stage on root enzyme activity and yield formation of wheat［J］.Jiangsu Agricul‐tural Sciences，52（12）：69-75.］doi：10.15889/j.issn.1002-1302.2024.12.009.

樊小雪，李德翠，李遠，任妮.2024.基于RGB模型的草莓葉片光合作用指標估測［J］.江蘇農業學報，40（4）：675-681.［Fan X X，Li D C，Li Y，Ren N.2024.Estimation of photo‐synthetic indexes in strawberry leaves based on RGB model［J］.Jiangsu Journal of Agricultural Sciences，40（4）：675-681.］doi：10.3969/j.issn.1000-4440.2024.04.011.

方宇輝，華夏，韓留鵬，趙明忠，齊學禮，董海濱，胡琳.2023.非生物脅迫因素對小麥光合作用的影響研究進展［J］.河南農業科學，52（10）：1-13.［Fang Y H，Hua X，Han L P，Zhao M Z，Qi X L，Dong H B，Hu L.2023.Research progress on the effects of abiotic stress factors on wheat photosynthesis［J］.Journal of Henan Agricultural Scien-ces，52（10）：1-13.］doi：10.15933/j.cnki.1004-3268.2023.10.001.

付延松，譚植，李文陽.2022.拔節期低溫對小麥籽粒產量與灌漿期旗葉熒光參數的影響［J］.生態科學，41（6）：33-40.［Fu Y S，Tan Z，Li W Y.2022.Effects of low tempera‐ture at jointing stage on grain yield and fluorescence parameters of flag leaves in wheat grain filling［J］.Eco‐logical Science，41（6）：33-40.］doi：10.14108/j.cnki.1008-8873.2022.06.005.

劉蕾蕾，紀洪亭，劉兵，馬吉鋒，肖瀏駿，湯亮，曹衛星，朱艷.2018.拔節期和孕穗期低溫處理對小麥葉片光合及葉綠素熒光特性的影響［J］.中國農業科學，51（23）：4434-4448.［Liu L L，Ji H T，Liu B，Ma J F，Xiao L J，Tang L，Cao W X，Zhu Y.2018.Effects of jointing and booting low temperature treatments on photosynthetic and chloro‐phyll fluorescence characteristics in wheat leaf［J］.Scien‐tia Agricultura Sinica，51（23）：4434-4448.］doi：10.3864/j.issn.0578-1752.2018.23.004.

沈潤平，郭佳，張婧嫻，李洛晞.2017.基于隨機森林的遙感干旱監測模型的構建［J］.地球信息科學學報，19（1）：125-133.［Shen R P，Guo J，Zhang J X，Li L X.2017.Construc‐tion of a drought monitoring model using the random fo-rest based remote sensing［J］.Journal of Geo-information Science，19（1）：125-133.］doi：10.3724/sp.j.1047.2017.00 125.

王瑞霞，閆長生，張秀英，孫果忠，錢兆國，亓曉蕾，牟秋煥，肖世和.2018.春季低溫對小麥產量和光合特性的影響［J］.作物學報，44（2）：288-296.［Wang R X，Yan C S，Zhang X Y，Sun G Z，Qian Z G，Qi X L，Mu Q H，Xiao S H.2018.Effect of low temperature in spring on yield and photosynthetic characteristics of wheat［J］.Acta Agrono-mica Sinica，44（2）：288-296.］doi：10.3724/sp.j.1006.2018.00288.

薛亞光，石呂，魏亞鳳，李波，劉建.2018.稻秸全量還田方式下小麥苗期低溫的生理響應及其抗寒性分析［J］.南方農業學報，49（9）：1722-1728.［Xue Y G，Shi L，Wei Y F，Li B，Liu J.2018.Physiological responses of wheat under dif‐ferent all rice straw returning patterns to low temperature at seedling stage and cold resistance analysis［J］.Journal of Southern Agriculture，49（9）：1722-1728.］doi：10.3969/j.issn.2095-1191.2018.09.06.

楊程，杜思夢，張德奇，時艷華，李向東，邵運輝，方保停，王漢芳.2022.基于葉綠素熒光的小麥越冬期凍害評價［J］.作物雜志，（1）：154-160.［Yang C，Du S M，Zhang D Q，Shi Y H，Li X D，Shao Y H，Fang B T，Wang H F.2022.Evaluation of wheat freezing damage during overwintering period based on chlorophyll fluorescence［J］.Crops，（1）：154-160.］doi：10.16035/j.issn.1001-7283.2022.01.023.

楊俊，丁峰，陳晨，劉濤，孫成明，丁大偉，霍中洋.2019.小麥生物量及產量與無人機圖像特征參數的相關性［J］.農業工程學報，35（23）：104-110.［Yang J，Ding F，Chen C，Liu T，Sun C M，Ding D W，Huo Z Y.2019.Correlation of wheat biomass and yield with UAV image characteristic parameters［J］.Transactions of the Chinese Society of Agri-cultural Engineering，35（23）：104-110.］doi：10.11975/j.issn.1002-6819.2019.23.013.

楊文強，林榮呈，端木德強，李磊，盧從明，歐陽敏，王文達，孫韜，田利金，王柏臣，朱新廣.2024.近10年光合作用領域若干重要研究進展［J］.植物生理學報，60（2）：211-247.［Yang W Q，Lin R C，Duanmu D Q，Li L，Lu C M，Ou-yang M，Wang W D，Sun T，Tian L J，Wang B C，Zhu X G.2024.Multiple of important progress on photosynthesis inthe last 10 years［J］.Plant Physiology Journal，60（2）：211-247.］doi：10.13592/j.cnki.ppj.600007.

楊熙來，朱榴駿，馮兆忠.2023.臭氧脅迫冬小麥葉片高光譜特征和葉綠素含量估算［J］.生態學報，43（8）：3213-3223.［Yang X L，Zhu L J，Feng Z Z.2023.Hyperspectral charac-teristics and chlorophyll content estimation of winter wheat under ozone stress［J］.Chinese Journal of Applied Ecology，43（8）：3213-3223.］doi：10.5846/stxb20220120 0196.

岳俊芹，張素，李向東，邵運輝，方保停，葛勝修，王漢芳，張德奇，楊程，時艷華.2021.低溫脅迫對小麥葉綠素熒光參數及產量的響應［J］.麥類作物學報，41（1）：105-110.［Yue J Q，Zhang S，Li X D，Shao Y H，Fang B T，Ge S X，Wang H F，Zhang D Q，Yang C，Shi Y H.2021.Effect of lowtemperature stress on chlorophyll fluorescence parameters and yield of wheat［J］.Journal of Triticeae Crops，41（1）：105-110.］doi：10.7606/j.issn.1009-1041.2021.01.13.

張磊，李國領，張建周，張德奇.2017.拔節期低溫脅迫對小麥生理特性和產量的影響［J］.河南農業科學，46（11）：13-18.［Zhang L，Li G L，Zhang J Z，Zhang D Q.2017.Effects oflow temperature stress on physiological characters and yield of two wheat varieties at jointing stage［J］.Journal of Henan Agricultural Sciences，46（11）：13-18.］doi：10.15933/j.cnki.1004-3268.2017.11.003.

周波濤，錢進.2021.IPCCAR6報告解讀：極端天氣氣候事件變化［J］.氣候變化研究進展，17（6）：713-718.［Zhou B T，Qian J.2021.Changes of weather and climate extremes in the IPCC AR6［J］.Climate Change Research，17（6）：713-718.］doi：10.12006/j.issn.1673-1719.2021.167.

Belgiu M，Dr?gu?L.2016.Random forest in remote sensing：A review of applications and future directions［J］.ISPRS Journal of Photogrammetry and Remote Sensing，114：24-31.doi：10.1016/j.isprsjprs.2016.01.011.

Chen Z M，Wang F Z，Zhang P，Ke C D，Zhu Y，Cao W X，Jiang H D.2020.Skewed distribution of leaf color RGB model and application of skewed parameters in leaf color description model［J］.Plant Methods，16：1-8.doi：10.1186/s13007-020-0561-2.

Dong Z F，Men Y H，Liu Z Z，Li J P，Ji J W.2020.Application of chlorophyll fluorescence imaging technique in analysis and detection of chilling injury of tomato seedlings［J］.Computers and Electronics in Agriculture，168：105109.doi：10.1016/j.compag.2019.105109.

Feng M C，Guo X L，Wang C，Yang W D，Shi C C，Ding G W，Zhang X R，Xiao L J，Zhang M J，Song X Y.2018.Moni‐toring and evaluation in freeze stress of winter wheat（Triticum aestivum L.）through canopy hyperspectrumreflectance and multiple statistical analysis［J］.Ecological Indicators，84：290-297.doi：10.1016/j.ecolind.2017.08.059.

Fu X Q，Bai Y，Zhou J，Zhang H W，Xian J Y.2021.A method for obtaining field wheat freezing injury phenotype based on RGB camera and software control［J］.Plant Methods，17：1-10.doi：10.1186/s 13007-021-00821-7.

Goltsev V N，Kalaji H M，Paunov M，B?ba W，Horaczek T，Mojski J，Kociel H，Allakhverdiev S I.2016.Variable chlo‐rophyll fluorescence and its use for assessing physiological condition of plant photosynthetic apparatus［J］.Russian Journal of Plant Physiology，63：869-893.doi：10.1134/s1021443716050058.

Ku K B，Mansoor S，Han G D，Chung Y S，Tuan T T.2023.Identification of new cold tolerant Zoysia grass species using high-resolution RGB and multi-spectral imaging［J］.Scientific Reports，13（1）：13209.doi：10.1038/s41598-023-40128-2.

Lee M K，Golzarian M R，Kim I.2021.A new color index forvegetation segmentation and classification［J］.PrecisionAgriculture，22：179-204.doi：10.1007/s 11119-020-09735-1.

Li X N，Cai J，Liu F L，Zhou Q，Dai T B，Cao W X，Jiang D.2015.Wheat plants exposed to winter warming are more susceptible to low temperature stress in the spring［J］.Plant Growth Regulation，77：11-19.doi：10.1007/s 10725-015-0029-y.

Li Z B，Guo R H，Li M，Chen Y R，Li G Y.2020.A review of computer vision technologies for plant phenotyping［J］.Computers and Electronics in Agriculture，176：105672.doi：10.1016/j.compag.2020.105672.

Liu L L，Ji H T，An J P，Shi K J，Ma J F，Liu B，Tang L，Cao W X，Zhu Y.2019.Response of biomass accumulation in wheat to low-temperature stress at jointing and booting stages［J］.Environmental and Experimental Botany，157：46-57.doi：10.1016/j.envexpbot.2018.09.026.

Macedo-Cruz A，Pajares G，Santos M，Villegas-Romero I.2011.Digital image sensor-based assessment of the status of oat（Avena sativa L.）crops after frost damage［J］.Sen-sors，11（6）：6015-6036.doi：10.3390/s 110606015.

Mellor A，Boukir S，Haywood A，Jones S.2015.Exploring issues of training data imbalance and mislabelling on ran-dom forest performance for large area land cover classifica-tion using the ensemble margin［J］.ISPRS Journal of Pho-togrammetry and Remote Sensing，105：155-168.doi：10.1016/j.isprsjprs.2015.03.014.

Murphy M E，Boruff B，Callow J N，Flower K C.2020.Detec-ting frost stress in wheat：A controlled environment hyper-spectral study on wheat plant components and implications for multispectral field sensing［J］.Remote Sensing，12（3）：477.doi：10.3390/rs 12030477.

Pessarakli M.2024.Handbook of photosynthesis［M］.The 4th Edition.Boca Raton：CRC Press：714-722.doi：10.1201/b22922.

Qiao L，Tang W J，Gao D H，Zhao R M，An L L，Li M Z，Sun H，Song D.2022.UAV-based chlorophyll content estima-tion by evaluating vegetation index responses under diffe-rent crop coverages［J］.Computers and Electronics in Agri-culture，196：106775.doi：10.1016/j.compag.2022.106775.

Shammi S，Diepeveen D，Zander S，Jones M G K，Sohel F.2024.Early frost detection in wheat using machine lear-ning from vertical temperature distributions［J］.Computers and Electronics in Agriculture，221：108950.doi：10.1016/j.compag.2024.108950.

Shammi S，Sohel F，Diepeveen D，Zander S，Jones M G K.2023.A survey of image-based computational learning techniques for frost detection in plants［J］.Information Pro-cessingin Agriculture，10（2）：164-191.doi：10.1016/j.inpa.2022.02.003.

Silva-Perez V，Molero G，Serbin S P，Condon A G，Reynolds M P，Furbank R T，Evans J R.2018.Hyperspectral reflec-tance as a tool to measure biochemical and physiological traits in wheat［J］.Journal of Experimental Botany，69（3）：483-496.doi：10.1093/jxb/erx421.

Tian H K，Wang T H，Liu Y D，Qiao X，Li Y Z.2020.Com-puter vision technology in agricultural automation—Areview［J］.Information Processing in Agriculture，7（1）：1-19.doi：10.1016/j.inpa.2019.09.006.

Wang H F，Huo Z G，Zhou G S，Wu L，Feng H K.2016.Moni-toring and forecasting winter wheat freeze injury and yield from multi-temporal remotely sensed data［J］.Intelligent Automationamp;Soft Computing，22（2）：255-260.doi：10.1080/10798587.2015.1095475.

Wang S，Chen J，Rao Y H，Liu L C，Wang W Q，Dong Q.2020.Response of winter wheat to spring frost from a remote sensing perspective：Damage estimation and influential fac-tors［J］.ISPRS Journal of Photogrammetry and Remote Sensing，168：221-235.doi：10.1016/j.isprsjprs.2020.08.014.

Xiao L J，Liu L L，Asseng S，Xia Y，Tang L，Liu B，Cao W X，Zhu Y.2018.Estimating spring frost and its impact on yield across winter wheat in China［J］.Agricultural and Forest Meteorology，260-261：154-164.doi：10.1016/j.agrformet.2018.06.006.

Xie Y K，Wang C，Yang W D，Feng M C，Qiao X X，Song J Y.2020.Canopy hyperspectral characteristics and yield esti-mation of winter wheat（Triticum aestivum）under low temperature injury［J］.Scientific Reports，10（1）：244.doi：10.1038/s41598-019-57100-8.

Yao Z S，Shao R，Zain M，Zhao Y Y，Tian T，Wang J L，Zhang D S，Liu T，Song X X，Sun C M.2024.Achieving wheat seedling freezing injury assessment during the seedling stage using Unmanned Ground Vehicle（UGV）and hyper-spectral imaging technology［J］.European Journal of Agro-nomy，161：127375.doi：10.1016/j.eja.2024.127375.

Yuan W A，Choi D.2021.UAV-based heating requirement determination for frost management in apple orchard［J］.Remote Sensing，13（2）：273.doi：10.3390/rs 13020273.

Yue Y J，Zhou Y，Wang J A，Ye X Y.2016.Assessing wheat frost risk with the support of GIS：An approach coupling a growing season meteorological index and a hybrid fuzzy neural network model［J］.Sustainability，8（12）：1308.doi：10.3390/su8121308.

Zhang J B，Huan H J，Qiu C，Chen Q，Yi C X，Zhang P.2024a.Accurate classification of wheat freeze injury severity from the color information in digital canopy images［J］.PLoS One，19（8）：e0306649.doi：10.1371/journal.pone.03 06649.

Zhang K，Yan F F，Liu P.2024b.The application of hyperspec-tral imaging for wheat biotic and abiotic stress analysis：A review［J］.Computers and Electronics in Agriculture，221：109008.doi：10.1016/j.compag.2024.109008.

Zhao L C，Li Q Z，Zhang Y，Wang H Y，Du X.2020.Normali-zed NDVI valley area index（NNVAI）-based framework for quantitative and timely monitoring of winter wheat frost damage on the Huang-Huai-Hai Plain，China［J］.Agri-culture，Ecosystems and Environment，292：106793.doi：10.1016/j.agee.2019.106793.

（責任編輯：麻小燕）