摘要
在加拿大西部，抗除草剂杂草的日益普遍导致农作物产量下降、除草剂使用成本增加，并威胁到农场盈利能力。为了减缓抗除草剂杂草的进一步演变和扩散，需要基于知识的综合杂草管理策略。识别和区分抗除草剂与敏感杂草有助于制定并针对性地实施这些策略。然而，传统的抗除草剂杂草识别方法耗时、劳动强度大，且大多需要成熟的杂草种子。为了提高抗除草剂杂草识别的效率，我们采用了结合机器学习的高光谱成像技术来区分这两种类型的杂草。在阿尔伯塔省的莱思布里奇和拉科姆研究发展中心，我们进行了温室和田间实验，评估了Kochia（Bassia scoparia (L.) A.J. Scott）对草甘膦（第9组）和氟羟吡啶（第4组）的抗性，以及野生燕麦（Avena fatua L.）对氟草酮（第1组）和咪唑磺隆（第2组）的抗性。高光谱数据（400–1000 nm，204个波段）通过二次判别分析进行分类。实验结果显示，在草甘膦处理前后，Kochia的抗性识别准确率分别为70.9%至90.4%和72.9%至92.7%；而野生燕麦的抗性则仅在处理后进行评估，二次判别分析的准确率分别为87.9%和75.1%。这些结果表明，高光谱技术能够在除草剂处理前检测到与抗性相关的光谱差异，从而实现更早、更精确的干预。本研究强调了结合机器学习的高光谱成像技术作为高效、非侵入性抗除草剂杂草检测方法的潜力。总体而言，研究结果支持将先进的数字技术整合到可持续杂草管理实践中。
引言
抗除草剂（HR）杂草对加拿大草原地区的可持续农作物生产和盈利能力构成了严重威胁。其中，Kochia（Bassia scoparia (L.) A.J. Scott）和野生燕麦（Avena fatua L.）尤为突出，因为它们已经进化出了对多种除草剂作用方式的抗性（Geddes等人，2022a, 2024）。Kochia是一种适应性强且具有入侵性的阔叶杂草，原产于欧亚大陆，现已传播到北美，在干旱、盐碱及高温环境中生长旺盛（Endo等人，2014；Beckie等人，2015）。每株Kochia可产生多达12万颗种子，这些种子会在植株衰老时从茎基部脱落，并随风传播，覆盖大面积农田（Beckie等人，2016）。其早季出苗和较长的出苗周期往往会降低苗前和苗后除草剂的应用效果（Dille等人，2017；Kumar等人，2018）。同样，野生燕麦是加拿大西部最常见的杂草之一，其持续的种子库使得长期管理极为困难（Tidemann等人，2021）。在加拿大西部，它是分布最广的抗除草剂禾本科杂草，每年造成约4.47亿加元的除草剂支出和产量损失（Beckie等人，2020）。由于这些杂草独特的生物学特性、在加拿大的适应范围以及依赖除草剂进行田间管理，它们迅速进化并扩散（Kumar等人，2019；Beckie等人，2020）。
在加拿大西部，已记录到Kochia（Bassia scoparia）和野生燕麦（Avena fatua）等主要杂草对多种除草剂作用部位的抗性，这反映了草原作物系统中长期使用除草剂所带来的选择压力（Beckie等人，2000，2016）。Kochia已被证实对多种除草剂具有抗性，包括乙酰乳酸合酶抑制剂（如噻吩磺隆+三苯酮；HRAC第2组）、5-烯醇丙酮吡鲁醛osphate合成酶抑制剂（如草甘膦；HRAC第9组）和原卟啉原氧化酶抑制剂（如萨氟烯胺或卡芬草酮；HRAC第14组），以及生长素类似物抑制剂（如二氯苯氧乙酸或氟羟吡啶；HRAC第4组）（Morrisson和Devine，1994；Beckie等人，2013a；Geddes等人，2022b，2025b）。最近的调查（2018–2021）显示，在加拿大草原地区测试的Kochia种群中，约四分之三对草甘膦具有抗性，四分之一对二氯苯氧乙酸具有抗性（Geddes等人，2022a，2022b；Sharpe等人，2023）。2021年，在阿尔伯塔省测试的Kochia种群中，44%对氟羟吡啶具有抗性（Geddes等人，2022a），仅有两个种群对PPO抑制剂除草剂具有抗性（Geddes等人，2025a）。在加拿大西部，野生燕麦也被证实对多种除草剂具有抗性，包括乙酰辅酶A羧化酶抑制剂（如氟草酮、特拉克西丁或吡氧酮；HRAC第1组）、乙酰乳酸合酶抑制剂（如咪唑磺隆；HRAC第2组）、PPO抑制剂（如磺酮草酮；HRAC第14组）以及极长链脂肪酸延长酶抑制剂（如特拉拉特或吡氧磺酮；HRAC第15组）（Morrisson和Devine，1994；O'Donovan等人，1994；Mangin等人，2016；Geddes等人，2024）。2019/2020年在萨斯喀彻温省进行的调查显示，69%的野生燕麦种群对氟草酮具有抗性，30%对咪唑磺隆具有抗性（Geddes和Sharpe，2022；Geddes等人，2024）。在2007至2009年间，加拿大草原地区采集的野生燕麦样本中，有8%对特拉拉特具有抗性（Beckie等人，2013a），而对吡氧磺酮和PPO抑制剂除草剂的抗性程度尚不清楚（Mangin等人，2016）。Kochia和野生燕麦的抗药性叠加导致传统化学控制策略失效，从而威胁到该地区的农作物生产的长期可持续性（Beckie等人，2013b；Mangin等人，2016）。
传统的除草剂抗性检测方法（如全株生物测定法，Beckie等人，2000；Burgos等人，2015）仍然有价值，但通常劳动强度大、耗时且主观性强，不适合快速或大面积的监测（Kumar等人，2019）。虽然视觉评估在田间诊断中很常见，但它依赖于除草剂施用后出现的可见损伤症状，而这些症状可能在症状不明显或除草剂反应初期出现时发生变化（Ravichandran等人，2023b）。因此，迫切需要高效、客观且非破坏性的工具，能够在出现可见症状之前快速识别抗性和敏感型杂草（Singh等人，2023）。高分辨率光谱成像（HSI）技术为传统的抗性检测方法提供了有希望的替代方案（Nugent等人，2018；Ravichandran等人，2023a）。通过捕捉数百个窄波长波段的光谱反射信息，HSI能够在明显的视觉损伤症状出现之前，检测出抗性和敏感植物之间的细微生化及生理差异，从而实现更早的除草剂效应识别（Lowe等人，2017；Shirzadifar等人，2020）。近年来，HSI已成功应用于除草剂症状、植物胁迫、营养缺乏和疾病感染的表征（Lowe等人，2017；Mensah等人，2024；Natarajan等人，2025）。在杂草科学研究中，利用机器学习模型分析HSI数据可以识别与抗除草剂杂草相关的独特光谱“指纹”（Nugent等人，2018；Scherrer等人，2019；Mensah等人，2025）。然而，其在实际的田间除草剂抗性筛查中的应用潜力尚未得到充分探索，尤其是在典型的草原农业系统中混合作物-杂草群落中（Mensah等人，2024）。
本研究的目标是确定HSI和机器学习技术在区分加拿大草原地区四种抗除草剂杂草生物型（包括a）草甘膦抗性Kochia、b）氟羟吡啶抗性Kochia、c）氟草酮抗性野生燕麦、d）咪唑磺隆抗性野生燕麦）方面的准确性。
材料与方法
Kochia实验在阿尔伯塔省莱思布里奇附近的AAFC莱思布里奇研究发展中心（LeRDC）的温室和田间进行。野生燕麦实验则在阿尔伯塔省拉科姆附近的拉科姆研究发展中心（LRDC）的田间进行。杂草样本来源于2017–2022年加拿大草原地区进行的抗除草剂杂草调查（Beckie等人，2020；Geddes等人，2021，2022a，2024，2025c；Sharpe等人，2023）。在这些调查中，从未受控制的杂草中收集成熟种子并通过全株生物测定法进行抗性筛查。每个样本代表一个Kochia或野生燕麦种群，由至少10株杂草产生的种子组成。当无法观察到明显的杂草斑块边界时，采用随机采样设计在田间采集种子。田间区域被划分为若干部分，并定期步行采样以避免选择偏差。每个田地站点大约采集100株成熟植株。尽可能从加拿大草原的阿尔伯塔省、萨斯喀彻温省和曼尼托巴省各采集等数量的杂草种群，以确保遗传背景和除草剂抗性历史的多样性（Geddes，2021）。2022至2024年间进行了一系列对照实验，使用近场HSI技术评估除草剂抗性。这些实验旨在评估与除草剂抗性特征相关的光谱特征。
温室Kochia实验设计
温室研究包括四个实验，用于评估Kochia的抗性。实验1（草甘膦；6个种群；2022年进行）和实验2（草甘膦；15个种群；2023年进行）侧重于评估Kochia对草甘膦（Roundup WeatherMAX® with Transorb 2 Technology，Bayer CropScience Inc.，卡尔加里，AB）的抗性；实验3（氟羟吡啶；6个种群；2022年进行）和实验4（氟羟吡啶；15个种群；2023年进行）则针对氟羟吡啶（Prestige™ XCA，Corteva Agriscience Canada Company，卡尔加里，AB）的抗性特征进行鉴定。草甘膦和氟羟吡啶实验使用了不同的Kochia样本。每个种群在52 × 26 × 5 cm的温室托盘中进行培养，环境控制在白天22 ± 2 °C、夜间18 ± 2 °C，光照周期为16小时/8小时（Fluence RAZR3 LED灯泡，Fluence，奥斯汀，TX）。托盘内的植株均匀灌溉和施肥，以维持最佳生长状态。托盘内填充了含有不同氮（N）、磷（P）和钾（K）含量的Cornell无土栽培基质（分别为760、960和510 mg L−1）。2022年，每个托盘中有36株未处理（对照）和36株经除草剂处理的植株；2023年，调整设计为每个托盘32株，包含8株对照植株和24株处理植株，每株确保均匀生长和准确的光谱测量（图1）。
图1. 莱思布里奇研究发展中心温室中三个Kochia种群的实验设置示例（左）：实验1和2针对草甘膦（右上），实验3和4针对氟羟吡啶（右下）。
Kochia植株使用移动喷嘴喷雾器进行处理，喷洒剂量分别为草甘膦（第9组）900 g ae ha−1和氟羟吡啶（第4组）140 g ae ha−1。喷雾器使用的是Flat-fan 8002VS喷嘴（TeeJet® Technologies，Glendale Heights，IL，USA），水量为200 L ha−1，压力为275 kPa，移动速度为2.4 km h−1。处理后，植株被送回温室并在一致的条件下继续培养。当植株达到平均高度3–5 cm时进行除草剂处理和成像，以确保各种群处于一致的生理生长阶段，从而进行准确的光谱比较。在草甘膦处理后21天和氟羟吡啶处理后28天，根据Geddes等人（2022a）定义的评级程序，将处理后的Kochia植株分为抗性（无损伤或轻微损伤并具有新生长）和敏感（死亡或接近死亡）两类。
高光谱图像采集
HSI数据在四个关键时间点采集：处理前（第0天）以及处理后1天、3天、7天和14天（DAT），以捕捉与除草剂反应相关的植物反射率变化。使用便携式Specim IQ成像光谱仪（Spectral Imaging Ltd., 奥卢，芬兰）获取单个托盘的光谱图像，该光谱仪覆盖400–1000 nm光谱范围，具有204个波段，平均光谱分辨率为约7 nm，波长精度为±2.97 nm。Specim IQ系统配有电动推扫式扫描器和可充电电源，适用于田间和温室成像。在工作距离1 m时，仪器的视场约为31°（0.55 m），产生的图像空间分辨率为512 × 512像素。为保证传感器稳定性，光谱仪安装在重型三脚架上（图2），距托盘约1.5 m的高度，保持传感器与目标的垂直视角（0°）和相对于三脚架安装点的水平偏移约50 cm。为了避免样本被阴影遮挡，三脚架和操作员被放置在成像区域之外，以确保在采集图像时托盘上不会产生阴影。在每次成像之前，都会使用经过校准的Spectralon白色参考面板（99%标称反射率）进行反射率校准，以确保测量结果的放射度精度一致。每次采集时都会手动调整积分时间，以优化动态范围，同时防止像素饱和。在晴朗的天空条件下，每个托盘都会拍摄多张连续的图像，时间大约在太阳正午左右，以减少光照变化。
图2. 高光谱成像采集设置（左）和单个植物标注（右）。
**田间实验设计**
田间实验是在2024年生长季节在加拿大阿尔伯塔省莱斯布里奇和拉科姆的加拿大农业与农业食品研究中心进行的。AAC Brandon春小麦的播种量为每平方米325粒种子，而AAC Profit田间豌豆的播种量为每平方米80粒种子，使用的是12英寸的ConservaPak空气播种机。AAC Profit田间豌豆地块在播种时施用了68.38公斤/公顷的磷酸一铵（11-52-0）肥料，并在播种前用TagTeam BioniQ接种剂处理了种子，用量为每公顷3.2公斤，以增强固氮作用。AAC Brandon春小麦地块则施用了68.38公斤/公顷的11-52-0和84.55公斤/公顷的尿素（46-0-0）肥料，以支持作物的早期建立和植株生长。根据需要实施了常规的作物管理措施，包括杂草、害虫和病害控制，以保持实验地块内作物的均匀生长。
**Kochia试验——莱斯布里奇**
2024年，在Fairfield研究农场（49.702°N, −112.699°W，LeRDC）进行了田间实验，以评估Kochia在自然作物条件下的抗性。为了防止抗除草剂种子的传播，首先在大型温室盆中培育了Kochia植株，然后将其转移到指定的无杂草田间地块进行成像和评估。实验的目的是区分在两种不同作物环境（小麦和田间豌豆）中生长的抗性和敏感型Kochia植株。
图3. LeRDC农场的高光谱成像（HSI）采集设置（右），以及田间环境中豌豆（中）和小麦（左）的盆栽排列。
总共使用了88个盆，每种作物对应44个盆。放置在田间豌豆地块内的Kochia植株接受了草甘膦（900克活性成分/公顷）处理，而放置在小麦地块内的Kochia植株则接受了氟氧沙吡（140克活性成分/公顷）处理，处理方法如前所述。在每个作物组中，从敏感型选择中选取了16株植株，从之前筛选出含有高比例抗性植株的种群中选取了28株。由于这些种群是混合的，因此在实验前并未确认各自的抗性表型。HSI使用Specim IQ相机在四个时间点进行：处理前（第0天）以及处理后的第4天、第10天和第17天。与温室实验不同，田间HSI受到天气变化、光照条件和操作限制的影响；因此，成像是在选定的时间点进行的，以捕捉除草剂反应的关键阶段，同时保持图像质量的一致性。这些重复的测量使得能够在田间条件下监测与除草剂反应和抗性表达相关的时间光谱响应。
**野生燕麦试验——拉科姆**
2024年在LRDC（52.450°N, −113.759°W）进行了野生燕麦田间实验，以评估在自然作物条件下的除草剂抗性。与之前描述的Kochia田间试验类似，野生燕麦植株也是在温室盆中培育后转移到田间地块进行成像的。实验旨在区分在两种不同作物环境（小麦和田间豌豆）中的抗草剂和敏感型野生燕麦植株。
图4. 拉科姆研究与发展中心的高光谱成像（HSI）采集设置（右），以及田间地块中豌豆（中）和小麦（左）的盆栽排列。
总共使用了88个盆，每种作物对应44个盆。放置在田间豌豆地块内的野生燕麦植株接受了咪唑磺隆（20克活性成分/公顷；Solo® ADV，BASF Agricultural Solutions Canada Inc., 卡尔加里，AB）处理，而放置在小麦地块内的野生燕麦植株接受了氟氧沙吡（150克活性成分/公顷；Puma® Advance，Bayer CropScience Inc., 卡尔加里，AB）处理。在每个作物组中，根据先前的除草剂抗性调查，分别识别出16株敏感植株和28株可能具有抗性的植株。由于这些种群是混合的，因此在实验前并未确认各自的抗性表型。HSI使用Specim IQ相机在四个时间点进行：处理前（第0天）以及处理后的第14天。尽管与温室试验不同，但由于天气变化、光照条件和操作限制，田间HSI受到限制；因此，成像是在选定的时间点进行的，以捕捉除草剂反应的关键阶段。
**图像处理与分析**
为了以高时间和光谱精度表征除草剂反应，在控制良好的温室和田间环境中进行了多次HSI采集。对于温室中的Kochia实验，图像在基线（第0天）、第1天、第3天和第14天采集（Ravichandran et al. 2023a）；然而，为了减少植物遮挡并提高标注精度，分析中仅包含了基线、第1天和第3天的数据集。在基于田间的Kochia试验中，HSI数据在基线、第4天、第10天和第17天进行分析，以评估除草剂施用后光谱反应的时间变化。相比之下，野生燕麦的抗性是在第21天通过视觉确认的，因为在第14天已经出现了明显的除草剂损伤症状。在第14天收集的相应HSI数据集显示出抗性和敏感型野生燕麦植株之间的足够光谱分离，从而能够进行可靠的抗性分类分析。
HSI预处理和光谱提取使用了Spectronon Pro软件（版本3.4.10；Resonon Inc., 博兹曼，MT，美国）和Label Studio（版本1.22.0），后者是由Heartex（Heartex, 旧金山，CA，美国）开发的一个开源数据标注平台。使用图像选择工具，分离出包括有症状和无症状叶片区域的相关冠层区域，以确保准确的反射率提取。对于无症状植株，使用Spectronon Pro中的采样工具在定义的冠层区域内随机选择多个叶片像素。这些像素从叶片表面的不同部分选取，同时避免了阴影、土壤背景和重叠植被的影响。所选像素的反射率值被直接提取出来，代表不同时间点和处理组合下的植物光谱特征（图5）。这种结构化的采样方法最小化了光谱噪声和生物变异，从而提高了机器学习工作流程的数据集一致性。
所有预处理、建模和可视化的计算都使用了开源Python工具（版本3.9.0；Python Software Foundation, 温斯顿米尔，DE，美国）。Python是开发、训练和验证机器学习模型以及进行图像校正、分割的主要环境。数据可视化使用matplotlib和seaborn实现，而scikit-learn提供了分类算法和性能评估的核心库。所有计算都在配备了Intel® Xeon® Gold 5218R CPU（2.10 GHz）、96 GB RAM和NVIDIA RTX A5000 GPU（24 GB VRAM）的高性能工作站上执行，运行的是64位Windows 11操作系统。这种配置能够高效处理大型HSI数据集和计算密集型建模任务。
在21天（草甘膦、氟氧沙吡和咪唑磺隆）或28天（氟氧沙吡）时确定的二元除草剂抗性分类作为模型训练、验证和评估的基准数据。图6展示了从图像采集到分类建模的完整HSI、预处理和分析工作流程的示意图。
**指标分析**
为了保持模型评估的一致性和透明度，根据Kochia和野生燕麦各自的成像时间线对HSI数据集进行了划分。Kochia在多个时间点（0、4、10和17天）进行了成像；因此，每个时间点都被视为独立的分析数据集。对于每个数据集，样本被分为训练集（80%）和测试集（20%）。模型使用训练数据开发，而独立的测试数据用于评估分类性能。这种方法允许比较不同除草剂反应阶段的模型准确性。相比之下，野生燕麦在除草剂施用后仅进行了一次成像。因此无法进行时间分析，所以使用的是第14天的数据集进行模型开发。与Kochia数据集类似，数据也被分为训练集（80%）和测试集（20%），测试数据集用于评估模型区分抗性和敏感型生物型的能力。对于所有数据集，训练集用于开发分类模型，而未见的测试集用于独立评估，以提供无偏的预测性能估计。评估了多种监督机器学习算法，包括线性判别分析（LDA）、二次判别分析（QDA）、偏最小二乘判别分析（PLS-DA）、极端梯度提升（XGB）、梯度提升（GB）、随机森林（RF）、支持向量分类器（SVC）和人工神经网络（ANN）。模型训练使用了训练数据集内的10折交叉验证。对于具有可调超参数的模型（PLS-DA、XGB、GB、RF、SVC和ANN），交叉验证用于确定最优参数配置。选定的参数包括PLS-DA的C = 0.1和两个潜在分量；XGB的n_estimators = 600、max_depth = 5、learning_rate = 0.1、subsample = 0.8和colsample_bytree = 0.8；GB的n_estimators = 500、max_depth = 3和learning_rate = 0.1；RF的n_estimators = 500和min_samples_split = 5。对于基于边界的模型和神经模型，SVC选择了C = 1和平方 hinge损失。由于LDA和QDA的可调超参数有限，因此使用了标准配置（LDA的solver = svd，QDA的正则化参数 = 0）。在这些情况下，10折交叉验证主要用于评估模型稳定性和估计分类性能，而不是进行广泛的超参数优化。之前的除草剂有效性研究表明，包括氟氧沙吡和咪唑磺隆在内的ACCase和ALS抑制剂引起的损伤症状通常在10-14天内显现（Beckie et al. 2020）。
与这些报告一致，我们的实验中也在这个阶段观察到了明显的视觉损伤症状，因此第14天适合捕捉与除草剂损伤相关的生理上有意义的光谱响应。
为了实现高时间和光谱精度的除草剂反应表征，在受控的温室和田间环境中进行了多次HSI采集。对于温室中的Kochia实验，图像在基线（第0天）、第1天、第3天和第14天采集（Ravichandran et al. 2023a）；然而，为了减少植物遮挡并提高标注精度，分析中仅包括了基线、第1天和第3天的数据集。在基于田间的Kochia试验中，HSI数据在基线、第4天、第10天和第17天进行分析，以评估除草剂施用后的光谱响应时间变化。相比之下，野生燕麦的抗性在第21天通过视觉确认，而第14天时已经出现了明显的除草剂损伤症状。在第14天收集的相应HSI数据集显示出抗性和敏感型野生燕麦植株之间的足够光谱分离，从而可以进行可靠的抗性分类分析。
HSI预处理和光谱提取使用了Spectronon Pro软件（版本3.4.10；Resonon Inc., 博兹曼，MT，美国）和Label Studio（版本1.22.0），后者是由Heartex（Heartex, 旧金山，CA，美国）开发的一个开源数据标注平台。使用图像选择工具，分离出包括有症状和无症状叶片区域的相关冠层区域，以确保准确的反射率提取。对于无症状植株，在定义的冠层区域内使用Spectronon Pro中的采样工具随机选择多个叶片像素。这些像素来自叶片表面的不同部分，同时避免了阴影、土壤背景和重叠植被的影响。所选像素的反射率值被直接提取出来，代表不同时间点和处理组合下的植物光谱特征（图5）。这种结构化的采样方法最小化了光谱噪声和生物变异，从而提高了机器学习工作流程的数据集一致性。
所有计算分析都使用了开源Python工具（版本3.9.0；Python Software Foundation, 温斯顿米尔，DE，美国）。Python是开发、训练和验证机器学习模型以及进行图像校正和分割的主要环境。数据可视化使用matplotlib和seaborn实现，而scikit-learn提供了分类算法和性能评估的核心库。所有计算都在配备了Intel® Xeon® Gold 5218R CPU（2.10 GHz）、96 GB RAM和NVIDIA RTX A5000 GPU（24 GB VRAM）的高性能工作站上执行，操作系统为64位Windows 11。这种配置使得能够高效处理大型HSI数据集和计算密集型建模任务。
在21天（草甘膦、氟氧沙吡和咪唑磺隆）或28天（氟氧沙吡）时确定的二元除草剂抗性分类作为模型训练、验证和评估的基准数据。图6展示了从图像采集到分类建模的完整HSI、预处理和分析工作流程的示意图。
为了保持模型评估的一致性和透明度，Kochia和野生燕麦的HSI数据集根据各自的成像时间线进行了划分。Kochia在多个时间点（0、4、10和17天）进行了成像；因此，每个时间点都被视为独立的分析数据集。对于每个数据集，样本被分为训练集（80%）和测试集（20%）。模型使用训练数据开发，而独立的测试数据用于评估分类性能。这种方法允许比较不同除草剂反应阶段的模型准确性。相比之下，野生燕麦在除草剂施用后仅进行了一次成像。因此无法进行时间分析，所以使用的是第14天的数据集进行模型开发。与Kochia数据集类似，数据也被分为训练集（80%）和测试集（20%），测试数据集用于评估模型区分抗性和敏感型生物型的能力。对于所有数据集，训练集用于开发分类模型，而未见的测试集用于独立评估，以提供无偏的预测性能估计。评估了多种监督机器学习算法，包括线性判别分析（LDA）、二次判别分析（QDA）、偏最小二乘判别分析（PLS-DA）、极端梯度提升（XGB）、梯度提升（GB）、随机森林（RF）、支持向量分类器（SVC）和人工神经网络（ANN）。模型训练使用训练数据集内的10折交叉验证进行。对于具有可调超参数的模型（PLS-DA、XGB、GB、RF、SVC和ANN），交叉验证用于确定最优参数配置。选定的参数包括PLS-DA的C = 0.1和两个潜在分量；XGB的n_estimators = 600、max_depth = 5、learning_rate = 0.1、subsample = 0.8和colsample_bytree = 0.8；GB的n_estimators = 500、max_depth = 3和learning_rate = 0.1；RF的n_estimators = 500和min_samples_split = 5。对于基于边界的模型和神经模型，SVC选择了C = 1和平方 hinge损失。神经网络的架构包括（32, 16）的隐藏层，learning_rate_init = 0.001和alpha = 0.001。
由于LDA和QDA的可调超参数有限，因此使用了标准配置（LDA的solver = svd，QDA的正则化参数 = 0）。在这些情况下，10折交叉验证主要用于评估模型稳定性和估计分类性能，而不是进行广泛的超参数优化。表现较差的模型（PLS-DA、SV、ANN、GB、XGBB和RF）作为附录A材料（表A1–A3），而性能最好的两个模型（LDA和QDA）及其最高的分类精度在接下来的部分中进行了重点讨论。模型性能使用分类准确性和混淆矩阵统计量进行量化，以全面评估抗性和敏感型生物型的区分能力。混淆矩阵表示了四个象限中的预测分布：真正例（TP）、真负例（TN）、假正例（FP）和假负例（FN）。总体准确性、精确度和召回率分别计算为：准确性（%）= (TR + TN) / (TR + FP + FN) × 100（1）；精确度（%）= TR / (TR + FP) × 100（2）；召回率（%）= TR / (TR + FN) × 100（3）；F1分数（%）= 2 × (精确度 × 召回率) / (精确度 + 召回率)（4）。
这个分析框架能够全面评估模型在不同实验条件和时间间隔下区分抗草剂和敏感型生物型的可靠性及预测性能。相比之下，QDA 能够处理协方差矩阵的不平等性，使其更适合捕捉抗性和敏感性生物型之间观察到的非线性和复杂的反射模式（Luo 等人，2025年；Mensah 等人，2025年）。表1显示了使用高光谱成像技术在除草剂处理前后拍摄的温室、田间和综合数据集中，二次判别分析（LDA）和二次判别分析（QDA）模型对草甘膦处理植物的分类性能。尽管 QDA 的准确性更高，但 LDA 仍然是一个计算效率高且易于解释的替代方法，特别是对于快速评估或初步的抗性筛选。在这项研究中，QDA 模型在处理前的分类准确率为 70.9%，处理后为 74.0%（针对温室试验）。对于田间试验，QDA 在处理前的准确率为 85.6%，处理后为 90.4%（表1）。当结合温室和田间数据集时，模型的准确率在处理前为 81.7%，处理后为 82.3%，显示出跨实验环境的一致性（表1）。这些发现证实（表1），结合 HSI 和 QDA 建模可以有效地在可见损伤症状出现之前区分草甘膦抗性猪草种群。处理后使用 HSI 达到的略高准确性可能反映了除草剂暴露后变得更加明显的早期生理反应。然而，草甘膦被认为是一种作用缓慢的除草剂，完整的症状通常在处理后约 21 天才会出现，这可能限制了早期成像阶段的可见差异。进一步使用精确度、召回率和 F1 分数指标评估了草甘膦抗性模型在温室、田间和综合数据集上的分类性能（表1）。在温室试验中，QDA 模型的精确度从处理前的 71.6% 提高到处理后的 76.2%，同时召回率从处理前的 72.0% 略提高到 74.3%，从而导致处理前的 F1 分数为 70.9%，处理后的 F1 分数为 73.6%。相比之下，田间试验表现出更高的分类性能。处理前的精确度为 87.2%，处理后为 87.0%，召回率从处理前的 85.6% 提高到 89.4%。相应地，处理前的 F1 分数为 85.4%，处理后的 F1 分数为 81.3%，表明模型在田间条件下的表现强劲（表1）。当结合温室和田间数据集时，尽管环境变异性增加，模型仍保持了稳定的性能。综合数据集在处理前的精确度为 80.4%，处理后为 82.8%，召回率分别为 81.1% 和 82.4%，从而得到处理前的 F1 分数为 80.7%，处理后的 F1 分数为 82.3%（表1）。总体而言，结果表明 QDA 模型在温室和田间条件下对草甘膦处理的猪草实现了一致的分类性能。虽然温室环境减少了环境变异性，但也可能限制了抗性和敏感性植物之间的光谱差异。相比之下，田间条件可以增强表型变异，从而提高光谱区分度。尽管存在这些环境差异，模型仍保持了稳定的性能，各试验中的精确度和召回率值相似。这些发现表明，结合 HSI 和 QDA 可以在不同环境中可靠地区分草甘膦抗性和敏感性的猪草，包括在除草剂施用之前。
在氟氧吡试验中，QDA 模型在温室试验中的处理前分类准确率为 72.9%，处理后为 75.4%。对于田间试验，模型的准确率在处理前为 85.8%，处理后为 92.7%。当结合温室和田间数据集时，QDA 模型的准确率在处理前为 73.0%，处理后为 76.2%，证实了模型在不同环境条件下的强适应能力（表2）。这些发现突出了结合 HSI 和机器学习在可见损伤症状出现之前准确识别氟氧吡抗性和敏感性猪草植物的潜力（表2）。表2显示了使用高光谱成像技术在除草剂处理前后拍摄的温室、田间和综合数据集中，二次判别分析（LDA）和二次判别分析（QDA）模型的分类性能。使用包括精确度、召回率和 F1 分数在内的模型性能指标进一步评估了分类质量（表2）。在温室和田间氟氧吡试验中，模型的性能保持稳定，精确度从处理前的 72.5% 提高到处理后的 75.6%，同时召回率从处理前的 73.2% 提高到处理后的 75.5%，导致 F1 分数从处理前的 72.6% 提高到处理后的 75.4%（表2）。当结合两个数据集时，精确度从处理前的 72.5% 略提高到处理后的 75.7%；然而，召回率从处理前的 73.0% 提高到处理后的 79.1%，从而使整体 F1 分数从处理前的 72.6% 提高到处理后的 75.3%（表2）。总体而言，这些结果表明 QDA 模型在温室和田间条件下保持了一致且可靠的分类性能。综合数据集中精确度和召回率之间的轻微权衡可能反映了多环境数据固有的增加的变异性。因此，处理后 F1 分数的整体提高强调了基于 HSI 的 QDA 建模作为一种非破坏性和可扩展的方法，在多样的农艺条件下检测猪草的氟氧吡抗性的稳健性。
对于草甘膦处理，温室、田间和综合（温室+田间）试验的 QDA 混淆矩阵分别在图 7 和图 8 中展示。为了提高可解释性，混淆矩阵进行了行归一化，使得每一行代表相应真实类别中的预测比例，因此总和为 100%。这种归一化允许按类别评估模型性能，并避免了与全局归一化相关的潜在误解。此外，括号中报告了贡献给每个单元格的样本数量，从而可以可视化每个类别的样本计数和数据集中的潜在类别不平衡。
在处理前，温室数据集正确分类了 88.2% 的抗性植物，而 60.3% 的敏感性植物被正确识别。在田间数据集中，分类性能更高，正确分类了 96.0% 的抗性植物和 75.1% 的敏感性植物。当结合温室和田间数据集时，正确预测了 88.4% 的抗性植物和 76.4% 的敏感性植物。草甘膦处理后，敏感性植物的分类性能有所提高，而抗性植物的性能仍然很强。在温室数据集中，正确分类了 78.8% 的抗性植物和 65.2% 的敏感性植物。田间数据显示了最高的区分准确性，正确预测了 90.8% 的抗性植物和 87.9% 的敏感性植物。同样，在综合数据集中，正确分类了 83.6% 的抗性植物和 78.5% 的敏感性植物。
对于氟氧吡处理，温室数据集在处理前正确分类了 71.9% 的抗性植物，而 74.4% 的敏感性植物被正确识别。在田间数据集中，分类性能更高，正确预测了 90.8% 的抗性植物和 80.9% 的敏感性植物。当结合温室和田间数据集时，正确分类了 72.9% 的抗性植物和 73.0% 的敏感性植物。氟氧吡施用后，多个数据集的分类性能都有所提高。在温室试验中，正确分类了 79.4% 的抗性植物和 71.5% 的敏感性植物。田间数据显示了最高的区分性能，正确预测了 94.3% 的抗性植物和 75.9% 的敏感性植物。在综合数据集中，正确分类了 70.6% 的抗性植物和 87.5% 的敏感性植物。在不同环境中，模型的分类准确率通常在 70% 到 80% 之间，即使使用的是除草剂施用前收集的基线光谱数据。这表明，在可见除草剂损伤发生之前，可以检测到与抗性和敏感性猪草植物相关的内在光谱特征，可能反映了生物型之间的潜在生理或生化差异。随着处理后时间的增加，分类性能有所提高，表明除草剂诱导的压力反应增强了光谱可区分性并提高了模型的区分能力。尽管两种除草剂处理都展示了 consistent 的分类性能，但准确率上的微小差异可能反映了草甘膦和氟氧吡施用后植物生理反应的差异。这些发现突出了结合 HSI 和机器学习作为一种非破坏性和高通量方法，在多样化的环境条件下早期检测猪草抗性的潜力。
在未经训练的田间测试中，仅在温室草甘膦试验数据上训练的 LDA 和 QDA 模型在除草剂施用前后对独立的田间数据集进行了评估，没有进行任何额外的基于田间的模型重新训练。尽管缺乏直接的田间校准，两种模型都表现出从受控温室环境到自然田间条件的适度泛化能力。在除草剂施用之前，模型的初始分类准确率分别为 55.7%（LDA）和 46.0%（QDA）。当对温室训练的模型进行交叉验证时，喷洒后的田间测试准确率提高到 69.8%（LDA）和 68.5%（QDA），表明暴露于处理后的光谱变化后预测可靠性得到了提升。
在未经训练的田间测试中，仅在温室氟氧吡数据上训练的 LDA 和 QDA 模型在除草剂处理前后对田间数据集进行了评估，没有进一步进行模型重新训练。令人惊讶的是，两种模型在田间条件下保持了其预测能力，初始分类准确率分别为 65.9%（LDA）和 64.9%（QDA）。在除草剂施用后，田间测试的分类性能提高到 63.8%（LDA）和 66.7%（QDA）。总体而言，这些结果突出了在受控环境下训练的机器学习模型向田间条件的可转移性和稳健性。尽管与使用田间数据训练的模型相比分类准确率有所降低，但不需要重新训练即可获得的性能表明了基于 HSI 的抗性检测框架在不同环境和管理系统中的泛化和可扩展性。
在野生燕麦试验中，使用 HSI 数据在除草剂施用后收集的数据，在 14 天时评估了 LDA 和 QDA 模型在田间条件下预测除草剂抗性的性能。考虑了两种除草剂-作物情景：小麦中的氟氧吡抗性野生燕麦和田间豌豆中的咪唑氨磺隆抗性野生燕麦。如表 3 所总结的，两种模型对氟氧吡处理的野生燕麦都表现出强烈的分类性能。QDA 模型的分类准确率略高于 LDA 模型（分别为 87.9% 和 87.5%）。同样，QDA 的精确度、召回率和 F1 分数也略高于 LDA（分别为 89.1%、87.9% 和 87.5% 和 87.4%、87.6% 和 87.5%）。对于田间豌豆中的咪唑氨磺隆处理的野生燕麦，两种模型都表现出了中等但一致的性能。QDA 模型的准确率再次略高于 LDA 模型（分别为 75.5% 和 75.1%），两种分类器的精确度、召回率和 F1 分数相当。总体而言，结果表明 LDA 和 QDA 模型都有效地使用处理后的 HSI 数据区分了抗性和敏感性的野生燕麦生物型，QDA 在两种除草剂情景中都略微提高了分类性能。
混淆矩阵（图 9）提供了 LDA 和 QDA 模型在 14 天时识别抗性和敏感性野生燕麦生物型的分类性能的详细评估。矩阵进行了行归一化，使得每一行代表相应真实类别中的预测比例，括号中报告了贡献给每个单元格的样本数量。对于田间豌豆中的咪唑氨磺隆处理的野生燕麦，LDA 模型正确分类了 73.4% 的抗性植物和 76.8% 的敏感性植物。QDA 模型的表现相当，正确识别了 72.0% 的抗性植物和 79.0% 的敏感性植物。虽然两种模型的表现相似，但 QDA 在检测敏感性植物方面略有改进。对于小麦中的氟氧吡处理的野生燕麦，整体分类性能更高。LDA 模型正确分类了 87.3% 的抗性植物和 87.8% 的敏感性植物。相比之下，QDA 模型对抗性植物的分类率更高（96.5%），尽管对敏感性植物的正确识别率略低（79.5%）。两种模型都表现出使用处理后的 HSI 反射数据有效区分抗性和敏感性野生燕麦生物型的强大能力，QDA 在氟氧吡处理中显示出对抗性植物的更好识别。线性判别分析（LDA）和二次判别分析（QDA）模型的混淆矩阵显示了在小麦中对耐氟乐灵和敏感的野生燕麦植物，以及在田间豌豆中对耐咪唑磺隆和敏感的野生燕麦植物的分类性能，这些数据是在处理后14天（14 DAT）取得的。总体而言，QDA在野生燕麦的氟乐灵抗性分类上表现略优于LDA，这可能是由于小麦冠层内光谱分离度更高；而LDA在豌豆中检测野生燕麦的咪唑磺隆抗性时提供了更稳定和平衡的性能。这些发现证实，这两种判别模型都适用于田间规模上的杂草抗性分类。在田间条件下取得的高分类准确性突显了基于高光谱成像（HSI）方法的潜力，该方法作为一种快速、无损且可扩展的工具，适用于早期抗性检测和精准杂草管理。
讨论
本研究证明，在温室和田间条件下，结合HSI和QDA可以可靠地对 Kochia 和野生燕麦的耐除草剂和敏感生物型进行分类。除草剂处理后，分类准确性从处理前的69.5%上升到72.4%，对于Kochia，使用草甘膦和氟氧吡处理后达到86.9%-87.0%；对于经氟乐灵和咪唑磺隆处理的野生燕麦，准确率分别为87.2%和74.9%。这些结果强调了一个关键原则：除草剂引起的生理变化增强了光谱分离度，使得处理后的成像在抗性检测中尤为有效。
我们的发现与早期HSI杂草分类研究报道的准确性范围大致一致，但在处理田间变异性的方法上有所不同。Mensah等人（2024年）报告的分类准确性介于60%到98%之间，并指出田间条件常常会因光照波动、冠层异质性和土壤背景干扰而降低模型性能。有趣的是，我们的研究在田间环境中观察到了比温室环境更高的准确性，这表明自然环境压力可能会放大抗性和敏感植物之间的生理差异。这一发现与控制环境提供更优分类条件的预期形成鲜明对比，突显了在设计操作抗性检测系统时纳入田间变异性的重要性。
与特定除草剂抗性研究的比较进一步 contextualize 了我们的结果。Scherrer等人（2019年）在温室条件下使用神经网络对Kochia进行了77%-99%的分类准确性，但在转换为基于无人机的田间影像时，准确性显著下降（25%-79%）。我们的研究有两个关键区别：首先，我们使用简单的QDA分类器而非复杂的神经网络取得了良好的田间性能，证明了在高模型可解释性的同时不会牺牲准确性；其次，通过分析处理前后的阶段，我们展示了除草剂反应会产生不同的生理特征，从而在现实田间条件下增强抗性检测。
在物种内部区分抗性与敏感个体的挑战进一步突显了这些结果的重要性。例如Shirzadifar等人（2020年）的研究使用软独立类比建模（Soft Independent Modeling of Class Analogy）以接近完美的准确性对物种级差异进行了分类，该方法依赖于本质上不同的形态和光谱特征。相比之下，同一物种的抗性和敏感植物具有相同的物理特征，因此只有微妙的生物化学和结构差异。因此，在处理后仍能达到87%的准确性代表了这项更复杂分类任务的稳健性能。
近期研究支持了将除草剂效应直接纳入光谱建模中的必要性。Mensah等人（2025年）报告了未经处理的Kochia生物型分类的62%-85%准确性，但并未评估处理后的分离度。本研究通过整合多种除草剂、多种环境和处理前后的成像，推进了这一工作。我们的结果表明，除草剂引起的变化（如色素降解、叶片水分状态改变和红边反射率的变化）显著提高了模型的区分能力。这项研究的一个显著应用贡献是证明了QDA这种计算简单且透明的模型，其性能可与HSI研究中常用的更复杂方法相媲美。尽管许多近期研究采用了深度学习或高维特征提取，但QDA仅使用全光谱数据就实现了稳健的性能，且无需复杂预处理。开发的用户友好图形界面（GUI）进一步将这些发现转化为实用工具，使农学家和研究人员无需编程专业知识即可实施分类工作流程。
深度学习方法（如卷积神经网络CNN）在HSI数据中建模复杂的空间-光谱关系方面表现出强大能力（Kamilaris和Prenafeta-Boldú 2018）。这些模型能有效捕捉可能与植物应激反应和生理变化相关的非线性和非高斯模式。然而，本研究关注的是从冠层区域提取的像素级光谱特征，而不是空间图像块。因此，优先选择了经典机器学习算法来评估抗性和敏感种群之间的光谱分离度。在测试的模型（PLS-DA、SVC、ANN、GB、XGB、RF、LDA和QDA）中，QDA表现出稳定的分类性能，并且计算复杂性相对较低。未来的研究可以探索利用空间-光谱HSI立方体的CNN架构，以进一步增强杂草抗性分类。
尽管结果令人满意，但仍需承认一些局限性：抗性和敏感种群来自草原调查，因此遗传上并不均匀，可能导致光谱重叠。野生燕麦的数据集仅限于处理后的成像，限制了我们直接比较处理前后分离度的能力。所使用的HSI系统（400-1000纳米）未涵盖对水状态和细胞结构变化敏感的短波红外（SWIR）波段。此外，虽然使用盆栽植物进行户外实验对于生物型控制是必要的，但这可能会引入与自然生长的田间种群相比的冠层结构和土壤背景交互的差异。总的来说，这项工作提供了令人信服的证据，表明HSI是一种有效的、无损的工具，可用于识别Kochia和野生燕草的除草剂抗性，尤其是在捕捉处理后的生理反应时。通过整合多种除草剂、环境和成像阶段，这项研究提供了超出现有文献的新见解，并支持基于HSI的诊断技术作为精准杂草管理和抗性杂草监测的实际工具的发展。
结论
本研究展示了HSI结合机器学习模型（LDA和QDA）在分类对加拿大西部重要的耐除草剂杂草方面的有效性。研究重点关注了对草甘膦或氟氧吡具有抗性的Kochia（Bassia scoparia L.）以及对氟乐灵和咪唑磺隆具有抗性的野生燕麦（Avena fatua L.），在受控的温室和田间条件下进行。这些模型基于HSI反射模式成功区分了抗性和敏感植物，证明了在不同环境、杂草物种和除草剂抗性特征下的可靠预测准确性。
QDA被证明是一种稳健的方法，能够在多个物种、环境和处理时间下区分抗性和敏感植物。对于Kochia，QDA的分类准确性在草甘膦处理前为70.9%，处理后为90.4%；在氟氧吡处理前为72.9%，处理后为92.7%，涵盖了温室、田间和组合数据集。这些值代表了所有环境和时间点观察到的最小和最大准确性。在野生燕麦中，抗性仅在处理后的田间试验中进行评估，其中QDA对氟乐灵的抗性准确率为87.9%，对咪唑磺隆的抗性准确率为75.1%。在田间条件下观察到的更高准确性表明，自然环境变量（如光照差异、冠层结构和背景干扰）增强了抗性和敏感生物型之间的光谱分离度。还开发了一个图形用户界面（GUI）来简化数据分析和模型实施（作为附件A材料提供）。这一交互工具使用户能够上传HSI数据集、应用训练好的分类模型并可视化抗性预测。总体而言，GUI简化了数据处理工作流程，为没有编程经验的研究人员和农学家提供了便捷的平台。
总体而言，这项研究确立了HSI作为一种可靠的、非侵入性的、高通量的技术，用于检测对加拿大草原地区重要的杂草的除草剂抗性。早期和准确的抗性生物型识别允许进行针对特定地点的和有针对性的杂草管理措施，减少化学品使用并延缓抗性的进化。虽然这项研究的这一阶段已经结束，但未来的工作将集中在改进分类模型、整合深度学习方法以及将系统扩展到更多杂草物种、除草剂类别和多样的农业生态条件下。持续的模型改进和田间验证将加强基于HSI的工具在高效抗性筛查和精准杂草管理中的实际应用。这些进步将支持数字表型技术在多样化种植系统中的广泛应用，强化其在集成杂草管理和数字农业创新中的作用。
致谢
作者衷心感谢Hongquan Wang、Kamal Gill和Amirmasoud Chegoonian在数据收集方面的技术支持，以及来自LeRDC的Austin Jaster和Mattea Pittman在温室和田间工作方面的辛勤付出；同时感谢LRDC的Virginia Farewell、Jennifer Zuidhof、Elizabeth Sroka、Larry Michielsen和Patty Reid在实验设置、田间管理和整个项目的数据采集方面的宝贵贡献。本研究得到了加拿大萨斯卡通市西部谷物研究基金会（Western Grains Research Foundation, WGRF）的支持。
打赏
