早期干旱胁迫检测对于作物恢复生产力至关重要。高光谱遥感对植物叶片组成和冠层结构的细微变化非常敏感，被广泛用于干旱胁迫研究。干旱胁迫的影响很复杂，在严重程度不同的条件下影响多种叶片特性。指数对一种或多种植物的生物化学、生物物理和结构特性的敏感性，也因此被广泛用于胁迫监测。然而，由于干旱反应因物种而异，光谱波段对于早期干旱检测和胁迫进展监测并不总是明显的。此外，光谱指数通常只利用几个波段，也受到干旱的影响。随着机器学习的发展和计算能力的提高，全光谱和导数光谱的应用成为可能，为干旱影响提供了新的见解。在这项研究中，全光谱和导数光谱结合先进的机器学习算法进行早期干旱检测和分类，并将结果与传统的基于光谱指数的方法进行了比较。

室内无芒雀麦温室试验装置及应用实例

图像分割和光谱衍生计算结果

研究人员以干旱胁迫下的无芒雀麦(bromusinermis)为试验材料，利用近距离高光谱图像，对模型进行了验证。结果表明，利用导数光谱和深度学习模型可以准确地检测干旱，总体准确率高达97.5%和100%，而光谱指数和光谱指数模型要么不能检测到早期胁迫，要么可以检测到早期胁迫，但准确率要低得多。这项研究证明了在植物胁迫研究中结合深度学习和高光谱数据对胁迫影响评估、恢复和缓解的有效性。

使用时间序列谱指标监测治疗T00(0%降水)的干旱影响

来源：

Phuong D.Dao, Yuhong He and Cameron Proctor. Plant drought impact detection using ultra-high spatial resolution hyperspectral images and machine learning. International Journal of Applied Earth Observation and Geoinformation Volume 102, October 2021, 102364. https://doi.org/10.1016/j.jag.2021.102364.