我院张慧春教授团队在《Plant Biotechnology Journal》上发表研究成果

   近日，我院张慧春教授团队在国际著名期刊《Plant Biotechnology Journal》（IF=13.8）在线发表了题为“Integrating sensor fusion with machine learning for comprehensive assessment of phenotypic traits and drought response in poplar species”的研究论文（文章链接：https://onlinelibrary.wiley.com/doi/full/10.1111/pbi.70039）。南京林业大学为第一完成单位和唯一通讯单位，学院硕士生周子阳为第一作者，张慧春教授为该论文唯一通讯作者，该研究得到国家重点研发计划、国家自然科学基金等项目资助。

全球气候变暖正以前所未有的速度加剧干旱胁迫，对林木生态系统构成致命威胁。作为陆地生态系统最大的碳库，林木一旦受损，可能引发“干旱胁迫-碳排放-气候增温”的恶性循环，导致碳储量急剧下降，生物多样性面临不可逆的丧失。研究警示，气候变化已超越许多物种通过迁移或适应所能承受的极限，直接威胁生态系统的可持续发展，甚至可能诱发全球生态危机。在这一紧迫背景下，传统方法往往依赖单一数据源及处理方式，难以捕捉干旱响应的复杂性，如何突破传统技术瓶颈，融合多源数据的互补优势，探索最优的数据处理方法，构建基于多模态数据的干旱胁迫动态评估体系，精准揭示不同林木品种在干旱中的时空响应差异，已成为破解生态预警困局、抢占全球生态保护战略高地的重要问题。

   该研究以耐旱性存在差异的多个品种的杨树为对象，开展梯度干旱胁迫实验，基于热成像与可见光成像传感器采集多模态数据。从数据“放大”（包括数据层融合、特征层融合和决策层融合）与“缩小”（数据分解）两个维度提取杨树在干旱条件下的多模态表型特征，通过四种数据处理方法的系统对比，筛选出对干旱响应最敏感的互补特征组合，并利用深度学习算法构建了杨树干旱监测模型，实现对干旱严重程度与持续时间的精准监测。结果显示，基于特征层融合的模型表现卓越，综合性能显著优于其他方法。此外，研究深入剖析了不同数据处理方法生成的新表型特征的应用潜力，揭示了特征层融合在多源数据整合中的独特优势。这项研究突破传统单尺度分析局限，成功实现了对杨树干旱严重程度和持续时间的监测，构建了具有时空预测能力的林木干旱胁迫感知技术，为林木健康状况的动态跟踪与干旱响应的科学评估提供了理论基础和技术支持。