全球气候变化引起的预计人口增长以及土地和农业资源可利用性的压力使未来几十年全球粮食供应的需求增加。提高光合作用能力已成为实现作物增产的目标。目前，测量光合作用的方法是耗时的且具破坏性的，这会减慢鉴定具高光合能力的农作物种质的研究和育种工作。作者在1分钟内收集样地（~2 m×2 m）向阳叶片像素的高光谱反射率以量化光合作用参数和色素含量。在两个生长季节（2017年和2018年）利用田间生长的经基因改变了光合途径的烟草，建立了8个光合参数和色素性状的预测模型。利用偏最小二乘法（PLSR）分析可见近红外（400-900 nm）光谱相机测得的植物反射像素，预测了Rubisco最大羧化速率（Vc,max，R2=0.79）和最大电子传递速率（J1800，R2=0.59），最大光饱和光合作用（Pmax，R2=0.54），叶绿素含量（R2=0.87），叶绿素a/b（R2=0.63），碳含量（R2=0.47）和氮含量（R2=0.49）。当使用两台400-1800 nm相机时，模型的预测并没有改善，这表明仅使用一台VNIR相机就能实现强大，广泛适用且更具“成本效益”的效果。该分析过程和方法可用于所有作物中，从而提供高通量田间表型筛选，并在田间试验中提高光合性能。
高光谱图像收集
建立基于地面的表型平台（图1），包括两个推扫式高光谱相机。第一台高光谱相机（PIKA II；Resonon）用于采集400 nm到900 nm的光谱辐射（共240个光谱带）。第二台高光谱相机（PIKA NIR；Resonon）用于采集900 nm到1800 nm的光谱辐射（共164个光谱带）。
图1 基于地面的表型平台，包括两个高光谱相机和一个RGB相机（A），并在冠层顶部安装了可移动的白板（B）。
叶片光谱测量
利用ASD Fieldspec4光谱仪在400 nm至2500 nm范围内原位测量叶片光谱反射率。在可见光和近红外波段（350-1000 nm），光谱分辨率为3 nm，在短波红外（1000-2500 nm）波段，为8 nm。
图2 高光谱图像分析流程示例。图像以原始数据模式采集，表示为RGB图像（A）。利用K均值聚类算法（B）进行图像分类，以提取所有阳光照射的叶片的像素，并将数字原始数据（D）转换为反射率（C）。计算所有阳光照射的叶片反射率像素的平均值和SD（E）。
结果
图3 性能测试1，Vc,max（A），J1800（B），叶绿素含量和Chl a:b（C），C和N含量（D），以及性能测试2，Pmax和ϕCO2（E）的平均光谱反射率。
图4 地块水平性能测试1中的Vc,max（A），J1800（B），叶绿素含量（C），Chla:b（D），C含量（E），N含量（F）以及性能测试2中的Pmax（G）和ϕCO2（H）实际观测的与PLSR回归预测的光合参数的比较（使用单台VNIR高光谱相机（459-900 nm））。
图5 地块水平性能测试1中的Vc,max（A），J1800（B），叶绿素含量（C），Chla:b（D），C含量（E），N含量（F）以及性能测试2中的Pmax（G）和ϕCO2（H）实际观测的与PLSR回归预测的光合参数的比较（使用VNIR高光谱相机（459-900nm）和NIR/SWIR（900-1700 nm）相机）。
图8 不同光谱范围PLAR模型的变量投影重要性（VIP）分数，叶片水平：Vc,max（A），J1800（B），叶绿素含量（C），Chl a:b（D），C含量（E），N含量（F），Pmax（G）和ϕCO2（H）。地块水平的相同性状（I-P）。由于地块水平ϕCO2参数预测的缺乏，因此未显示其模型VIP分数。
点击阅读原文
利用近端高光谱成像快速筛选光合参数.pdf