全球氣候變化引起的預計人口增長以及土地和農業(yè)資源可利用性的壓力使未來幾十年全球糧食供應的需求增加。提高光合作用能力已成為實現(xiàn)作物增產的目標。目前，測量光合作用的方法是耗時的且具破壞性的，這會減慢鑒定具高光合能力的農作物種質的研究和育種工作。作者在1分鐘內收集樣地（~2?m×2?m）向陽葉片像素的高光譜反射率以量化光合作用參數(shù)和色素含量。在兩個生長季節(jié)（2017年和2018年）利用田間生長的經基因改變了光合途徑的煙草，建立了8個光合參數(shù)和色素性狀的預測模型。利用偏最小二乘法（PLSR）分析可見近紅外（400-900?nm）光譜相機測得的植物反射像素，預測了Rubisco最大羧化速率（Vc,max，R2=0.79）和最大電子傳遞速率（J1800，R2=0.59），最大光飽和光合作用（Pmax，R2=0.54），葉綠素含量（R2=0.87），葉綠素a/b（R2=0.63），碳含量（R2=0.47）和氮含量（R2=0.49）。當使用兩臺400-1800?nm相機時，模型的預測并沒有改善，這表明僅使用一臺VNIR相機就能實現(xiàn)強大，廣泛適用且更具“成本效益”的效果。該分析過程和方法可用于所有作物中，從而提供高通量田間表型篩選，并在田間試驗中提高光合性能。
高光譜圖像收集
建立基于地面的表型平臺（圖1），包括兩個推掃式高光譜相機。第一臺高光譜相機（PIKA II；Resonon）用于采集400 nm到900 nm的光譜輻射（共240個光譜帶）。第二臺高光譜相機（PIKA NIR；Resonon）用于采集900 nm到1800 nm的光譜輻射（共164個光譜帶）。
圖1?基于地面的表型平臺，包括兩個高光譜相機和一個RGB相機（A），并在冠層頂部安裝了可移動的白板（B）。
葉片光譜測量
利用ASD?Fieldspec4光譜儀在400 nm至2500 nm范圍內原位測量葉片光譜反射率。在可見光和近紅外波段（350-1000 nm），光譜分辨率為3 nm，在短波紅外（1000-2500 nm）波段，為8 nm。
圖2?高光譜圖像分析流程示例。圖像以原始數(shù)據(jù)模式采集，表示為RGB圖像（A）。利用K均值聚類算法（B）進行圖像分類，以提取所有陽光照射的葉片的像素，并將數(shù)字原始數(shù)據(jù)（D）轉換為反射率（C）。計算所有陽光照射的葉片反射率像素的平均值和SD（E）。
結果
圖3?性能測試1，Vc,max（A），J1800（B），葉綠素含量和Chl?a:b（C），C和N含量（D），以及性能測試2，Pmax和?CO2（E）的平均光譜反射率。
圖4?地塊水平性能測試1中的Vc,max（A），J1800（B），葉綠素含量（C），Chla:b（D），C含量（E），N含量（F）以及性能測試2中的Pmax（G）和?CO2（H）實際觀測的與PLSR回歸預測的光合參數(shù)的比較（使用單臺VNIR高光譜相機（459-900?nm））。
圖5?地塊水平性能測試1中的Vc,max（A），J1800（B），葉綠素含量（C），Chla:b（D），C含量（E），N含量（F）以及性能測試2中的Pmax（G）和?CO2（H）實際觀測的與PLSR回歸預測的光合參數(shù)的比較（使用VNIR高光譜相機（459-900nm）和NIR/SWIR（900-1700?nm）相機）。
圖8?不同光譜范圍PLAR模型的變量投影重要性（VIP）分數(shù)，葉片水平：Vc,max（A），J1800（B），葉綠素含量（C），Chl?a:b（D），C含量（E），N含量（F），Pmax（G）和?CO2（H）。地塊水平的相同性狀（I-P）。由于地塊水平?CO2參數(shù)預測的缺乏，因此未顯示其模型VIP分數(shù)。
點擊閱讀原文
利用近端高光譜成像快速篩選光合參數(shù).pdf