The Crop Journal │ 中国农业大学探明生育期效应对小麦叶绿素光谱学诊断的影响

近地遥感诊断作物叶绿素含量（leaf chlorophyll content, LCC）是作物表型高通量分析与评价的重要工具。传统上，作物生物化学成分的测定主要通过实验室破坏性取样，测量过程耗时费力。光谱学是作物LCC高效检测的一种手段，然而，光谱反射率总是受到作物生化和生理特性时空变异的影响，特别是与生育期动态有关。因此，本文重点研究小麦生育期效应对光谱响应的影响和生育期田间小麦作物LCC估算方法。近日，中国农业大学智慧农业系统集成研究教育部重点实验室在The Crop Journal在线发表了题为“Estimation of spectral responses and chlorophyll based on growth stage effects explored by machine learning methods”的研究论文，通过对不同生育期小麦冠层近红外光谱分析，采用竞争性自适应重加权采样（CARS-PLS）、决策树（DT）、随机森林（RF）实现不同生育期叶绿素敏感特征波段优选和检测模型构建（图1），并探明通过群体决策方法-随机森林特征筛选和回归建模能够抑制生育期效应的影响，提升小麦叶绿素含量光谱学诊断精度。

研究者通过不同生育期光谱响应分析和全生育期偏最小二乘法（PLS）校正模型对特定生长期的预测性能进行验证，发现不同生育期光谱响应差异显著（图2），且全生育期模型对不同生育期光谱数据的验证精度较差，偏差比（RPD）分别为1.11、0.73、1.61和1.70。由于红边（RE）和蓝边（BE）的光谱波长对生育期变化显著，因此，采用CARS-PLS、DT和RF特征筛选，对小麦分蘖期、拔节期、孕穗期和抽穗期构建LCC诊断模型，进一步探讨生育期的影响。建模结果表明，估计性能表现为RF>DT>CARS-PLS。考虑生育期的影响，RF结果的估计精度分别为2.11、2.02、3.21和3.02（图3），显著优于CARS-PLS和RF。综上所述，针对不同生育期建立的估计模型和敏感波长可以减少作物冠层异质性的影响，可为作物全生育期叶绿素含量的时空分布与变化动态高通量诊断提供支持（图4）。

作者和基金项目

中国农业大学高德华博士为该文第一作者，孙红教授为通信作者。该研究得到国家重点研发计划（政府间国际科技创新合作）项目 “智慧农场地空星协同感知和智能决策技术研究”（2019YFE0125500）、烟台校地融合发展项目（2020XDRHXMPT35）、国家自然科学基金项目（31971785和41801245）和中国农业大学研究生培养项目（JG2019004、JG202026、YW2020007、QYJC202101 和 JG202102）的资助。中国和英国政府间国际科技创新合作项目，由中国农业大学、英国诺丁汉大学和UbiPOS UK Ltd.公司联合主持。该项目旨在解决中英两国当前均存在的农业信息获取不够及时、多源数据（地空星）协同和融合不够深入、作物生产环节高通量诊断不够精准等共性问题，促进两国表型分析技术的提升与农业可持续发展。感谢英方的合作(107461: iAgriWatch - Intelligent Remote Sensing for Smart Farm)。此外感谢河北省农林科学院旱作在实验过程中提供的支持。

本文转载自The Crop Journal

转自：“植物生物技术Pbj”微信公众号

如有侵权，请联系本站删除！