Resonon | Resonon Pika L在干旱胁迫下小麦叶绿素快速无损评价方面的应用

叶绿素是植物光合作用的基础，直接决定植物净初级生产力和碳收支，叶绿素含量可以反映植物的生长状况。而干旱胁迫会降低作物的叶绿素含量，破坏光合机制，抑 制其生长，最 终降低产量。干旱胁迫下作物叶绿素含量的变化程度与抗旱性密切相关，因此，监测小麦叶绿素含量可为小麦的光合作用和抗旱性提供关键信息。传统的叶绿素含量测定方法包括分光光度法和使用手持式叶绿素含量仪，这些方法使得叶片破坏程度大、效率低，不利于大规模测定小麦叶绿素含量。而与传统方法相比，高光谱成像技术可以快速、无损、高效地测定植物叶绿素含量。此外，高光谱图像包含丰富的光谱信息，可用于精确的农业研究和建立复杂的数学模型。近年来，高光谱成像技术在植物监测中的应用发展迅速，广泛的研究主要集中在开发基于光谱指数的模型来估计叶绿素含量。然而，少量的敏感波段并不能充分代表所有的高光谱信息。此外，大多数研究使用的小麦品种较少，忽略了多品种间的异质性。因此，以往模型对其他系统的适用性受到限制，该模型对大规模叶绿素含量和抗旱性的评估无效。

基于此，在本研究中，来自中国西北农林科技大学的一组研究团队以中国阳岭区（108?4 0 E，108?160E，34?160N）为研究区，对新作物品种进行试验。2021年10月21日，在一个钢架棚内共种植335个小麦品种（共2010个叶片样品），并将它们置于不同的土壤含水量条件下，采用土壤钻探法测量0.5m深度的土壤含水量。再在每个品种中采集了6个新鲜的旗叶样本，在实验室内利用Resonon Pika L 高光谱成像系统采集小麦叶片的高光谱图像数据，同时利用SPAD-502 Plus叶绿素计测定小麦旗叶的SPAD值（反映叶绿素含量）。对高光谱图像进行平滑处理（使用Savitzky-Golay滤波器）、一阶导数处理。分析控制和干旱胁迫下小麦灌浆期旗叶的高光谱特征及其与SPAD值的相关关系，用逐次投影算法（SPA）识别特征波段，最 后采用机器学习方法构建了四种回归模型，包括简单线性回归（SLR）、最 小绝 对收缩和选择算子回归（LASSO）、岭回归（RR）和随机森林回归（RFR）模型，并检验模型效果，以确定快速叶绿素含量估计模型的准确性，最 终建立一种快速、无损、准确、广泛适用的方法来评估小麦叶绿素含量、光合作用和抗旱性。

不同土壤含水量条件下小麦叶片的高光谱曲线和单波段高光谱图像（对照处理CK和干旱胁迫DS条件下）。

叶片高光谱与SPAD值的相关性分析及拟合结果。（A，B）光谱反射率和一阶导数与SPAD值的相关性；（C，D）基于549 nm光谱反射率和735 nm光谱一阶导数的简单线性回归（SLR）分析；（E，F）基于549 nm处反射率和735 nm处一阶导数的SPAD预测值和实测值的拟合结果。

基于不同数据集和模型的SPAD预测值和实测值的比较。

（A-C）全波段高光谱反射率的LASSO、RR和RFR模型；（D-F）全波段高光谱一阶导数的LASSO、RR和RFR模型。

基于全波段高光谱反射率模型，对不同土壤含水量条件下小麦叶片SPAD预测值和实测值的拟合结果。（A-C）控制条件下的LASSO回归、RR和RFR模型；（D-F）干旱胁迫条件下的LASSO回归、RR和RFR模型。

（A，B）由549 nm反射率和735 nm一阶导数估计的叶片水平上的SPAD值图。

基于光谱和图像特征数据集的RFR模型结果。

本研究利用不同土壤含水量条件下大规模小麦品种的高光谱图像分析，确定了叶片叶绿素含量快速估算模型的准确性。对叶绿素含量估计最敏感的波段在可见波段（400-780nm），相关分析表明，最 佳波段位于541、549、708和735 nm附近，549 nm处的高光谱反射率和735 nm处的一阶导数与SPAD值的相关性最 强。SPA结果表明，在536、596和674 nm处的波段是估计SPAD值的最 佳波段，在756和778 nm处的一阶导数对估算相对叶绿素含量最有用。结合光谱特征和图像特征可以提高干旱胁迫小麦SPAD值的估算精度（RFR模型最 优性能：R2 = 0.61，RMSE = 4.439，RE = 7.35%）。总之，本研究建立的模型可以有效地评价小麦叶绿素含量，并为了解光合作用和抗旱性提供依据；本研究建立的技术方法具有巨大潜力，可为小麦及其他作物的高通量表型分析和遗传育种提供参考。