基于高光谱叶片反射传感的马铃薯持绿性状原位表型分析：揭示水分吸收波段指数优于叶绿素指数

《Smart Agricultural Technology》：Phenotyping Maize Stay Green Traits via in situ Leaf Hyperspectral Reflectance Sensing

本刊推荐文章探讨了如何利用原位高光谱叶片反射传感技术对玉米持绿（stay-green）性状进行精确表型分析。研究评估了叶绿素和水分吸收波段的高光谱植被指数（VIs）在区分持绿表型、预测持绿视觉评分（SGVS）及模型泛化能力方面的表现。结果显示，水分吸收波段指数（如NDWI2、NDIS_2b、RDIS_3b）在区分持绿组别、预测SGVS及模型稳健性方面均优于叶绿素吸收波段指数。该研究为玉米抗旱育种中利用高光谱技术进行高通量、定量的持绿性状评价提供了重要方法学依据。

　　

在气候变化导致干旱频发的背景下，培育抗旱作物品种是保障全球粮食安全的关键策略。玉米作为重要的粮食和饲料作物，其对干旱胁迫的耐受性备受关注。其中，“持绿”（stay-green）性状——即在胁迫下延迟叶片衰老、维持叶片绿色和光合作用的能力——是衡量玉米抗旱性的一个关键指标。传统的持绿性状评估方法，如视觉评分和使用叶绿素仪（SPAD）测量，存在主观性强、代表性不足、效率低下等问题。近年来，高通量表型技术，特别是高光谱传感，因其能够快速、非破坏性地捕获植物生理生化特性的光谱“指纹”，在作物育种中展现出巨大潜力。然而，一个核心的科学问题依然有待阐明：在解释和预测持绿性状时，哪些光谱特征（特别是叶绿素吸收波段与水分吸收波段的植被指数）更为有效和稳定？为了回答这个问题，由Hany Elsharawy等人组成的国际研究团队在德国进行了为期两年的田间试验，系统探究了这一问题，其研究成果发表在《Smart Agricultural Technology》期刊上。

研究者采用了几个关键的技术方法来系统探究高光谱指数与玉米持绿性状的关系。研究在德国慕尼黑地区的两个试验点（Dietersheim, DTH 和 Roggenstein, ROG）进行了为期两年（2022和2023年）的田间试验，涉及18个玉米自交系在两种水分条件（水分亏缺和正常供水）下的种植。核心的表型数据采集包括：在开花后的第2、4、6周，对玉米进行持绿视觉评分（SGVS）和SPAD叶绿素含量测量；同时，使用ASD FieldSpec 4地物光谱仪测量叶片在350-2500 nm范围内的全波段高光谱反射率。基于这些反射率数据，计算了28个窄波段植被指数，涵盖叶绿素含量与绿度、衰老、水分状态三大组。数据处理与分析方面，运用线性混合模型评估了水分处理、年份及其交互效应对性状和指数的影响；通过主成分分析和隶属函数值计算，对基因型的持绿状态进行分类（高/低持绿组）；利用随机森林和人工神经网络两种机器学习模型，以植被指数为预测变量，对持绿视觉评分进行预测，并通过合并数据集训练测试及留一法（留一地点/留一年）交叉验证来评估模型的稳定性和泛化能力。

研究结果

Effects of water availability on stay-green traits, leaf reflectance, and VIs

干旱胁迫显著影响了玉米的持绿相关性状，导致自交系籽粒产量平均下降43.5%。籽粒干重与持绿视觉评分呈正相关。线性混合模型分析表明，水分处理和年份对几乎所有植被指数都有极显著的主效应，且存在显著的交互作用，说明植被的光谱响应受年际环境变异性的强烈影响。

Stay-green classification

Using stay-green traits

基于持绿性状（SGVS和SPAD）的主成分分析和隶属函数值计算，成功将18个玉米基因型划分为高持绿和低持绿两组。高持绿组基因型在水分亏缺条件下普遍表现出更高的籽粒产量。

Leaf hyperspectral reflectance of stay-green groups

高光谱反射率数据显示，在2022年（更为干旱的季节），水分亏缺条件下，高、低持绿组的光谱反射率在近红外和短波红外波段差异明显，且随着生长季推进而增大。而在2023年，两组间及水分处理间的差异较小。

Using the correlated VIs

与持绿隶属函数值相关性分析发现，水分吸收波段指数（如NDWI1, NDWI2, NDWI3）在2022年与持绿状态的相关性高于叶绿素吸收波段指数。基于最佳相关植被指数的热图分析能够有效区分高、低持绿基因型。值得注意的是，部分叶绿素相关指数（如GRE、NDRE、Chl_NDI、Red_edge）在开花后第二周就能在水分亏缺条件下区分持绿组别，早于传统的视觉评分。

Prediction of stay-green visual scores using RF and ANN models based on multiple VIs

利用随机森林和人工神经网络模型预测持绿视觉评分的结果表明，在使用合并数据集时，两种模型均能达到较高的预测精度（R²≈ 0.80）。比较不同预测变量集发现，仅使用水分吸收波段指数（R²= 0.79 ± 0.04）与使用全部指数或叶绿素结合水分指数的预测效果相当，而仅使用叶绿素吸收波段指数的预测效果较差（R²= 0.74 ± 0.06）。在所有模型中，水分吸收波段指数NDWI2（860, 1241 nm）以及本研究新提出的基于特征选择构建的指数NDIS_2b（2190, 1510 nm）和RDIS_3b（1280, 1250, 1180 nm） consistently emerged as the most critical predictors。留一地点/留一年交叉验证揭示了模型性能在不同环境间的显著差异，随机森林模型在泛化能力和稳健性上 consistently outperformed 人工神经网络模型，特别是在光谱特征 distinct 的环境或非典型季节，其性能下降最少。

研究结论与讨论

本研究系统评估了叶片高光谱反射率在估计玉米持绿视觉评分、区分持绿基因型方面的潜力。研究验证了初始假设，即水分吸收光谱波段及其相关指数，由于其与植株水分含量和生理恢复力的直接关联，是比叶绿素相关光谱波段和指数更可靠的持绿表型指示器。

重要意义在于：首先，该研究明确了在玉米开花后阶段，水分吸收波段的高光谱植被指数（如NDWI2、NDIS_2b、RDIS_3b）在定量表型分析持绿性状、作为抗旱性代用指标方面具有优势。这为玉米育种项目提供了更精准、高效的光谱选择工具。其次，研究揭示了年际和环境变异会显著影响光谱-持绿关系的稳健性以及机器学习模型的 transferability。这强调了在进行光谱辅助育种时，进行多地点、多年份校准以增强模型普适性的必要性。最后，研究证明随机森林模型在处理站点异质性和年际变异性方面比人工神经网络更具稳健性，为实际应用中模型的选择提供了参考。

总之，这项研究不仅深化了对高光谱信号与玉米抗旱关键性状（持绿）之间关系的理解，而且为将高光谱传感技术整合到现代育种流程中，实现对抗旱基因型的高通量、自动化筛选提供了切实可行的方案和重要的方法学见解。