馬鈴薯是我國第 4 大主糧作物，其地下塊莖的生長(zhǎng)發(fā)育與地上部植株光合作用密切相關(guān)，生育期存在“葉片光合營養(yǎng)制造 － 根莖營養(yǎng)消耗 － 塊莖營養(yǎng)積累”三者相互促進(jìn)與制約的復(fù)雜生理生化關(guān)系?；诠庀到y(tǒng)Ⅱ( PhotosystemⅡ，PSⅡ) 的最大光能轉(zhuǎn)化效率( Maximum photochemical efficiency， Fv /Fm) 、光化學(xué)猝滅系數(shù)( Photochemical quenching coefficient，qP ) 、非光化學(xué)猝滅系數(shù) ( Non- photochemical quenching coefficient，qN) 等葉綠素?zé)晒鈪?shù)反映葉片對(duì)光能的吸收與轉(zhuǎn)化、能量的傳遞與分配以及反應(yīng)中心狀態(tài)，是指示植物光合作用能力與生命活力的“內(nèi)在性”探針。因而，快速無損地檢測(cè)植物葉綠素?zé)晒鈪?shù)是當(dāng)前研究的熱點(diǎn)，也是馬鈴薯作物光合作用能力評(píng)價(jià)、逆境生理響應(yīng)等研究的基礎(chǔ)。

依據(jù)植物吸收短波長(zhǎng)光發(fā)射熒光的 PSⅡ檢測(cè)機(jī)理，封閉式葉綠素熒光成像測(cè)量需對(duì)采樣葉片進(jìn)行暗適應(yīng)，施加飽和脈沖光、測(cè)量光和光化光以準(zhǔn)確探測(cè)作物熒光參數(shù)。而長(zhǎng)時(shí)間的暗處理、復(fù)雜的光學(xué)探測(cè)過程限制了該方法在大田環(huán)境中的應(yīng)用與高通量測(cè)試效率。由于葉綠素強(qiáng)吸收藍(lán)光和紅光、強(qiáng)反射綠光這一特性，可見光 － 近紅外( 382~1 019 nm) 反射光譜因采集方式簡(jiǎn)單和測(cè)試效率高，被廣泛用于葉綠素含量診斷，并間接地反映作物潛在的光合作用能力。實(shí)際上，植物吸收的光和有效輻射主要用于光合作用，其余以熱能的形式耗散或者以發(fā)射葉綠素?zé)晒庑盘?hào)的方式釋放，其中發(fā)射的葉綠素?zé)晒?ldquo;微弱”信號(hào)在650~800 nm 的紅光及紅邊區(qū)域與植物反射光譜相疊加。因此，基于冠層反射光譜觀測(cè)葉綠素?zé)晒馕⑷跣盘?hào)響應(yīng)，并解析植物 PSⅡ葉綠素?zé)晒鈪?shù)是進(jìn)行大田作物光合能力高通量檢測(cè)的重要方向。

針對(duì) PSⅡ葉綠素?zé)晒鈪?shù)檢測(cè)，學(xué)者關(guān)注于冠層反射光譜信號(hào)與作物光合能力的關(guān)聯(lián)響應(yīng)以及熒光信號(hào)的提取，針對(duì)小麥和玉米等作物~相關(guān)研究開展了敏感反射波段、植被指數(shù)和紅邊位置參數(shù)的篩選與估算建模。ZARCO-TEJADA 等分析復(fù)葉槭冠層光譜導(dǎo)數(shù)反射率，發(fā)現(xiàn)植物熒光發(fā)射的 690~710 nm 反射光譜區(qū)出現(xiàn)了雙峰紅邊效應(yīng)，表明高光譜數(shù)據(jù)能夠探測(cè)葉綠素?zé)晒?。朱艷等發(fā)現(xiàn)小麥頂部 2 片葉片的葉綠素?zé)晒鈪?shù)與 520~680 nm 和 750~850 nm 區(qū)域的光譜反射率以及由 550 nm 和 750 nm 構(gòu)成的差值植被指數(shù)( Difference vegetation index，DVI) 等呈穩(wěn)定的相關(guān)關(guān)系。仇亞紅等［20］證 明 Fv /Fm、qP、實(shí)際光化學(xué)效率( ΦPSⅡ) 等熒光參數(shù)與玉米高光譜數(shù)據(jù)相關(guān)性在 -0. 5 左右，紅邊位置參數(shù)( 700 nm) 是表示光合作用強(qiáng)弱的敏感波段。

JIA 等用曲率指數(shù)( Curvature index，CUR) 、葉綠素導(dǎo)數(shù)指數(shù) D705 /D722、紅邊位置參數(shù)對(duì)小麥單葉尺度和冠層尺度的 Fv /Fm 進(jìn)行檢測(cè)。這些研究表明，利用冠層反射光譜數(shù)據(jù)評(píng)價(jià)作物光合作用能力具有可行性，同時(shí)指出解析反射光與 PSⅡ探針關(guān)聯(lián)，明確關(guān)聯(lián)特征波長(zhǎng)與植被指數(shù)是檢測(cè)作物葉綠
素?zé)晒鈪?shù)的關(guān)鍵。當(dāng)前，針對(duì)馬鈴薯這一高光合作物葉綠素?zé)晒鈪?shù)的檢測(cè)還有待深入開展。因此，為評(píng)價(jià)馬鈴薯作物的光化學(xué)吸收活性，圍繞表征捕獲光能用于光化學(xué)反應(yīng)份額的 qP 參數(shù)，開展基于反射高光譜
馬鈴薯葉片 qP 值檢測(cè)研究，解析與馬鈴薯葉片光化學(xué)吸收緊密關(guān)聯(lián)的特征波長(zhǎng)，建立 qP 值檢測(cè)模型與可視化分布圖，為馬鈴薯作物光合活性評(píng)價(jià)及復(fù)雜生理生化動(dòng)態(tài)監(jiān)測(cè)提供支持。

1 材料與方法

1. 1 試驗(yàn)及數(shù)據(jù)處理流程

2019 年 10 月，在中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院溫室培育馬鈴薯植株，試驗(yàn)研究的馬鈴薯品種為大西洋。在馬鈴薯盛花期進(jìn)行采樣，該生育期馬鈴薯冠層莖葉生長(zhǎng)達(dá)到頂峰，同時(shí)也是地下塊莖膨大的重要時(shí)期。試驗(yàn)中隨機(jī)采集 50 片葉片，裝入密封袋帶回實(shí)驗(yàn)室測(cè)試數(shù)據(jù)并分析。

總體試驗(yàn)及數(shù)據(jù)處理流程如圖 1 所示，采集數(shù)據(jù)包括: 馬鈴薯葉片高光譜圖像信息、葉綠素?zé)晒鈪?shù); 數(shù)據(jù)分析包括:樣本集劃分、qP 值與反射光譜關(guān)聯(lián)分析、特征波長(zhǎng)篩選、診斷建模以及建立可視化分布圖。

1. 2 馬鈴薯葉片高光譜圖像信息采集

采用 Gaia 型高光譜成像系統(tǒng)( 四川雙利合譜科技有限公司) 采集高光譜圖像信息，光譜范圍 388~1 026 nm，分辨率為 2. 8 nm。為消除光照不均勻及攝像頭存在暗電流等因素的影響，對(duì)原始高光譜圖像反射率進(jìn)行黑白校正，校正后光譜圖像反射率計(jì)算公式為

用軟件ENVI5.1選取10像素×10像素矩形為感興趣區(qū)域(Region of interest，RoI)，提取樣本的光譜數(shù)據(jù)為RoI反射光譜的平均值。

1.3馬鈴薯葉片熒光參數(shù)測(cè)定

使用FluorCam封閉式葉綠素?zé)晒獬上裣到y(tǒng)(北京易科泰生態(tài)技術(shù)有限公司)測(cè)量葉綠素?zé)晒鈪?shù)，系統(tǒng)由測(cè)量光光源(610～620nm，紅光)、光化學(xué)光光源(610～620nm，紅光;470～480nm，藍(lán)光)、飽和光光源(470～480nm，藍(lán)光)、隔板、計(jì)算機(jī)及控制軟件等部件組成。采集時(shí)將進(jìn)行暗處理30min的馬鈴薯葉片平放在暗適應(yīng)操作箱內(nèi)的隔板上，控制系統(tǒng)通過USB與計(jì)算機(jī)相連，并通過FluorCam7軟件控制和采集分析數(shù)據(jù)。在Protocols窗口設(shè)置激發(fā)光源強(qiáng)度以及持續(xù)時(shí)間，本文使用MenuWizard中的QuenchingAct1模式;在Pre-processing窗口進(jìn)行數(shù)據(jù)加載和感興趣區(qū)域的選擇，本研究選取10像素×10像素的矩形區(qū)域?yàn)镽oI，可以得到選擇區(qū)域的熒光動(dòng)力曲線;在Result窗口可以得到qP值，最終獲得200個(gè)區(qū)域的qP值。

1.4數(shù)據(jù)處理方法

1.4.1樣本集劃分

采用SPXY(SamplesetpartitioningbasedonjointX－Ydistance)算法劃分建模集和驗(yàn)證集，樣品間距離計(jì)算時(shí)同時(shí)考慮光譜數(shù)據(jù)和待分析變量，計(jì)算公式為

具體劃分步驟如下:

(1)計(jì)算樣本數(shù)據(jù)之間的距離，距離最大的兩個(gè)樣本作為最初被選定的樣本。

(2)計(jì)算剩余樣本與被選樣本之間的距離，對(duì)于每個(gè)剩余樣本，與起始樣本間的最短距離被選中。

(3)在每個(gè)剩余樣本的最短距離中選擇最長(zhǎng)距離所對(duì)應(yīng)的樣本，作為下一個(gè)被選擇的樣本，以此類推，直至所選樣本數(shù)目達(dá)到設(shè)定個(gè)數(shù)。

1.4.2變量篩選

采用相關(guān)性分析法(Correlationanalysis，CA)分析葉片光化學(xué)吸收與反射光譜之間的關(guān)聯(lián)關(guān)系，并應(yīng)用聯(lián)合區(qū)間偏最小二乘法(Synergyintervalpartialleastsquares，si－PLS)和隨機(jī)蛙跳(Randomfrog，RF)兩種算法進(jìn)行qP值響應(yīng)特征參數(shù)篩選。其中，si－PLS算法將獲取的光譜曲線按照等間隔劃分為120個(gè)區(qū)間，對(duì)劃分區(qū)間進(jìn)行編號(hào)后進(jìn)行回歸分析，選擇交叉驗(yàn)證均方根誤差(Rootmeansquareerrorofcrossvalidation，RMSECV)最小的區(qū)間組合作為特征波長(zhǎng);RF算法與可逆跳躍馬爾可夫鏈蒙特卡洛類似，模擬模型空間中呈穩(wěn)態(tài)分布的馬爾可夫鏈衡量每個(gè)變量所占的權(quán)重，即被選擇的可能性，變量對(duì)模型越重要被選中的概率就越大。因此，對(duì)所有變量的選擇概率進(jìn)行排序，選擇概率較高的變量作為特征變量。本研究設(shè)置迭代次數(shù)為500，葉綠素?zé)晒鈪?shù)特征波長(zhǎng)選擇閾值為0.28。

1.4.3建模與評(píng)價(jià)方法

采用偏最小二乘回歸(Partialleastsquaresregression，PLSR)建立馬鈴薯葉片葉綠素?zé)晒鈪?shù)qP檢測(cè)模型并比較兩種篩選算法，采用10倍交叉驗(yàn)證算法確定主成分(Principlecomponents，PCs)個(gè)數(shù)，以RMSECV為標(biāo)準(zhǔn)選取最優(yōu)主成分個(gè)數(shù)。使用建模集決定系數(shù)(Determinationcoefficientofcalibrationset，R2c)、建模集均方根誤差(Rootmeansquareerrorofcalibration，RMSEC)、驗(yàn)證集決定系數(shù)
(Determinationcoefficientofvalidationset，R2v)、驗(yàn)證集均方根誤差(Rootmeansquareerrorofvalidation，RMSEV) 評(píng)價(jià)模型。

上述數(shù)據(jù)處理利用 Matlab R2016b 軟件完成。最后將高光譜圖像中每個(gè)像素點(diǎn)的反射率代入最優(yōu)的檢測(cè)模型中，使用 ENVI5. 1 軟件對(duì)其進(jìn)行偽彩色處理即可建立馬鈴薯葉片 qP 值分布圖。

聲明：本文所用圖片、文字來源《農(nóng)業(yè)機(jī)械學(xué)報(bào)》2020年12月，版權(quán)歸原作者所有。如涉及作品內(nèi)容、版權(quán)等問題，請(qǐng)與本網(wǎng)聯(lián)系

相關(guān)鏈接：馬鈴薯，葉綠素，樣本，篩選