基于RGB传感器的叶绿素含量无损估算在精准农业作物需要量氮肥施用和作物表型分析中具有重要应用价值。利用基于RGB的植被指数，对小麦叶绿素含量进行了快速、无破坏、高通量表型分析。RGB图像是使用印度新德里Nanaji Deshmukh植物表型组学中心的自动表型和成像平台捕获的。然后对RGB图像进行分析，并用于计算文献报道的39个RGB植被指数。对RGB图像中的RGB植被指数进行了检验，并使用16个机器学习模型来测量总叶绿素含量，并通过决定系数（R2）、相关系数(r)、均方根误差（RMSE）对模型进行评估，以选择最佳估计模型。结果表明，几种RGB指数与总叶绿素含量值呈极显著相关，高相关达到0.84。在预测模型中，BRNN模型的预测精度最高（R2=0.71, r=0.84， RMSE=2.52）。结果表明，该模型能较准确地估算小麦全株叶绿素含量，说明RGB指数在低成本估算小麦叶片叶绿素含量方面具有一定的潜力。由于RGB传感器是低成本传感器，该模型可用于基于无人机和基于移动的精准农业和植物表型分析应用。这种非侵入性方法可以通过估计植物在不同物候阶段的色素状态来揭示叶绿素积累的潜在基因。

图1  植物总叶绿素含量的频率分布。y轴为密度，x轴为总叶绿素含量。

图2  基于RGB植被指数的主成分分析。红点表示单个植物，蓝箭头表示单个指数。

图3  基于RGB植被指数的性状相似性评价。绿色表示正相关，红色表示负相关。

图4  所有基于RGB的植被指数与植物总叶绿素含量的性状相似性。x轴表示各指标，y轴表示各指标与叶绿素总含量的相关关系。

图5  基于16种机器学习方法的叶绿素含量预测模型。每个块表示单个机器学习模型中叶绿素含量预测值与叶绿素含量实际值的散点图。其中R2为决定系数，表示模型的精度。

图6  预测模型评价指标。采用A R2 -决定系数B PCC- Pearson相关系数C RMSRE D)µ对16个模型进行评价。

图7  基于RGB的植被指数对总叶绿素含量预测的相对重要性。

图8  基于RGB的植被指数对总叶绿素含量的预测能力。