气孔导度 (Stomatal conductance，g_s) 量化了植物叶片与大气之间光合作用中二氧化碳和蒸腾中水蒸气的交换速率。g_s 通常通过气孔计等手持设备测量，并在现场手动读数，这既费时又费力。在本研究中，研究了如何结合高通量表型 (high-throughput phenotyping，HTP) 数据和天气数据通过机器学习 (ML) 建模来估算 g_s。该试验于 2020 年和 2021 年在配备 HTP 平台的研究田地中进行，涉及玉米、高粱、大豆、向日葵和冬小麦。 现场气象站收集了露点温度、风速、气温、太阳辐射和相对湿度等天气变量。使用集成在 HTP 平台上的热红外相机、多光谱相机和可见近红外光谱仪获取了地块级冠层温度、土壤温度和七个植被指数。采用三种监督ML方法（偏最小二乘回归（PLSR）、随机森林回归（RFR）和支持向量回归（SVR））训练g_s的估计模型，并通过判定系数（R²）和均方根误差（RMSE）评估模型性能。结果表明，RFR和SVR在g_s建模中优于PLSR。 使用表型数据和天气数据的组合，RFR模型的R²为0.63，RMSE为0.16 mol m⁻²⋅s⁻¹。它优于仅使用天气数据的模型（R²=0.35和RMSE=0.21 mol m⁻²⋅s⁻¹），或仅使用表型数据的模型（R²=0.46和RMSE=0.19 mol m⁻²⋅s⁻¹）。这一结果表明，高通量植物表型数据可有效补充天气数据，通过机器学习快速、无损地估算 g_s。随着 HTP 技术在空中和地面平台的广泛应用，这项研究为作物育种和灌溉管理提供了一个大规模估算 g_s 的实用框架。

图1  NU-Spidercam 高通量田间表型分析设施的鸟瞰图。用于收集作物表型分析数据的传感器平台在放大视图中。

图2  NU-Spidercam 数据收集和预处理。 (A) 带有不同摄像头和传感器的传感平台；(B) 2020 年和 2021 年农作物的田间地块图；(C) 对 RGB-NIR 和热红外图像进行图像处理以提取冠层覆盖率、冠层温度和土壤温度；(D) 从 VNIR 冠层反射率数据计算植被指数的步骤。

图3  气孔导度机器学习建模过程流程图。

图4  （A）所有变量之间的 Spearman 相关性分析，十字表示 P值大于 0.05。 （B）五种不同作物类型所有变量与气孔导度的 Spearman 相关性。

图5  使用随机森林回归，基于传感器表型数据和天气数据的组合作为模型输入，进行气孔导度估计。（A）所有作物类型。（B）玉米。（C）高粱。（D）大豆。（E）向日葵。（F）冬小麦。

图6  仅根据传感器表型数据估计的气孔导度。（A）所有作物类型。（B）玉米。（C）高粱。（D）大豆。（E）向日葵。（F）冬小麦。

图7  仅基于天气数据估计气孔导度。（A）所有作物类型。（B）玉米。（C）高粱。（D）大豆。（E）向日葵。（F）冬小麦。

图8  随机森林回归（RFR）中气孔导度估计的重要特征。

来源