叶片生化参数的准确估计对于了解作物生理和监测营养状况至关重要。遥感算法在有限的种质上表现良好，但将其应用于具有不同基因型的高通量表型分析的可迁移性尚不清楚。本研究使用单一植被指数(SVI)、随机森林(RF)和PROSPECT模型估算叶片叶绿素含量(Cab)、等效水厚度(Cw)和干物质含量(Cm)，以评估这些模型在不同花生种质条件下的性能和可迁移性。

结果表明，转化叶绿素吸收量反射率指数(TCARI)、水分指数(WI)和修正简单比值(mSR)分别与Cab、Cw和Cm相关性较强，说明了它们在反演模型中的重要性。对比分析发现，RF模型对Cab(R²=0.77，RMSE=8.14µg cm^-2)、Cw (R²=0.67，RMSE=1.1 ×10^-3g cm^-2)和Cm(R² =0.50，RMSE =6.2×10^-4g cm^-2)的精度最高。其次是PROSPECT模型，对Cab的R²和RMSE分别为0.76和8.21 µg cm^-2，对Cw的R²和RMSE分别为0.61和1.2×10^-3g cm^-2，对Cm的R²和RMSE分别为0.38和7.×10^-4g cm^–2。然而，PROSPECT模型在不同种质资源的Cab反演中最有效(R =0.58，RMSE =7.68 µg cm^-2)，证明了其可迁移性和稳定性。

该研究明确了不同模型在高通量表型分析中的适用场景，PROSPECT模型因其物理机制和参数交互考虑，为复杂种质资源下的作物生化参数估算提供了可靠方案，有助于提升高通量表型分析的准确性和普适性，为精准农业和作物遗传改良提供了重要的技术支撑。

图1. 样本区域采集流程。（a）扫描仪获得的原始图像；（b）阈值分割后的图像；（c）应用图像填充方法后的图像

图2. 叶片高光谱数据采集

 

图3. 随机森林模型流程图

图4. 基于SCE-UA算法的PROSPECT模型反演方法流程图

图5. 生化参数与植被指数的相关图

图6. Cab、Cw和Cm的测量值与估计值的散点图

图7. 品种资源区生化参数倒置散点图

图8. 基于该研究的反演模型性能评价