植物表型分析是对植物农艺性状的研究，是一门融合成像和机器学习的数据驱动科学，越来越多地应用于作物表型监测和水分状况检测，从而优化水分利用和改进育种策略。本研究评估了智能手机RGB成像在区分不同灌溉处理下的玉米植株以及揭示与水分状况和叶绿素相关的图像特征方面的潜力。

结果表明：（1）不同叶绿素含量与DGCI(r=0.81, p<0.01)、Hue(r=-0.76, p<0.01)和Saturation(r=0.72, p<0.05)指数呈强线性相关，证实了其对干旱胁迫的敏感性；（2）各种多变量分类模型通过主成分分析(PCA)很容易区分不同处理，前2个成分解释了总方差的68.4%；（3）PLS-DA取得了85.7%的分类准确率，随机森林成功区分了性能最高的处理(总体准确率为92.4% , kappa=0.89)；（4）特征重要性分析表明，DGCI、ExG和LB是对水分状态最具信息含量的特征。另外，进一步的机器学习方法分别将Red和ExG确定为最佳的预测因子。

与高光谱或专用传感器相比，本研究使用的智能手机是最经济、最容易获得且可扩展的实时检测方式。未来的研究将通过多光谱和深度学习模型进一步扩展到不同的作物和环境，以改进预测并使智能手机应用程序在精确灌溉和可持续作物管理方面取得良好的应用前景。

图1. 在不同灌溉处理和颜色分割中的叶片原始图像

图2.不同灌溉水平（包括对照（Alt）、最低（Min）、中度（MOD）和缺水（WD））对植物的叶片含量的影响

图3. 基于单向方差分析的植被指数的性能。p值阈值为0.05

图4. 碎石图显示由PC解释的方差

图5. 对水状况组进行分类的多元分析和预测变量重要性（VIP）分数

图6. 随机森林分类的性能以及不同树数和光谱指数下变量重要性和错误率对模型性能的贡献

图7. 不同灌溉水平对关键植被指数的影响