叶片尺度的高光谱反射率具有快速、低成本、多传感、无损等特点，已成为植物叶片性状高通量表型分析的有效工具。然而，为模型校准收集样品仍然价格高昂，模型显示不同数据集之间的可移植性较差。本文构建了一个叶片尺度的VIS-NIR-SWIR（可见光-近红外-短波红外）光谱库，该光谱库可用于多种植物叶片生理生化性状的高通量表型分析。

Spiking算法的核心概念是将研究人员自己试验中的少量“本地”样本添加到库样本中，形成校准样本集，即结合自己试验的光谱库和代表性光谱建立校正模型, 从而显著提高模型的泛化性能，使模型的性能优于仅从光谱库样本校准的模型。Spiking算法可提高局部实验样本的预测精度，局部采样数量越多，Spiking算法获得的精度越高，但同时工作量较大, 成本较高，短期难以实现。作为一种替代方法，额外加权Spiking算法通过添加几个Spiking集的副本来匹配原始光谱库中的样本数量，从而增加Spiking集的统计权重，使校准更好地适应额外加权样本（即“本地”样本），从而获得更准确的预测。本文探索了额外加权Spiking算法提取叶片尺度表型特征的光谱分析应用。

本研究有三个目标：（1）收集玉米和高粱的大型叶片高光谱数据库（n=2460），（2）评估两种机器学习方法来估计9种叶片特性（叶绿素、厚度、含水量、氮、磷、钾、钙、镁和硫），（3）研究该光谱库预测外部数据集（n=445）的潜力，包括使用额外加权Spiking算法的大豆和亚麻荠。为了找到一种评估叶片表型性状综合性能最好的方法，使用两种机器学习建模技术进行了比较，结果表明偏最小二乘回归PLSR优于深度神经网络DNN。内部交叉验证表明，叶片尺度光谱库在估计所有9个特征时表现令人满意（平均R2 为0.688）， PLSR模型性能优于DNN模型。仅使用光谱库校准的模型在外部数据集上表现出较差的性能（亚麻荠的平均R2为0.159，大豆的平均R2为0.337）。当小部分外部样本（n=20）通过额外加权Spiking算法添加到库中时，模型显著改善，亚麻荠的平均R2为0.574，大豆的平均R2为0.536。叶片尺度光谱库有利于植物生理生化表型的研究，而额外加权Spiking算法提高了模型的可移植性并扩展了其实用性。

本文的研究结果表明额外加权Spiking算法可以有效地利用不同条件下的光谱库，快速和低成本地分析叶片的重要生理生化性状，展现了VIS-NIR-SWIR数据对更多作物品种和实验条件下获取表型信息的潜力。

图1 不同植物品种和数据集之间的叶片特征差异性

（Sghm=高粱，Cam=亚麻荠，大豆=大豆，LWC=叶片含水量，CHL=叶绿素，LMA=单位面积叶片质量，库=光谱库，测试=外部测试集）

图2 光谱库和外部测试数据集的光谱（第一行），以及波长域（第一列）和主成分空间（第二列），不同植物种类（第二行）的光谱（Sghm=高粱，大豆=大豆，Cam=亚麻荠）

图3 对不同作物品种（Sghm=高粱，Cam=亚麻荠，大豆=大豆）的不同叶片特征（LWC=叶片含水量，CHL=叶绿素，LMA=叶片质量面积）进行R2（R2test）测试，使用偏最小二乘回归PLSR模型仅对光谱库（Lib），仅对Spike集（Spk），额外加权Spike光谱库（Lib+Spk）进行校准