改善光合作用是提高粮食安全的一个有希望的途径。研究光合特性以提高效率一直是提高作物产量的众多策略之一，但分析大量数据集是一个持续的挑战。机器学习(Machine learning，ML)代表了一种无处不在的工具，可以提供更详细的数据分析。本文综述了ML在光合研究的各个领域以及光合色素研究中的应用。强调了如何通过各种ML算法将高光谱数据与光合参数相关联以提高作物产量。我们还提出了利用ML促进光合色素研究以进一步提高作物产量的策略。

图1 ML在光合研究中的概述，代表ML方法的重要性，以及它如何提高光合研究从而提高作物产量。

图2 机器学习预测光合作用。叶片叶绿素反射率、叶面积指数、降水速率、温度变化、土壤含水量是ML模型预测光合速率的主要参数。

图3 机器学习在植物生理学和生产力研究中的应用。CO₂含量、叶片反射率、气体交换速率、气孔导度、叶片位置等参数是利用回归模型等机器学习算法评估植物生理和生产力的常用参数。

图4 机器学习在研究胁迫下的光合能力。利用光合CO₂同化速率、气孔导度、叶绿素含量、蒸腾速率、叶片表型变异等数据，利用各种模型来预测干旱等胁迫条件下的光合能力和生产力。

图5 机器学习在色素研究中应用的可能方法a.色素-叶绿素和辅助色素，b. ML算法。来自植物的光谱数据可用于上述应用。