氮素(N)在树木体内储存和消耗的内部循环是与树木生长有关的重要生理机制。本文研究了近红外光谱(near-infrared spectroscopy，NIR)的能力，以量化跨组织类型(针、干、枝和根)的N浓度，而不需要时间和成本。收集湿地松不同组织的近红外光谱数据，采用实验室标准分析方法测定各组织中的氮浓度。

　　湿地松不同部位(根、枝、针、干)氮含量在不同季节的变化，如图1。对随机选取的一组训练数据进行偏最小二乘回归(Partial least squares regression，PLSR)模型。采用全长光谱和显著多元相关(significant multivariate correlation，sMC)变量选择光谱进行模型校正。枝干、针和树干PLSR模型在全长度和sMC选择的近红外光谱中都表现良好。树枝和树干的N含量分别为3倍以上，针叶和根的N含量分别为2倍以上，这可以提高全长度近红外光谱对四种组织的预测精度，包括个体组织模型和类属模型，如图2(a;b)和图3，使用全长光谱的R2C和R2CV分别为0.62和0.66，使用sMC选择光谱的R2C和R2CV分别为0.61和0.65，如图2(c;d)和图5。

　　N PLSR模型产生一个更好的预测在自己的组织比其他组织(图6和7)。个体组织模型在其他组织中使用时表现不佳(图3、图4、图5)。图8是用于N含量预测的sMC_generic模型的得分图，尽管sMC_generic模型可以有效预测所有组织中的N含量，但仍然可以清晰地识别出不同类型的组织。分支和根组织可能有相似的结构，它们之间有一些重叠，而针和树干的大部分与分支和根不同，分别作为一个单独的组分布。

　　研究发现，1480、1650、1744、2170和2390 nm 5个区域与植物组织中氮含量高度相关，如图9。本研究评价了一种快速有效的估算不同组织中N含量的方法，可以作为树木N存储和再编译研究的工具。通过sMC变量选择方法找到最重要的波长区域，这有助于在四个组织中建立一致的、有前途的和鲁棒的校准模型。利用近红外光谱技术可以快速、准确地测定树木不同组织中氮的含量，为今后研究树木内部氮循环提供了重要依据。

　　图1 湿地松不同部位(根、枝、针、干)N含量在不同季节的变化。

　　图2 使用全长光谱和sMC选择光谱，对预测湿地松树针叶、树干、树枝、根组织和一般组织中N含量的100个模型进行了校准和交叉验证统计数据的分布(95%置信区间)。黑色垂直线:中值;这些点代表离群值。

　　图3 利用近红外光谱测定和预测湿地松针叶、树干、树枝和根组织中的N含量，并建立了湿地松的类属模型。误差条:100个模拟模型的标准差。

　　图4 利用全长度光谱和sMC选择光谱，在针叶、树干、树枝、根和湿地松的一般模型中，对测量的N绘制残差。

　　图5 利用sMC选择的近红外光谱测量和预测针、干、分枝和根组织及其类属模型中的N。误差条:100个模拟模型的标准差。Vn:由sMC选择算法选择的变量。

　　图6 利用个体组织N PLSR模型预测其他组织N。(a)利用树枝模型预测4个湿地松组织的氮含量。(b)利用松针模型预测4个湿地松组织的氮含量。

　　图7 利用个体组织N PLSR模型预测其他组织N。(a)利用树干模型预测4个湿地松组织的N含量。(b)利用根系模型预测四种湿地松组织的N含量。

　　图8 混合组织sMC_generic模型的前两个成分的评分图。

　　图9 N对湿地松枝、针、根、干模型近红外光谱的影响

　　来源：Li, Y., Sun, H., Tomasetto, F., Jiang, J., and Luan, Q. (2022). Spectrometric Prediction of Nitrogen Content in Different Tissues of Slash Pine Trees. Plant Phenomics 2022:9892728.

　　编辑：王春颖