通常使用破坏性采样的方法提取植物生理性状，即通过生化提取或裁剪叶片的方式采集植株样本，然后测量植物的生理指标，这种方法不但会破坏植株，而且难以获得高通量的性状信息。近年来，随着高光谱传感器的不断发展，快速、高效、无损地提取植物生理性状逐渐变为可能。本研究提出了一种基于高光谱影像的植物生理性状无损测量方法，可以准确提取玉米的生理性状，并揭示正常玉米植株和干旱胁迫下的玉米植株之间的生长差异。

　　本研究利用推扫式成像光谱仪HSI获取玉米盆栽的高光谱影像(图1 (a))，然后根据NDVI阈值对影像进行分割，提取植物特征像素(图1 (b))，并利用标准正态变量(Standard Normal Variate, SNV)归一化方法消除光照因素的影响(图1 (c)-(d))，最后取剩余像素的反射率均值作为模型的输入参数，构建叶片水势(Water potential)、光系统 II 的有效量子产率(Effective quantum yield of photosystem II)、蒸腾速率(Transpiration rate)和气孔导度(Stomatal conductance)等四个玉米生理性状的反演模型。实验结果显示，高斯过程回归 (Gaussian Process Regression, GPR)、核岭回归 (Kernel Ridge Regression, KRR) 和偏最小二乘回归 (Partial Least Squares Regression, PLSR)等三种机器学习方法均可建立影像反射率和玉米生理性状之间的数学关系，其中GPR 算法构建的反演模型精度最高(图2)，能够准确预测上述四个生理性状。最后，模型应用结果显示，在干旱处理3天后，GPR模型预测的玉米生理性状即可反映出干旱胁迫下的玉米植株和正常植株之间的生长差异(图3)。同时，根据预测影像，还可以分析干旱胁迫下的玉米生理性状空间分布特征(图4)。因此，利用高光谱成像技术，可以快速、无损地提取植物生理性状信息，在植物生长监测中具有极大的应用潜力。

　　图1 高光谱数据的获取和处理流程。(a)基于高光谱数据构建的玉米盆栽RGB影像;(b)影像分割后的玉米特征像素;(c)玉米特征像素的反射率曲线;(d) 标准正态变量归一化后的反射率曲线

　　图2 利用PLSR，KRR和 GPR构建的玉米生理性状反演模型精度。(a-c)叶片水势反演模型精度;(d-f)量子产率反演模型精度;(g-i)气孔导度反演模型精度;(j-l)蒸腾速率反演模型精度

　　图3 利用GPR模型估测玉米生理性状并监测干旱胁迫下的玉米植株长势。(a)叶片水势;(b)光系统 II 的有效量子产率;(c) 气孔导度;(d)蒸腾速率

　　图4 正常生长(Well-watered treatment, WW)和干旱胁迫下(Progressive drought treatment, PD)玉米植株的有效量子产率空间分布图和直方图。有效量子产率为GPR模型预测得到

　　来源：Mohd Shahrimie Mohd Asaari, Stien Mertens, Lennart Verbraeken, et al. Non-destructive analysis of plant physiological traits using hyperspectrali maging: A case study on drought stress. Computers and Electronics in Agriculture, 2022, 195: 106806.

　　编辑：段博