全球氣候變化引起的預計人口增長以及土地和農業資源可利用性的壓力使未來幾十年全球糧食供應的需求增加。提高光合作用能力已成為實現作物增產的目標。目前，測量光合作用的方法是耗時的且具破壞性的，這會減慢鑒定具高光合能力的農作物種質的研究和育種工作。作者在1分鐘內收集樣地（~2 m×2 m）向陽葉片像素的高光譜反射率以量化光合作用參數和色素含量。在兩個生長季節（2017年和2018年）利用田間生長的經基因改變了光合途徑的煙草，建立了8個光合參數和色素性狀的預測模型。利用偏最小二乘法（PLSR）分析可見近紅外（400-900 nm）光譜相機測得的植物反射像素，預測了Rubisco最大羧化速率（V_c,max，R²=0.79）和最大電子傳遞速率（J₁₈₀₀，R²=0.59），最大光飽和光合作用（P_max，R²=0.54），葉綠素含量（R²=0.87），葉綠素a/b（R²=0.63），碳含量（R²=0.47）和氮含量（R²=0.49）。當使用兩臺400-1800 nm相機時，模型的預測并沒有改善，這表明僅使用一臺VNIR相機就能實現強大，廣泛適用且更具“成本效益”的效果。該分析過程和方法可用于所有作物中，從而提供高通量田間表型篩選，并在田間試驗中提高光合性能。

高光譜圖像收集

建立基于地面的表型平臺（圖1），包括兩個推掃式高光譜相機。第一臺高光譜相機（PIKA II；Resonon）用于采集400 nm到900 nm的光譜輻射（共240個光譜帶）。第二臺高光譜相機（PIKA NIR；Resonon）用于采集900 nm到1800 nm的光譜輻射（共164個光譜帶）。

圖1 基于地面的表型平臺，包括兩個高光譜相機和一個RGB相機（A），并在冠層頂部安裝了可移動的白板（B）。

葉片光譜測量

利用ASD Fieldspec4光譜儀在400 nm至2500 nm范圍內原位測量葉片光譜反射率。在可見光和近紅外波段（350-1000 nm），光譜分辨率為3 nm，在短波紅外（1000-2500 nm）波段，為8 nm。

圖2 高光譜圖像分析流程示例。圖像以原始數據模式采集，表示為RGB圖像（A）。利用K均值聚類算法（B）進行圖像分類，以提取所有陽光照射的葉片的像素，并將數字原始數據（D）轉換為反射率（C）。計算所有陽光照射的葉片反射率像素的平均值和SD（E）。

結果

圖3 性能測試1，V_c,max（A），J₁₈₀₀（B），葉綠素含量和Chl a:b（C），C和N含量（D），以及性能測試2，P_max和?CO2（E）的平均光譜反射率。

圖4 地塊水平性能測試1中的V_c,max（A），J₁₈₀₀（B），葉綠素含量（C），Chla:b（D），C含量（E），N含量（F）以及性能測試2中的P_max（G）和?CO2（H）實際觀測的與PLSR回歸預測的光合參數的比較（使用單臺VNIR高光譜相機（459-900 nm））。

圖5 地塊水平性能測試1中的V_c,max（A），J₁₈₀₀（B），葉綠素含量（C），Chla:b（D），C含量（E），N含量（F）以及性能測試2中的P_max（G）和?CO2（H）實際觀測的與PLSR回歸預測的光合參數的比較（使用VNIR高光譜相機（459-900nm）和NIR/SWIR（900-1700 nm）相機）。

圖8 不同光譜范圍PLAR模型的變量投影重要性（VIP）分數，葉片水平：V_c,max（A），J₁₈₀₀（B），葉綠素含量（C），Chl a:b（D），C含量（E），N含量（F），P_max（G）和?CO2（H）。地塊水平的相同性狀（I-P）。由于地塊水平?CO2參數預測的缺乏，因此未顯示其模型VIP分數。