马铃薯叶片光化学吸收与反射光谱关联分析及检测（一）

马铃薯是马铃我国第 4 大主粮作物，其地下块茎的薯叶生长发育与地上部植株光合作用密切相关，生育期存在“叶片光合营养制造 － 根茎营养消耗 － 块茎营养积累”三者相互促进与制约的片光复杂生理生化关系。基于光系统Ⅱ( PhotosystemⅡ，化学PSⅡ) 的吸收最大光能转化效率( Maximum photochemical efficiency， Fv /Fm) 、反射分析光化学猝灭系数( Photochemical quenching coefficient，光谱关联qP ) 、及检非光化学猝灭系数 ( Non- photochemical quenching coefficient，马铃qN) 等叶绿素荧光参数反映叶片对光能的薯叶吸收与转化、能量的片光传递与分配以及反应中心状态，是化学指示植物光合作用能力与生命活力的“内在性”探针。因而，吸收快速无损地检测植物叶绿素荧光参数是反射分析当前研究的热点，也是光谱关联马铃薯作物光合作用能力评价、逆境生理响应等研究的基础。

依据植物吸收短波长光发射荧光的 PSⅡ检测机理，封闭式叶绿素荧光成像测量需对采样叶片进行暗适应，施加饱和脉冲光、测量光和光化光以准确探测作物荧光参数。而长时间的暗处理、复杂的光学探测过程限制了该方法在大田环境中的应用与高通量测试效率。由于叶绿素强吸收蓝光和红光、强反射绿光这一特性，可见光 － 近红外( 382~1 019 nm) 反射光谱因采集方式简单和测试效率高，被广泛用于叶绿素含量诊断，并间接地反映作物潜在的光合作用能力。实际上，植物吸收的光和有效辐射主要用于光合作用，其余以热能的形式耗散或者以发射叶绿素荧光信号的方式释放，其中发射的叶绿素荧光“微弱”信号在650~800 nm 的红光及红边区域与植物反射光谱相叠加。因此，基于冠层反射光谱观测叶绿素荧光微弱信号响应，并解析植物 PSⅡ叶绿素荧光参数是进行大田作物光合能力高通量检测的重要方向。

针对 PSⅡ叶绿素荧光参数检测，学者关注于冠层反射光谱信号与作物光合能力的关联响应以及荧光信号的提取，针对小麦和玉米等作物~相关研究开展了敏感反射波段、植被指数和红边位置参数的筛选与估算建模。ZARCO-TEJADA 等分析复叶槭冠层光谱导数反射率，发现植物荧光发射的 690~710 nm 反射光谱区出现了双峰红边效应，表明高光谱数据能够探测叶绿素荧光。朱艳等发现小麦顶部 2 片叶片的叶绿素荧光参数与 520~680 nm 和 750~850 nm 区域的光谱反射率以及由 550 nm 和 750 nm 构成的差值植被指数( Difference vegetation index，DVI) 等呈稳定的相关关系。仇亚红等［20］证 明 Fv /Fm、qP、实际光化学效率( ΦPSⅡ) 等荧光参数与玉米高光谱数据相关性在 -0. 5 左右，红边位置参数( 700 nm) 是表示光合作用强弱的敏感波段。

JIA 等用曲率指数( Curvature index，CUR) 、叶绿素导数指数 D705 /D722、红边位置参数对小麦单叶尺度和冠层尺度的 Fv /Fm 进行检测。这些研究表明，利用冠层反射光谱数据评价作物光合作用能力具有可行性，同时指出解析反射光与 PSⅡ探针关联，明确关联特征波长与植被指数是检测作物叶绿
素荧光参数的关键。当前，针对马铃薯这一高光合作物叶绿素荧光参数的检测还有待深入开展。因此，为评价马铃薯作物的光化学吸收活性，围绕表征捕获光能用于光化学反应份额的 qP 参数，开展基于反射高光谱
马铃薯叶片 qP 值检测研究，解析与马铃薯叶片光化学吸收紧密关联的特征波长，建立 qP 值检测模型与可视化分布图，为马铃薯作物光合活性评价及复杂生理生化动态监测提供支持。

1 材料与方法

1. 1 试验及数据处理流程

2019 年 10 月，在中国农业大学信息与电气工程学院温室培育马铃薯植株，试验研究的马铃薯品种为大西洋。在马铃薯盛花期进行采样，该生育期马铃薯冠层茎叶生长达到顶峰，同时也是地下块茎膨大的重要时期。试验中随机采集 50 片叶片，装入密封袋带回实验室测试数据并分析。

总体试验及数据处理流程如图 1 所示，采集数据包括: 马铃薯叶片高光谱图像信息、叶绿素荧光参数; 数据分析包括:样本集划分、qP 值与反射光谱关联分析、特征波长筛选、诊断建模以及建立可视化分布图。

1. 2 马铃薯叶片高光谱图像信息采集

采用 Gaia 型高光谱成像系统( 四川双利合谱科技有限公司) 采集高光谱图像信息，光谱范围 388~1 026 nm，分辨率为 2. 8 nm。为消除光照不均匀及摄像头存在暗电流等因素的影响，对原始高光谱图像反射率进行黑白校正，校正后光谱图像反射率计算公式为

用软件ENVI5.1选取10像素×10像素矩形为感兴趣区域(Region of interest，RoI)，提取样本的光谱数据为RoI反射光谱的平均值。

1.3马铃薯叶片荧光参数测定

使用FluorCam封闭式叶绿素荧光成像系统(北京易科泰生态技术有限公司)测量叶绿素荧光参数，系统由测量光光源(610～620nm，红光)、光化学光光源(610～620nm，红光;470～480nm，蓝光)、饱和光光源(470～480nm，蓝光)、隔板、计算机及控制软件等部件组成。采集时将进行暗处理30min的马铃薯叶片平放在暗适应操作箱内的隔板上，控制系统通过USB与计算机相连，并通过FluorCam7软件控制和采集分析数据。在Protocols窗口设置激发光源强度以及持续时间，本文使用MenuWizard中的QuenchingAct1模式;在Pre-processing窗口进行数据加载和感兴趣区域的选择，本研究选取10像素×10像素的矩形区域为RoI，可以得到选择区域的荧光动力曲线;在Result窗口可以得到qP值，最终获得200个区域的qP值。

1.4数据处理方法

1.4.1样本集划分

采用SPXY(SamplesetpartitioningbasedonjointX－Ydistance)算法划分建模集和验证集，样品间距离计算时同时考虑光谱数据和待分析变量，计算公式为

具体划分步骤如下:

(1)计算样本数据之间的距离，距离最大的两个样本作为最初被选定的样本。

(2)计算剩余样本与被选样本之间的距离，对于每个剩余样本，与起始样本间的最短距离被选中。

(3)在每个剩余样本的最短距离中选择最长距离所对应的样本，作为下一个被选择的样本，以此类推，直至所选样本数目达到设定个数。

1.4.2变量筛选

采用相关性分析法(Correlationanalysis，CA)分析叶片光化学吸收与反射光谱之间的关联关系，并应用联合区间偏最小二乘法(Synergyintervalpartialleastsquares，si－PLS)和随机蛙跳(Randomfrog，RF)两种算法进行qP值响应特征参数筛选。其中，si－PLS算法将获取的光谱曲线按照等间隔划分为120个区间，对划分区间进行编号后进行回归分析，选择交叉验证均方根误差(Rootmeansquareerrorofcrossvalidation，RMSECV)最小的区间组合作为特征波长;RF算法与可逆跳跃马尔可夫链蒙特卡洛类似，模拟模型空间中呈稳态分布的马尔可夫链衡量每个变量所占的权重，即被选择的可能性，变量对模型越重要被选中的概率就越大。因此，对所有变量的选择概率进行排序，选择概率较高的变量作为特征变量。本研究设置迭代次数为500，叶绿素荧光参数特征波长选择阈值为0.28。

1.4.3建模与评价方法

采用偏最小二乘回归(Partialleastsquaresregression，PLSR)建立马铃薯叶片叶绿素荧光参数qP检测模型并比较两种筛选算法，采用10倍交叉验证算法确定主成分(Principlecomponents，PCs)个数，以RMSECV为标准选取最优主成分个数。使用建模集决定系数(Determinationcoefficientofcalibrationset，R2c)、建模集均方根误差(Rootmeansquareerrorofcalibration，RMSEC)、验证集决定系数
(Determinationcoefficientofvalidationset，R2v)、验证集均方根误差(Rootmeansquareerrorofvalidation，RMSEV) 评价模型。

上述数据处理利用 Matlab R2016b 软件完成。最后将高光谱图像中每个像素点的反射率代入最优的检测模型中，使用 ENVI5. 1 软件对其进行伪彩色处理即可建立马铃薯叶片 qP 值分布图。

声明：本文所用图片、文字来源《农业机械学报》2020年12月，版权归原作者所有。如涉及作品内容、版权等问题，请与本网联系

相关链接：马铃薯，叶绿素，样本，筛选