馬鈴薯是马铃我國第 4 大主糧作物，其地下塊莖的薯叶生長發育與地上部植株光合作用密切相關，生育期存在“葉片光合營養製造 － 根莖營養消耗 － 塊莖營養積累”三者相互促進與製約的片光複雜生理生化關係。基於光係統Ⅱ( PhotosystemⅡ，化学PSⅡ) 的吸收最大光能轉化效率( Maximum photochemical efficiency， Fv /Fm) 、反射分析光化學猝滅係數( Photochemical quenching coefficient，光谱关联qP ) 、及检非光化學猝滅係數 ( Non- photochemical quenching coefficient，马铃qN) 等葉綠素熒光參數反映葉片對光能的薯叶吸收與轉化、能量的片光傳遞與分配以及反應中心狀態，是化学指示植物光合作用能力與生命活力的“內在性”探針。因而，吸收快速無損地檢測植物葉綠素熒光參數是反射分析當前研究的熱點，也是光谱关联馬鈴薯作物光合作用能力評價、逆境生理響應等研究的基礎。
依據植物吸收短波長光發射熒光的 PSⅡ檢測機理，封閉式葉綠素熒光成像測量需對采樣葉片進行暗適應，施加飽和脈衝光、測量光和光化光以準確探測作物熒光參數。而長時間的暗處理、複雜的光學探測過程限製了該方法在大田環境中的應用與高通量測試效率。由於葉綠素強吸收藍光和紅光、強反射綠光這一特性，可見光 － 近紅外( 382~1 019 nm) 反射光譜因采集方式簡單和測試效率高，被廣泛用於葉綠素含量診斷，並間接地反映作物潛在的光合作用能力。實際上，植物吸收的光和有效輻射主要用於光合作用，其餘以熱能的形式耗散或者以發射葉綠素熒光信號的方式釋放，其中發射的葉綠素熒光“微弱”信號在650~800 nm 的紅光及紅邊區域與植物反射光譜相疊加。因此，基於冠層反射光譜觀測葉綠素熒光微弱信號響應，並解析植物 PSⅡ葉綠素熒光參數是進行大田作物光合能力高通量檢測的重要方向。
針對 PSⅡ葉綠素熒光參數檢測，學者關注於冠層反射光譜信號與作物光合能力的關聯響應以及熒光信號的提取，針對小麥和玉米等作物~相關研究開展了敏感反射波段、植被指數和紅邊位置參數的篩選與估算建模。ZARCO-TEJADA 等分析複葉槭冠層光譜導數反射率，發現植物熒光發射的 690~710 nm 反射光譜區出現了雙峰紅邊效應，表明高光譜數據能夠探測葉綠素熒光。朱豔等發現小麥頂部 2 片葉片的葉綠素熒光參數與 520~680 nm 和 750~850 nm 區域的光譜反射率以及由 550 nm 和 750 nm 構成的差值植被指數( Difference vegetation index，DVI) 等呈穩定的相關關係。仇亞紅等［20］證 明 Fv /Fm、qP、實際光化學效率( ΦPSⅡ) 等熒光參數與玉米高光譜數據相關性在 -0. 5 左右，紅邊位置參數( 700 nm) 是表示光合作用強弱的敏感波段。
JIA 等用曲率指數( Curvature index，CUR) 、葉綠素導數指數 D705 /D722、紅邊位置參數對小麥單葉尺度和冠層尺度的 Fv /Fm 進行檢測。這些研究表明，利用冠層反射光譜數據評價作物光合作用能力具有可行性，同時指出解析反射光與 PSⅡ探針關聯，明確關聯特征波長與植被指數是檢測作物葉綠
素熒光參數的關鍵。當前，針對馬鈴薯這一高光合作物葉綠素熒光參數的檢測還有待深入開展。因此，為評價馬鈴薯作物的光化學吸收活性，圍繞表征捕獲光能用於光化學反應份額的 qP 參數，開展基於反射高光譜
馬鈴薯葉片 qP 值檢測研究，解析與馬鈴薯葉片光化學吸收緊密關聯的特征波長，建立 qP 值檢測模型與可視化分布圖，為馬鈴薯作物光合活性評價及複雜生理生化動態監測提供支持。
1 材料與方法
1. 1 試驗及數據處理流程
2019 年 10 月，在中國農業大學信息與電氣工程學院溫室培育馬鈴薯植株，試驗研究的馬鈴薯品種為大西洋。在馬鈴薯盛花期進行采樣，該生育期馬鈴薯冠層莖葉生長達到頂峰，同時也是地下塊莖膨大的重要時期。試驗中隨機采集 50 片葉片，裝入密封袋帶回實驗室測試數據並分析。
總體試驗及數據處理流程如圖 1 所示，采集數據包括: 馬鈴薯葉片高光譜圖像信息、葉綠素熒光參數; 數據分析包括:樣本集劃分、qP 值與反射光譜關聯分析、特征波長篩選、診斷建模以及建立可視化分布圖。
1. 2 馬鈴薯葉片高光譜圖像信息采集
采用 Gaia 型高光譜成像係統( 四川雙利合譜科技有限公司) 采集高光譜圖像信息，光譜範圍 388~1 026 nm，分辨率為 2. 8 nm。為消除光照不均勻及攝像頭存在暗電流等因素的影響，對原始高光譜圖像反射率進行黑白校正，校正後光譜圖像反射率計算公式為
用軟件ENVI5.1選取10像素×10像素矩形為感興趣區域(Region of interest，RoI)，提取樣本的光譜數據為RoI反射光譜的平均值。
1.3馬鈴薯葉片熒光參數測定
使用FluorCam封閉式葉綠素熒光成像係統(北京易科泰生態技術有限公司)測量葉綠素熒光參數，係統由測量光光源(610～620nm，紅光)、光化學光光源(610～620nm，紅光;470～480nm，藍光)、飽和光光源(470～480nm，藍光)、隔板、計算機及控製軟件等部件組成。采集時將進行暗處理30min的馬鈴薯葉片平放在暗適應操作箱內的隔板上，控製係統通過USB與計算機相連，並通過FluorCam7軟件控製和采集分析數據。在Protocols窗口設置激發光源強度以及持續時間，本文使用MenuWizard中的QuenchingAct1模式;在Pre-processing窗口進行數據加載和感興趣區域的選擇，本研究選取10像素×10像素的矩形區域為RoI，可以得到選擇區域的熒光動力曲線;在Result窗口可以得到qP值，最終獲得200個區域的qP值。
1.4數據處理方法
1.4.1樣本集劃分
采用SPXY(SamplesetpartitioningbasedonjointX－Ydistance)算法劃分建模集和驗證集，樣品間距離計算時同時考慮光譜數據和待分析變量，計算公式為
具體劃分步驟如下:
(1)計算樣本數據之間的距離，距離最大的兩個樣本作為最初被選定的樣本。
(2)計算剩餘樣本與被選樣本之間的距離，對於每個剩餘樣本，與起始樣本間的最短距離被選中。
(3)在每個剩餘樣本的最短距離中選擇最長距離所對應的樣本，作為下一個被選擇的樣本，以此類推，直至所選樣本數目達到設定個數。
1.4.2變量篩選
采用相關性分析法(Correlationanalysis，CA)分析葉片光化學吸收與反射光譜之間的關聯關係，並應用聯合區間偏最小二乘法(Synergyintervalpartialleastsquares，si－PLS)和隨機蛙跳(Randomfrog，RF)兩種算法進行qP值響應特征參數篩選。其中，si－PLS算法將獲取的光譜曲線按照等間隔劃分為120個區間，對劃分區間進行編號後進行回歸分析，選擇交叉驗證均方根誤差(Rootmeansquareerrorofcrossvalidation，RMSECV)最小的區間組合作為特征波長;RF算法與可逆跳躍馬爾可夫鏈蒙特卡洛類似，模擬模型空間中呈穩態分布的馬爾可夫鏈衡量每個變量所占的權重，即被選擇的可能性，變量對模型越重要被選中的概率就越大。因此，對所有變量的選擇概率進行排序，選擇概率較高的變量作為特征變量。本研究設置迭代次數為500，葉綠素熒光參數特征波長選擇閾值為0.28。
1.4.3建模與評價方法
采用偏最小二乘回歸(Partialleastsquaresregression，PLSR)建立馬鈴薯葉片葉綠素熒光參數qP檢測模型並比較兩種篩選算法，采用10倍交叉驗證算法確定主成分(Principlecomponents，PCs)個數，以RMSECV為標準選取最優主成分個數。使用建模集決定係數(Determinationcoefficientofcalibrationset，R2c)、建模集均方根誤差(Rootmeansquareerrorofcalibration，RMSEC)、驗證集決定係數
(Determinationcoefficientofvalidationset，R2v)、驗證集均方根誤差(Rootmeansquareerrorofvalidation，RMSEV) 評價模型。
上述數據處理利用 Matlab R2016b 軟件完成。最後將高光譜圖像中每個像素點的反射率代入最優的檢測模型中，使用 ENVI5. 1 軟件對其進行偽彩色處理即可建立馬鈴薯葉片 qP 值分布圖。
聲明：本文所用圖片、文字來源《農業機械學報》2020年12月，版權歸原作者所有。如涉及作品內容、版權等問題，請與本網聯係
相關鏈接：馬鈴薯，葉綠素，樣本，篩選
