高(gao)光譜(pu)技(ji)術(shu)在(zai)植物表(biao)型研究中(zhong)的(de)應(ying)用（1）

植物學(xue)研究(jiu)領(ling)域(yu)，我們(men)掌(zhang)握(wo)基因組(zu)的能(neng)力(li)已(yi)遠(yuan)超(chao)測(ce)量(liang)其(qi)對表(biao)型影(ying)響(xiang)的能(neng)力(li)。為(wei)應(ying)對這(zhe)個不平衡(heng)的(de)現(xian)狀，近(jin)年(nian)來(lai)對植物表(biao)型研究的(de)投入漸(jian)多，光(guang)學(xue)測量(liang)方法(fa)因其(qi)速度(du)快、無損傷、可(ke)長期(qi)追(zhui)蹤監測(ce)等優(you)勢而發展(zhan)迅(xun)速，其(qi)中(zhong)HSI（高(gao)光譜(pu)成(cheng)像）：可(ke)適應實(shi)驗(yan)室(shi)、溫室(shi)、野外(wai)各種場(chang)景；可(ke)應(ying)用於(yu)細胞(bao)、葉(ye)片(pian)、冠層、遙感各種尺度(du)；可實(shi)現(xian)便(bian)攜(xie)、實(shi)驗(yan)室(shi)靜(jing)態系(xi)統、拖(tuo)拉(la)機(ji)和(he)越野車、無人(ren)機、船、衛星(xing)各種搭載(zai)方案。因此(ci)高(gao)光譜(pu)技(ji)術(shu)在(zai)植物表(biao)型測量、實(shi)現(xian)作物優(you)化管(guan)理(li)領(ling)域(yu)應用廣(guang)泛(fan)。澳(ao)大(da)利(li)亞(ya)拉(la)籌(chou)伯大學(xue)的Rijad Sarić等(deng)學(xue)者同(tong)國(guo)際植物表(biao)型設備(bei)廠(chang)商捷(jie)克(ke)PSI公司的(de)CEO Martin Trtilek博(bo)士(shi)，於2021年(nian)1月在(zai)Trends in Plant Science雜(za)誌(zhi)共同(tong)發表(biao)綜述，全面(mian)介(jie)紹了高(gao)光譜(pu)技(ji)術(shu)在(zai)植物表(biao)型測量應(ying)用中(zhong)的(de)原理(li)、技(ji)術(shu)和(he)應(ying)用現(xian)狀：HSI測(ce)量夠得(de)到植物的(de)葉(ye)綠(lv)素(su)、葉(ye)黃素、類胡蘿(luo)蔔(bu)素(su)、花(hua)青素(su)、氮(dan)、水(shui)分(fen)、磷(lin)、纖維(wei)素、蛋白質、礦物質(zhi)、酚類等(deng)代謝(xie)物狀況信(xin)息；植物組(zu)織(zhi)的細胞(bao)結構(gou)、角(jiao)質層厚(hou)度、細胞(bao)垛疊方式(shi)等(deng)導(dao)致的表(biao)面(mian)紋(wen)理(li)特(te)性(xing)的變(bian)化信(xin)息；植物冠層結(jie)構和(he)形(xing)態信(xin)息等(deng)；可(ke)應用於(yu)植物生(sheng)理(li)生(sheng)化研究(jiu)、種子(zi)活(huo)力(li)評估(gu)、光(guang)合(he)及(ji)呼(hu)吸(xi)、根系(xi)表(biao)型、病(bing)蟲(chong)害和(he)非(fei)生(sheng)物脅迫(po)研(yan)究(jiu)、產量預測(ce)和(he)農(nong)產品質(zhi)量(liang)檢(jian)測等植物表(biao)型研究及(ji)應用領(ling)域。

以(yi)下為(wei)利(li)用手(shou)持(chi)式(shi)高(gao)光譜(pu)儀及高(gao)光譜(pu)成(cheng)像技(ji)術(shu)研(yan)究(jiu)作物表(biao)型的應用案例(li)，謹供參考(kao)，歡迎垂詢(xun)

1.VIS-NIR波(bo)段高(gao)光譜(pu)技(ji)術(shu)應(ying)用於(yu)水稻(dao)含(han)磷(lin)狀況評估(gu)和(he)全(quan)基因組(zu)關聯分(fen)析(xi)

磷(lin)是植物重(zhong)要(yao)的宏(hong)量(liang)營養元素(su)，缺(que)磷(lin)會立刻影(ying)響(xiang)電子(zi)傳(chuan)遞(di)和(he)CO₂同(tong)化（Carstensen A，2018），從而影(ying)響(xiang)作物的(de)生(sheng)長發育和(he)產(chan)量。缺磷(lin)植物葉(ye)片(pian)會(hui)表(biao)現(xian)出缺綠(lv)或者(zhe)萎黃，高(gao)光譜(pu)特(te)性隨之(zhi)改變(bian)。泰(tai)國(guo)朱(zhu)拉(la)隆(long)功大學(xue)的Sompop Pinit等(deng)人測定(ding)172種水培(pei)小麥在(zai)3種P濃(nong)度（過量(liang)P100、輕(qing)度缺乏P5、重(zhong)度缺乏P0.25）情(qing)況下(xia)的(de)葉(ye)片(pian)無(wu)機P含(han)量；並使(shi)用手(shou)持(chi)式(shi)高(gao)光譜(pu)測(ce)量儀PolyPen RP400測(ce)量其相(xiang)應(ying)的反(fan)射光譜(pu)，選(xuan)用720-790 nm近(jin)紅(hong)外(wai)波(bo)段(duan)、綠(lv)-黃波段(duan)和(he)紅(hong)邊(bian)波(bo)段(duan)進行指(zhi)數(shu)計算，得(de)到的P缺(que)乏程(cheng)度(du)估(gu)算(suan)的(de)準確性可達(da)85.6%，該(gai)方法(fa)和(he)全(quan)波段光譜(pu)的(de)神(shen)經(jing)網絡模型預測(ce)準確性相近(jin)。同(tong)時研(yan)究(jiu)者應用217個反(fan)射指(zhi)數(shu)進(jin)行(xing)113114個SNPs的(de)全基因組(zu)關聯研(yan)究(jiu)，識別到11個與光譜(pu)反(fan)射特征(zheng)相關的位(wei)點(dian)，其(qi)中(zhong)壹(yi)些(xie)與葉(ye)片(pian)P含(han)量相關。研究(jiu)認(ren)為(wei)，高(gao)光譜(pu)測(ce)量是估(gu)算(suan)植物含(han)P狀態和(he)篩選(xuan)可高(gao)效(xiao)利(li)用P品種的可(ke)靠(kao)方法(fa)。

2.VIS-NIR波(bo)段HSI技(ji)術(shu)應(ying)用於(yu)煙草花葉(ye)病(bing)毒感染(ran)早期(qi)識別與(yu)定(ding)量分(fen)級(ji)

病(bing)害可導致植物組(zu)織(zhi)化學(xue)成分(fen)的(de)變(bian)化，據(ju)此，Del Fiore等(deng)人應用HSI方式(shi)快(kuai)速識別玉(yu)米產毒真菌的感染；Mahlei等(deng)人應用HSI技(ji)術(shu)區(qu)分(fen)3種甜菜病(bing)害（葉(ye)斑病(bing)、白粉病(bing)、葉(ye)銹病(bing)）等。同(tong)時，病(bing)害也會引(yin)起(qi)植物組(zu)織(zhi)呼(hu)吸(xi)速率(lv)、形(xing)態、葉(ye)色、細胞(bao)結構(gou)、作物密(mi)度等(deng)物理(li)性(xing)狀的變(bian)化，HSI同(tong)樣(yang)可作為(wei)有(you)效(xiao)的(de)識別工(gong)具(ju)。浙(zhe)江(jiang)大學(xue)Hongyan Zhu等(deng)人(2017)應(ying)用450-1000nm 波(bo)段範圍(wei)HSI技(ji)術(shu)，應(ying)用煙(yan)草花葉(ye)病(bing)毒感染(ran)性(xing)狀對應的(de)特(te)征波段(duan)，結(jie)合(he)其(qi)灰(hui)度共生(sheng)矩(ju)陣(zhen)提(ti)取的煙(yan)草葉(ye)片(pian)紋(wen)理(li)特(te)征(zheng)建立機(ji)器學(xue)習模型，對感染(ran)病(bing)毒48小(xiao)時煙(yan)草葉(ye)片(pian)識別準確度達(da)90%，健(jian)康(kang)葉(ye)片(pian)達(da)100%，實(shi)現(xian)了(le)病(bing)害早期(qi)檢(jian)測及程度(du)量(liang)化分(fen)級(ji)。

北(bei)京(jing)易(yi)科泰生(sheng)態(tai)技(ji)術(shu)有(you)限(xian)公司提(ti)供全面(mian)精(jing)準表(biao)型高(gao)光譜(pu)測(ce)量方案：

參(can)考文(wen)獻(xian)：

[1] Zhu, H et al. (2017) Hyperspectral imaging for presymptomatic detection of tobacco disease with successive projections algorithm and machine-learning classifiers. Sci. Rep 7,412

[2] El- Hendawy, S.E . et al. (2019) Evaluat ion of wavelengths High-through output accessment of growth, water relations and ion contents of wheat irrigated with saline water. Agric. Water Manag. 212, 358– 377

[3] Rijad Sarić et al. (2021) Applications of hyperspectral imaging in plant phenotyping. Trends in Plant Science, TRPLSC 2236 No. of Pages 15