第4章 光谱表型分析技术

光谱表型分析技术HUAZHONGAGRICULTURALUNIVERSITY1目录CONTENTS第一节光谱成像原理第二节光谱表型检测参数第三节光谱表型应用案例第四节推荐阅读第五节思考与讨论2一、光谱成像原理光谱成像的产生与组成光谱成像的分类光谱成像的优势与特点RGB图像可以具有很高的空间分辨率，但只能具有有限的光谱分辨率。成像光谱仪包含一个扩展的VIA和数百个窄带波长的系统，能够同时满足空间分辨率和光谱分辨率要求，其基本构造为入射狭缝、色散系统、成像系统和出射狭缝。色散系统又分为棱镜分光系统和衍射光栅分光系统两类。由于棱镜会产生色差，而且光栅的分光性能优于棱镜，光谱仪一般采用光栅进行分光。使用光栅进行分光的光谱仪，狭缝是影响光谱仪分辨率的重要因素，在入射光穿过狭缝后，光栅将辐射源的复色光分离成单色光，并使用CCD进行记录（图4-1）。3图4–1高光谱成像示意图(

a)示意图；(

b)分光图一、光谱成像原理光谱成像的产生与组成光谱成像的分类光谱成像的优势与特点4目前，成像光谱仪主要依靠分辨率作为分类的标准，主要分为以下三类：多光谱成像仪（multispectralimager，MSI）——光谱分辨率约100nm，已广泛应用于遥感方向。高光谱成像仪（hyperspectralimager，HSI）——光谱分辨率为10nm左右，应用于各个领域。超光谱成像仪（ultraspectralimager，USI）——分辨率低于1nm，通常用于精细光谱检测，如大气探测。一、光谱成像原理光谱成像的产生与组成光谱成像的分类光谱成像的优势与特点高光谱成像技术是一种新兴的无损技术，它可以不断获取样本表面的空间和光谱信息，其中的数据可以提供丰富的光谱信息用于识别和区分物质。一个高光谱成像系统包含相机和光谱仪，可获取具有较高空间和光谱分辨率的图像，能够获得更准确、更详细的光谱和空间信息（图4-2）。目前，高光谱成像已被成功应用于精准农业预测中，如描述植物光谱特征、预测干物质质量等。5图4–2水稻多波长下的光谱图像二、光谱表型检测参数作物光谱反射差异下的无损检测技术生物含量预测与病虫害鉴定光谱检测的总结展望6高光谱技术的作用可以检测肉眼不可见的变化，预测某一现象或物质生成，实现有针对性的预防或诱导。具有“非破坏性”，适用于食品和活体动植物的无损检测。无损检测的应用小麦长势监测：通过归一化光谱指数（NDSI）、比值光谱指数（RSI）、简单光谱指数（SSI）和偏最小二乘回归（PLSR），构建综合长势指标（CGI）模型，监测小麦的叶面积、叶绿素、生物量等特性。桉树物种鉴定：通过点光谱（400-2400nm）记录11种桉树的反射率特征，利用一阶导数光谱区分物种。水稻表型生化性状检测：利用高光谱技术加快表型研究，减少操作偏差，可能替代传统的全基因组关联分析（GWAS）。高光谱技术能够提高植物检测精度和速度，推动植物遗传学和物种鉴定等领域的研究。二、光谱表型检测参数作物光谱反射差异下的无损检测技术生物含量预测与病虫害鉴定光谱检测的总结展望7高光谱成像的功能捕捉空间和生物化学信息，用于色素含量、生物量、病虫害和逆境胁迫情况的预测。利用可见光和近红外波段进行叶绿素、类胡萝卜素等色素含量的预测。应用案例叶绿素和色素含量预测：Daughtry等通过作物冠层反射光谱评价冠层叶绿素含量；黄文江等用结构不敏感植被指数（SIPI）反演作物冠层的色素比值；李章成等通过霜冻胁迫的红边位移预测冻害程度。病虫害监测：Wahabzada等利用高光谱成像（HSI）监测大麦对三种叶面病的反应，通过建模跟踪疾病进展。水分状况评估：Lzzo等使用小型无人机系统获取葡萄高光谱图像，通过偏最小二乘回归（PLSR）模型评估葡萄水分状况。分类应用作物与杂草分类：刘波等利用地面高光谱成像系统和统计方法进行胡萝卜与杂草的分类，评估所需的光谱带数量。二、光谱表型检测参数作物光谱反射差异下的无损检测技术生物含量预测与病虫害鉴定光谱检测的总结展望8高光谱成像的优势：结合空间和光谱信息，实现植物性状的快速无损评估。可在可见光（VIS）区域分析色素信息，在近红外（NIR）区域分析水、淀粉、蛋白质等生化成分。机器学习与深度学习的应用：高光谱数据为机器学习和深度学习提供了丰富的数据源，需提升从复杂数据中获得有意义的解读能力。广泛的农业应用：高光谱技术可用于作物长势监测、估产、营养诊断、施肥、农产品质量和安全检测等。研究方法：主要通过高光谱或其数学变换与传统生理生化指标的相关性研究，以及构建线性回归、PLS、PCA、ANN等模型进行检测与分类。未来研究方向：需解决提高预测模型精度、降低数据冗余、提升检测速度、优化特征波段选择等问题，未来高光谱技术将更加多样化，并成为常用研究手段。三、光谱表型应用案例胁迫与病虫害方面的应用表型检测与预测生物量中的应用在GWAS分析中的应用9图4–3不同氮胁迫下的多光谱图像(

a)

1为氮胁迫图，2为非氮胁迫；(

b)在严重氮胁迫（ss）、轻度氮胁迫（ms）和最佳氮供(

c)条件下生长的玉米植株光谱成像已被广泛应用于作物种植面积和长势监测、作物生理状态监测、产量预测和土壤墒情监测的研究，高光谱遥感成像技术是未来无人机遥感解析植物表型研究的趋势。Zaman‑Allah等（2015）提出了一种配备传感器的多光谱成像的无人机表型平台，利用多光谱航空图像对土壤的氮含量测量，能够有效地表征低氮胁迫下的作物（图4-3）。作物衰老可用于间接评估一种基因型在缺氮条件下维持较高植物光合作用的能力，已知氮胁迫会导致过早衰老，如图4-4所示。图4–4

无人机光谱成像评估作物衰老指数(

a)从UAP拍摄的多光谱图像中提取的不同施氮率和作物衰老指数的关；(

b)作物衰老指数与UAP光谱成像和NDVI的相关性三、光谱表型应用案例胁迫与病虫害方面的应用表型检测与预测生物量中的应用在GWAS分析中的应用10表

4–1

不同类型病虫害症状表征及其光谱响应作物病虫害问题是影响农作物品质、产量及威胁粮食安全的主要因素，仅依靠传统的人工监测已不能满足当下农业生产精准高效的需求。高光谱遥感作为能够获取地表物体连续波谱信息的遥感技术，已经成为当下作物病虫害监测识别的重要手段，不同类型病虫害症状表征及其光谱响应如表4-1所示。三、光谱表型应用案例胁迫与病虫害方面的应用表型检测与预测生物量中的应用在GWAS分析中的应用11冯慧等（2015）提出一种基于高光谱成像和主成分分析的水稻茎叶分割，使用可见光-近红外高光谱成像系统自动区分单株盆栽水稻茎叶的方法，具体流程如图4-5所示。图4–5

系统运行总流程图图4–6单株水稻全波段图像主成分分析的前四个主成分(

a)第一主成分F1；(

b)第一主成分F2；(

c)第一主成分F3；(

d)第一主成分F4选取主成分，从图4-6可以看出，第一主成分F1和第四主成分F4对水稻的整体和外轮廓比较敏感，适用于将水稻从背景中分割出来；第二主成分F2对茎叶之间的差别比较敏感，用于分割茎叶；而第三主成分F3对水稻黄色部分比较敏感，用于提取RGB中的黄色部分。图4-7为分割后的结果，此方法不会错分黄色茎叶，能满足目前表型组学对分割茎叶的需求，为后续水稻茎叶表型性状高通量、数字化、无损准确提取提供了重要的技术保障。图4–7盆茎叶分割效果图(

a)(

b)(

c)分别表示不同盆的茎叶分割效果图，每系列图的左边第一幅为单株水稻合成伪彩图，中间第二幅为分割茎秆图，右边第三幅为除去茎秆图三、光谱表型应用案例12图4–8

无损测量色素含量装置(

a)顶视高光谱成像系统；(

b)侧视高光谱成像系统针对水稻叶片色素含量进行研究，冯慧通过搭建一套无损测量色素含量的系统，并将该系统集成到H-SMART系统中，实现自动控制，且可依据不同的成像规格设置不同的参数，以期望在规定时间内采集到信噪比更高的数据，装置如图4-8所示。图4–9高光谱指数色素模型建立(

a)技术方案流程图；(

b)GWAS含叶绿素位点的光谱变量分布情况本研究的流程如图4-9a所示，图4-9b则显示了GWAS含叶绿素位点的光谱变量分布情况，该研究为水稻植株全生育期叶绿素含量的检测打下了坚实的基础，对水稻功能基因组学的发展也有一定的促进作用。胁迫与病虫害方面的应用表型检测与预测生物量中的应用在GWAS分析中的应用三、光谱表型应用案例胁迫与病虫害方面的应用表型检测与预测生物量中的应用在GWAS分析中的应用13干旱威胁着世界的粮食供应，因此解剖植物对干旱的动态反应将有助于培育耐旱作物，而全基因组关联分析（GWAS）已广泛应用于作物各种农艺性状的遗传解剖。伍玺等（2021）开发了一个高通量多光学表型系统（图4-10），结合高通量多重光学表型和GWAS来解剖复杂性状与克隆耐旱相关基因的遗传结构，基于高光谱、微型CT、RGB多光学成像技术对368份玉米自然群体材料在多个生长时期、正常浇水和干旱胁迫下的玉米表型进行连续无损检测。图4–10结合表型组和全基因组关联分析揭示玉米抗旱遗传机(

a)高通量作物表型平台及实验设计；(

b)高光谱、微型CT、RGB图像分析及图像性状提取；(

c)干旱胁迫相关图像性状筛选和侯选基因挖掘三、光谱表型应用案例胁迫与病虫害方面的应用表型检测与预测生物量中的应用在GWAS分析中的应用14通过多光学图像批处理程序分析并提取图像性状（image-basedtraits，i-traits），最终筛选获得10080个与干旱胁迫相关的图像。对干旱胁迫响应相关图像性状进行分析，筛选到15个图像性状，并且能够很好地预测玉米存活率（图4-11），且这15个图像性状和已知光谱指数（红谷、绿峰、绿谷、红边等）具有较高相关性，预示着它们在玉米的抗旱育种改良中可能具有重要的应用价值，可作为潜在的干旱胁迫响应相关生物标记。图4–11候选基因和图像性状预测玉米存活率(

a)利用全基因组选择模型对玉米存活率进行预测；(

b)利用15个图像性状预测玉米存活率；(

c)-(

f)15个图像性状预测4个光谱指数结合全基因组关联分析鉴定到2318个与干旱胁迫相关的候选基因，其中许多与先前报道的玉米干旱响应性QTLs共定位。通过进一步从候选基因中筛选，确定了2个未知抗旱功能的基因ZmcPGM2（参与糖代谢）和ZmFAB1A（参与磷酸肌醇代谢），基于突变体的研究表明ZmcPGM2

和ZmFAB1A

能够调控相应表型并负调控玉米抗旱。四、推荐阅读PuneetMishra，MohdShahrimie，MohdAsaari，etal.Closerangehyperspectralimagingofplants：areview［J］.BiosystemsEngineering，2017，164：49-67.本文介绍了植物近距离高光谱成像的一些基本概念，包括植物-光相互作用、仪器设置和光谱数据分析。同时，介绍了高光谱成像技术在环境受控和自然条件下进行植物相关研究的最新进展，讨论了其在叶性状含量估算、品种鉴定、生长监测、胁迫与疾病相关研究及高通量表型分析中的应用。SinghAK，GanapathysubramanianB，SarkarS，etal.Deeplearningforplantstressphenotyping：trendsandfutureperspectives［J］.TrendsinPlantSci