利用表型特征预测四种植物的叶片双向反射分布函数（BRDF）：开发一种新型的测量与分析框架

《Plant Phenomics》：Leaf Bidirectional Reflectance Distribution Function (BRDF) Prediction with Phenotypic Traits in Four Species: Development of a Novel Measuring and Analyzing Framework

智能冠层设计与光能利用优化

　　植物冠层的光强和光谱分布对于理解优化冠层结构对光能利用效率的影响具有重要意义。通过建立一个三维冠层模型，可以模拟特定冠层结构下的光分布，从而为设计更高效的冠层结构提供支持。叶光学特性是这类冠层光合作用模型的关键参数，这些参数能够准确预测冠层微气候，从而提高光合效率。在本研究中，我们开发了一种基于叶解剖特征估计叶光学特性的策略。我们设计了一种方向光谱检测系统（Directional Spectrum Detection Instrument, DSDI）和相关的双向反射分布函数（Bidirectional Reflectance Distribution Function, BRDF）分析软件，以精确描述叶面光分布。对于玉米、水稻、棉花和白杨树的叶面（包括叶的正面和背面）在冠层不同层位的BRDF参数，通过高精度测量获得了精确的量化结果。同时，还评估了叶的表型特征、表面粗糙度、色素含量、单位叶重和厚度等。通过集成学习（Ensemble Learning, EL）模型，基于表型特征对叶光学特性进行了预测，其预测性能表现出色，R2值介于0.83到0.99之间。与现有的BRDF测量系统相比，DSDI通过机械旋转设计实现了更宽的角域覆盖（-π/36到35π/36），而集成学习模型建立了BRDF参数与叶表型特征之间的直接预测关系。这项工作提出了一种新的方法，用于量化叶光学特性，并提供了预测叶光学特性的模型，从而支持冠层光分布预测，进而支持设计具有更高光合效率的冠层结构。

冠层光合作用是所有地上组织光合作用的总和，与生物量积累密切相关。提高冠层结构以实现更优的冠层结构是提高作物光能利用效率的主要育种目标。冠层结构主要决定了冠层内太阳能的吸收和分布，并控制光能的利用以实现更高的冠层光合速率。光强和光谱信号（如红光/远红光比）调节植物形态，这也影响冠层光合作用。在更高的种植密度下优化植物结构已成为作物育种和栽培中的广泛实践，从而提高作物产量。例如，水稻的“理想型”包括直立上层叶片和适中的分蘖数，已被广泛应用于育种。玉米的“智能”冠层结构，其上层叶片具有较小的叶角，而下层叶片具有较大的叶角，适用于高种植密度，这是过去几十年玉米产量的主要贡献者。类似地，在大豆中，具有紧凑结构和较窄叶片的植物适应高密度种植以提高产量。其他作物，如小麦和棉花，也广泛优化了植物结构特征，包括植株高度和叶片角度。

尽管在这些领域取得了成功，但设计和优化冠层结构仍然是当前作物育种的主要目标之一。研究植物结构特征背后的遗传机制也是当前植物生物学研究领域的重要研究方向。通过构建三维冠层光合作用模型，可以研究最优植物结构。三维冠层模型可以基于数学模型，该模型使用植物结构参数进行参数化，或者基于三维植物表型平台直接获取的数据，如多视角立体成像和激光雷达。准确表征冠层内的光分布对于设计理想的冠层结构以提高冠层光合效率至关重要。光线追踪算法已被用于有效模拟光线到达叶面后被吸收、传输和反射的情况。传输和反射光的空间分布模式，由叶光学特性决定，对于使用光线追踪算法准确预测冠层内的光环境具有重要意义。

叶主要吸收可见光波长范围400-700纳米之间的光。蓝光的吸收系数通常高于0.9，绿光的吸收系数通常高于0.7。色素含量对吸收系数有重要影响。叶吸收的红外光波长范围700-1000纳米较少。反射红外光的空间分布模式比可见光更均匀。叶表面粗糙度和色素含量显著影响反射光的分布。叶表面粗糙度因植物种类而异，例如水稻叶的粗糙度较高，而棉花叶的粗糙度较低。入射角也会影响反射光的分布。叶角同样影响冠层内的光分布。叶的正面和背面由于叶横截面的细胞解剖结构和叶内叶绿素的分布差异，表现出不同的光学特性。

尽管近年来在三维冠层建模和智能育种方面取得了进展，强调了叶光学特性在调节冠层光合作用中的关键作用，但这些参数的实际评估仍面临挑战。现有的冠层光合作用模型通常结合辐射传输，但通常假设所有叶片具有相同的光学特性，忽略了环境条件和发育阶段引起的变异，这降低了冠层光合作用模型在机制研究和育种应用中的预测能力。光学仪器可以直接测量叶的反射率和透射率，但这些测量方法在大规模表型分析中较为缓慢且不实用。这一限制阻碍了将叶级光学多样性整合到大规模表型分析和冠层光合作用建模中。相比之下，从可测量的生化和结构特性预测光学参数提供了一种快速的替代方法，用于表征叶光学多样性并改进冠层光合作用模型的参数化。由于解剖结构和色素组成从根本上决定了叶的散射和吸收特性，建立这些特性与光学参数之间的定量关系，为跨物种和冠层位置的叶光学行为估计提供了一种可扩展且高效的方法。

反射光和传输光的空间分布可以通过双向反射分布函数（BRDF）进行描述，其中包括粗糙度、漫反射系数和折射率等参数。已经开发了多种专门设备来采样叶的双向和光谱反射率，并利用BRDF解释叶反射率的光谱和方向变化。其中，粗糙度主要受表皮微形态和表面不规则性的影响；漫反射系数依赖于叶肉散射，与叶厚度和内部空间有关；折射率则受到生化成分的影响。因此，BRDF参数本质上与叶解剖、色素组成和生理特性相关。从叶解剖和生理特性预测BRDF参数可能是一种潜在的高效方法。然而，BRDF参数与这些叶特性之间的定量关系仍不明确，目前还没有直接从叶解剖和生理数据估计BRDF参数的预测模型。

为了解决这一问题，我们提出了一种可扩展的、基于表型的策略，以从可测量的解剖和生化特性中量化叶光学特性。我们开发了一种方向光谱检测系统（DSDI），该系统能够高效测量不同光照和观察角度下的叶双向反射分布函数（BRDF）。BRDF模型使用粗糙度、漫反射系数和折射率等参数进行参数化，这些参数将物理表面散射和内部吸收过程与可测量的叶特性联系起来。此外，我们建立了一个集成学习（EL）框架，以基于叶表型特征预测BRDF参数，如厚度、单位叶重、色素含量和表面粗糙度。这种将光学测量、建模和数据驱动预测相结合的方法，为光学特性的计算表型提供了新的途径，有助于冠层光合作用模型的参数化。

为了评估不同物种和冠层层对叶表型特征的影响，我们使用R软件（版本4.5.1；R Core Team, 2023）进行了双因素方差分析（ANOVA）。分析使用了car包进行Type III求和方差的ANOVA，并通过emmeans和rstatix包进行了事后多重比较。在Excel（Microsoft Corporation, Redmond, WA, USA, 版本365）中进行了独立t检验以进行组间比较。BRDF参数拟合在MATLAB（MathWorks Inc., Natick, MA, USA, 版本2024b）中进行，确保了参数估计的高精度。此外，还使用Python（版本3.8；Python Software Foundation）开发了一个集成学习模型，使用scikit-learn库进行模型开发。模型性能通过交叉验证和使用决定系数和均方误差等指标进行评估，以验证预测的准确性。

在本研究中，我们设计了一种用于测量叶反射光谱空间分布的三维冠层光合作用模型。该模型基于光线追踪算法，用于模拟光线到达叶面后的吸收、传输和反射情况。通过将BRDF参数纳入光线追踪软件，我们对玉米冠层进行了光线追踪模拟。模拟关注叶散射的光合光子通量密度（PPFD）分布，因为BRDF参数主要调节叶面的散射行为，而不是大气直接或漫射光。我们发现，当漫反射系数在0.01和0.35之间变化，而保持叶粗糙度为0.3和折射率为1时，叶散射的PPFD在冠层不同层位表现出显著差异。上层冠层在漫反射系数为0.35时，表现出较高的散射PPFD，而下层冠层在漫反射系数为0.01时，散射PPFD较低。这表明较低的漫反射系数会导致冠层内更均匀的散射光分布。进一步的模拟显示，所有三个参数对冠层级辐射模式有显著影响（图S9–S13）。这些结果强调了准确的BRDF参数化对于模拟冠层辐射传输和光合作用的重要性。

我们选择了包括两个单子叶植物（玉米、水稻）和两个双子叶植物（棉花、白杨树）在内的四个物种，用于研究叶光学特性与叶解剖和生理特性之间的关系。由于冠层内叶片适应于异质光环境，我们对这些植物冠层上层和下层的叶片进行了测量。测量了叶的厚度（T）、单位叶重（SLW）、叶绿素a（Chl a）、叶绿素b（Chl b）和类胡萝卜素含量（Carotenoid content）等表型特征。双因素方差分析显示，物种和冠层层对T和SLW有显著影响（P < 0.001），但对叶绿素a、叶绿素b和类胡萝卜素含量的影响不显著。对于叶绿素a/b比值、叶绿素a和叶绿素b含量，检测到了显著的物种和层位交互作用，表明色素相关特征对冠层位置表现出物种依赖性。

在研究中，我们还使用了DSDI系统测量了四个物种的叶反射光谱空间分布。通过DSDI系统，我们测量了叶的双向反射分布函数（BRDF）参数。我们发现，不同物种的叶在反射光分布上表现出显著差异。例如，白杨树的反射光分布呈现出明显的镜面反射峰，而水稻和棉花的反射光分布较为均匀。这表明，水稻和棉花的叶面结构和生化特性可能影响了其反射特性，导致反射光分布的差异。此外，不同物种的叶在冠层不同层位的反射特性也有显著差异。叶表面粗糙度和色素含量显著影响反射光的分布，这些因素在不同物种和冠层层位表现出不同的特征。通过结合光学测量、建模和数据驱动预测，我们建立了新的路径，用于光学特性计算表型，从而支持冠层光合作用模型的参数化。

本研究的实验设计和方法论为理解和预测叶光学特性提供了重要的基础。我们开发了一种基于可测量的解剖和生化特性预测叶光学特性的集成学习模型。该模型利用了270个数据条目，并结合了支持向量回归（SVR）、随机森林回归（RFR）和梯度提升回归树（GBRT）作为基础学习器，使用线性回归（LR）作为元学习器（如图1I所示）。我们选择了九种表型特征作为输入变量，包括叶厚（T）、单位叶重（SLW）、叶绿素a、叶绿素b、类胡萝卜素含量、总叶绿素含量、叶绿素a/b比值、叶表面粗糙度和光谱波长。这些特征共同描述了决定叶光学行为的生化、生理和结构特性，从而为BRDF参数的预测提供了依据。

在研究中，我们还通过光线追踪模拟分析了BRDF参数对冠层散射的影响。模拟结果显示，不同BRDF参数对冠层内光分布的影响具有显著差异。例如，当漫反射系数从0.01增加到0.35时，冠层上层的散射PPFD显著增加，而下层的散射PPFD则显著减少。这表明，较低的漫反射系数会导致冠层内更均匀的散射光分布。进一步的模拟显示，所有三个参数对冠层级辐射模式有显著影响（图S9–S13）。这些结果强调了准确的BRDF参数化对于模拟冠层辐射传输和光合作用的重要性。

通过结合光学仪器（DSDI）、基于物理的建模（BRDF）和数据驱动的分析（EL）方法，本研究引入了一个整合框架，用于从叶的解剖和生化特性中量化和预测叶光学特性。与传统的光学方法相比，该方法不仅能够快速测量叶的反射率和透射率，还能通过表型驱动的可扩展过程实现光学特性的量化。DSDI系统能够精确测量多个角度的叶双向反射分布函数（BRDF），而建立的BRDF参数（粗糙度、漫反射系数和折射率）能够捕捉叶光学多样性在物种和冠层层位上的关键变化。此外，集成学习模型在预测叶光学特性方面表现出色，其预测精度高（R2为0.83至0.99），这表明叶的结构和生化特性能够可靠地预测光学行为。光线追踪模拟进一步验证了BRDF参数对冠层光分布的显著影响，强调了其在参数化三维冠层光合作用模型中的重要性。整体而言，本研究通过将可测量的叶特性与冠层级光模型联系起来，推动了面向表型的光学特性量化，为预测表型和数字作物设计提供了可扩展、数据驱动的路径，以提高光合效率。

本研究的成果不仅在植物科学领域具有重要意义，也为农业实践提供了实际价值。通过精准量化叶的光学特性，可以为优化作物冠层结构提供科学依据，从而提高光能利用效率。此外，该方法的可扩展性使得其在大规模表型分析和冠层光合作用建模中具有广泛的应用前景。未来的研究可以进一步扩展该框架，涵盖不同基因型、环境条件和胁迫处理，以构建普遍适用的叶光学行为预测模型。结合光学表型、机器学习和辐射传输建模，为下一代植物表型学提供了有前景的发展方向，其中数字和计算工具共同促进了对植物功能和光能利用效率的预测性理解。