《Smart Agricultural Technology》：Machine Learning-Driven Prediction of Pigment Content and Photosynthetic Efficiency in Peanut Using Vegetation Indices
编辑推荐：
支持向量机（Support Vector Machine，SVM）和多层感知器（Multilayer Perceptron，MLP）是预测叶绿素荧光参数表现最佳的模型。叶绿素植被指数（Chlorophyll Vegetation Index，CVI）、绿色优化
支持向量机（Support Vector Machine，SVM）和多层感知器（Multilayer Perceptron，MLP）是预测叶绿素荧光参数表现最佳的模型。叶绿素植被指数（Chlorophyll Vegetation Index，CVI）、绿色优化土壤调整植被指数（Green Optimized Soil Adjusted Vegetation Index，GOSAVI）、超绿指数（Excess Green，ExG）和叶绿素指数（Chlorophyll Index Green，Cig）是信息量最丰富的植被指数（Vegetation Indices，VIs）。光合性状预测模型有助于监测植物胁迫响应。机器学习模型为推进农业实践提供了潜力。
论文解读
一、研究背景与问题
光合作用是植物对环境变化最敏感的生理过程之一，准确评估植物光合生理状态对于理解植物对环境条件的响应机制至关重要。光合色素是植物捕获和吸收光能的基础，其含量变化直接影响光能的利用效率。叶绿素a和叶绿素b是绿色植物中含量最丰富的色素，主要吸收蓝光和红光波段的光能驱动光合作用；类胡萝卜素则在蓝光区域补充叶绿素的吸收，并通过耗散过剩激发能以发挥光保护作用。当植物吸收的光能超过光化学利用能力时，过剩能量会以热耗散或叶绿素荧光的形式重新释放，因此叶绿素a荧光可以作为评估光系统II（PSII）功能和电子传递效率的重要指标。
传统的光合色素定量方法需要对叶片进行破坏性取样和实验室分析，耗时费力且难以进行大规模重复测量。虽然叶绿素荧光可以使用便携式荧光仪进行非破坏性测量，但田间尺度的广泛测量仍然具有挑战性。光谱反射率提供了一种非破坏性的植物状态监测途径，结合无人机和卫星遥感技术的发展，使得在大空间和时间尺度上监测作物生理响应成为可能。然而，将机器学习（Machine Learning，ML）模型与植被指数（Vegetation Indices，VIs）相结合用于预测花生（Arachis hypogaea L.）整个生长季叶片光合色素含量和叶绿素荧光参数的研究此前尚未见报道。
研究人员假设，整合VIs的ML模型能够捕获与叶片色素含量和叶绿素荧光变化相关的早期光谱特征，从而实现在不同灌溉制度下的远程预测；进一步假设，结合互补的近红外（Near-Infrared，NIR）波段VIs将提高模型对植物生理响应的敏感性。因此，本研究旨在评估不同ML模型整合VIs预测花生叶片光合色素含量变化和光合机构功能的有效性。
二、研究设计与方法
研究于2019年至2021年在美国佐治亚州（Georgia）的五个商业农田开展，种植品种为匍匐型花生品种'Georgia-06G'，该品种约占佐治亚州花生种植面积的70%。其中2019年选择了一块灌溉田（A田）和一块雨养田（B田），2020年选择了一块灌溉田（C田），2021年选择了两块灌溉田（D田和E田）。B田在生长季中经历了阶段性中度水分亏缺。
研究人员每周从播种后80天开始直至植株倒伏前，采集主茎顶端第二片展开小叶，使用便携式荧光仪（OS5p+）进行叶绿素a荧光OJIP瞬态分析，获取最大光化学量子产率（?Po）、电子传递量子产率（?Eo）和PSI末端电子受体还原量子产率（?Ro）三个参数。同时采集叶片样本，经95%乙醇提取后使用多模式微板读取器在470、649和665 nm波长处测定吸光度，依据Lichtenthaler和Wellburn方程计算叶绿素a、叶绿素b和总类胡萝卜素含量（μg cm-2）。
卫星影像数据来自PlanetScope CubeSat平台（3B级产品），具有1天时间分辨率和3米空间分辨率，包含蓝（464–517 nm）、绿（547–585 nm）、红（650–682 nm）和近红外（846–888 nm）四个光谱波段。影像在田间采样日期前后2–3天内下载，且均在太阳正午±2小时内采集，云覆盖率低于1%。研究人员计算了21种植被指数，并在QGIS软件中以10米半径的圆形缓冲区提取每个样区的平均VI值，与叶片光合测量数据建立空间对应关系。
三、主要研究结果
最佳预测模型： 支持向量机（Support Vector Machine，SVM）和多层感知器（Multilayer Perceptron，MLP）是预测叶绿素荧光参数表现最佳的模型，在?Po、?Eo和?Ro的预测中均展现出优异的性能。
最具信息量的植被指数： 叶绿素植被指数（Chlorophyll Vegetation Index，CVI）、绿色优化土壤调整植被指数（Green Optimized Soil Adjusted Vegetation Index，GOSAVI）、超绿指数（Excess Green，ExG）和叶绿素指数（Chlorophyll Index Green，Cig）是预测光合色素含量和荧光参数信息量最丰富的植被指数。
色素含量预测： 机器学习模型结合植被指数能够有效预测花生叶片叶绿素a、叶绿素b和总类胡萝卜素含量，实现了对光合色素含量的非破坏性估算。
荧光参数预测： 基于植被指数的机器学习模型能够准确预测OJIP瞬态分析衍生的量子产率参数，为评估光合机构功能状态提供了遥感途径。
四、讨论与结论
本研究表明，机器学习模型整合植被指数能够有效预测花生叶片光合色素含量和叶绿素荧光参数，为作物生理状态的非破坏性监测提供了新的技术途径。光合性状预测模型有助于监测植物胁迫响应，对于优化灌溉管理和提高农业生产力具有重要意义。机器学习模型为推进精准农业实践提供了潜力，特别是在大尺度作物生理监测方面展现出广阔应用前景。
研究结论指出，SVM和MLP模型在荧光预测中表现最佳，CVI、GOSAVI、ExG和Cig是最具信息量的植被指数。通过机器学习模型预测光合性状有助于监测植物胁迫响应，机器学习模型的应用为推进农业实践提供了重要潜力。该研究首次将机器学习与植被指数相结合用于花生全生长季的光合色素和荧光参数预测，为花生生产的精准管理提供了科学依据和技术支撑。
