点击蓝色字免费订阅，每天收到这样的好资讯

本文开发了一种针对PLSR异质性的全新估算光合能力的方法，植物表型资讯简介如下：

全球农业生产正面临人口增长和气候变化带来的严酷挑战，或许可通过培育转基因作物品种来缓解。目前提高光合能量转换效率的研究提出了许多提高产量的策略，但由于表型发展瓶颈，尚未找到现实的解决方案。为此，研究人员利用偏最小二乘回归(PLSR)统计学方法，结合高光谱反射率、关键光合能力(Rubisco最大羧化速率，V_c,max)和光能转换(支持RuBP再生的最大电子输运速率，J_max)，以缓解这一瓶颈。然而，PLSR的性能在不同的植物、地区和生长环境中存在显著差异，为了解决PLSR的异质性，本文旨在开发一种全新估算光合能力的方法。

图1.用于表型分析光合能力的回归叠加工作流程。

研究人员首先将人工神经网络(ANN)、支持向量机(SVM)、最小绝对收缩与选择算子(LASSO)、随机森林(RF)、高斯过程(GP)和PLSR等6种机器学习算法相结合，搭建了一个框架，对这两种光合作用变量的高通量分析进行优化；然后利用6种具有不同光合能力的烟草基因型(包括转基因型和野生型)对该框架进行测试；接着利用高光谱光谱仪测定400~2500nm的叶片反射率光谱；最后利用叶片气体交换系统测定每片叶片的光合作用与细胞间CO₂浓度响应曲线。

图2.光谱数据：212个样本(行)和2151个特征(列)的矩阵。

结果表明用于预测V_c，max(J_max)的六种回归技术的平均R²值范围为0.60-0.65(0.4-0.56)，平均RMSE值为47.1-54.0(40.1-44.7)μmolm^-2 s^-1。V_c，max(J_max)的回归叠加比单个回归技术表现更好——R²增加0.1(0.08)，RMSE减少4.1(6.6)μmolm^-2S^-1，相当于RMSE降低了8％(15％)。研究人员分析得出回归叠加较好的预测性能可能归因于第2级模型(LASSO模型)中的不同系数(或权重)，以及每种回归技术利用光谱信息获得最佳建模性能的不同能力。另外本文还提出可以进一步改进该堆叠回归技术并将其应用于其他植物表型研究。

图3.每个带块的相对贡献(％)，用于估算V_c，max(A)和J₁₈₀₀(B)的每个回归模型的建模性能

来源：

Fu P, Meacham-Hensold K, Guan Ky, Bernacchi C J.. Hyperspectral Leaf Reflectance as Proxy for Photosynthetic Capacities: An Ensemble Approach Based on Multiple Machine Learning Algorithms. Front. Plant Sci., 03 June 2019 | https://doi.org/10.3389/fpls.2019.00730

扩展阅读：

粽香情浓，植物表型资讯一周年目录汇总

植物表型资讯2018年1-12月目录汇总

植物表型资讯2019年1-5月目录汇总