光合量子产量的评价是植物表型分析的重要内容，叶绿素荧光a(ChIF)作为一种快速、灵敏、无损的检测指标，被广泛应用于植物光合作用及其调控机制的研究。其中，ChIF诱导曲线中可变荧光值与最大荧光的比值Fv/Fm能够反应光合系统II（PSII）的最大光化学量子产率。目前， 对于Fv/Fm的测量，必须将植物样品暗适应处理15–30分钟或更长的时间，这种处理方式是耗时的，限制了其实际应用。因此，亟需一种现代化计算方法，确定ChIF与暗适应和非暗适应之间的确切关系，在没有暗适应的情况下从ChIF中确定准确的Fv/Fm，以节省试验时间。

2023年5月，Plant Phenomics在线发表了江南大学等单位题为Determination of Fv/Fm from Chlorophyll a Fluorescence without Dark Adaptation by an LSSVM Model 的研究论文。该研究开发了一个最小二乘支持向量机（LSSVM），可以在无暗适应条件下从ChIF诱导曲线中确定Fv/Fm。结果表明，在无暗适应条件下，所开发的LSSVM模型具有良好的测定性能，测试数据集的预测性能非常理想：相关系数为（0.7620.974），均方根误差为（0.0050.0021），残差预测偏差为（1.2544.933）。

该研究对6种植物（共计7321个样本）进行了8组试验，探究了不同样本类型的Fv/Fm在有暗适应和无暗适应条件下的差异。随机选取样本数量的10%、20%、…90%作为训练数据集并建立初始LSSVM模型，其余样本作为验证数据集，以测试所建立的LSSVM模型在暗适应下对Fv/Fm的预测性能。在不同训练数据集样本数下，使用LSSVM模型从无暗适应测量的ChIF确定Fv/Fm的结果如表1、2所示。结果表明，当训练数据集样本占全部样本容量的80%以上时，LSSVM模型表现出较强的预测能力。

表1：LSSVM模型性能评价指标（RMSE）

表2：LSSVM模型性能评价指标（RPD）

该研究进一步比较了不同训练数据集样本中预测的Fv/Fm值与所有测试样本暗适应后测量的试验值（图1）。为了进一步评估模型的预测性能，计算了一条回归线来验证其是否接近1:1的直线。结果表明，该研究强调的ChIF预测的Fv/Fm与暗适应的Fv/Fm之间存在显著的线性回归关系，LSSVM模型在没有暗适应的情况下，可以有效地从ChIF中预测Fv/Fm。

图1：利用LSSVM模型对不同训练数据集样本进行Fv/Fm预测。（A）训练数据集的数量为总样本的80%。（B）训练数据集的数量为总样本的90%。

论文链接：

‍https://doi.org/10.34133/plantphenomics.0034

Analyzing Nitrogen Effects on Rice Panicle Development by Panicle Detection and Time-Series Tracking

https://doi.org/10.34133/plantphen‍omics.0048

Plant Phenomics | 南京农业大学基于目标检测与追踪算法在提取水稻抽穗开花期表型上的应用

Prediction of the Maturity of Greenhouse Grapes Based on Imaging Technology

https://doi.org/10.34133/2022/9753427

Plant Phenomics | 基于表型图像信息与反向神经网络预测温室葡萄成熟度

加入作者交流群