欧亚国际

提高作物冠层光合效率是提高生物量和产量潜力的重要策略之一。冠层光合是指田间作物地上部分的光合作用总和，其与生物量具有正相关性。冠层光合效率受植株形态结构、叶片叶绿素含量及吸光度、叶片光合作用效率等多方面因素的共同影响，这些表型都属于作物育种筛选的靶标。然而，由于这些表型之间存在复杂的相互作用，导致单一表型参数与生物量或产量之间相关性不强。如何鉴定限制特定品种冠层光合效率的关键因子？这是作物高光效育种面临的重要挑战。

2023年7月，中国科学院分子植物科学卓越创新中心朱新广课题组在Plant Phenomics在线发表了题为Quantifying Contributions of Different Factors to Canopy Photosynthesis in Two Maize varieties: Development of a Novel 3D Canopy Modeling Pipeline 的研究论文。

为了解析影响品种间冠层光合差异的多因素的贡献率，我们开发了一套3D冠层光合建模分析流程。该流程包括基于运动恢复结构和多视角立体视觉技术的植株三维点云获取、点云处理与分割、单株植物矢量模型构建、虚拟3D冠层模型及光线追踪、冠层光合计算与解析。该流程为鉴定不同品种之间冠层光合差异的关键决定因素提供了新方法和新技术。

在本研究中，我们利用这一流程分析两个玉米自交系品种（W64A和A619）在5个生长时期的冠层光合决定因子，解析了株型结构、叶片光合效率及叶片吸光度等对两个品种冠层光合差异的贡献率。进一步，分析了具体的株型结构的每个参数（包括上层叶片及下层叶片的叶长、叶宽、叶角度、叶弯曲度和叶数等）对冠层光合差异的贡献率；分析了叶片光合光响应曲线的每个参数（包括量子效率、最大光合速率、曲线弯曲度和呼吸速率）对冠层光合差异的贡献率。

叶片光合效率是决定这两个品种冠层光合差异的首要因素（17.5-29.2%）；在生长早期的株型结构是影响冠层光合的次要因素（5.3%和6.7%）。我们还发现叶片光合响应曲线的大部分参数与冠层光合速率之间线性相关，而株型结构的参数与冠层光合速率之间呈现非线性关系。本研究开发了全新的3D冠层光合建模分析流程，为解析冠层光合这一复杂性状受多因素影响的贡献率提供了途径。

图 13D冠层光合建模分析流程。该流程包括几个步骤，(a)使用MVS64系统进行图像采集，(b)点云重建、处理和分割，(c)基于分割的点云建立单株向量模型，并生成虚拟植物的网格模型，(d)建立冠层模型并进行光线追踪模拟冠层光环境，(e)冠层光合速率计算、参数响应模拟分析和多因素冠层光合贡献率解析。

图 2使用激光雷达和手动测量数据验证点云精度和基于点云提取的株型参数。(a-b)使用激光雷达同时扫描多个植物的示意图。激光雷达装置需要在不同位置之间移动，在位置1、2和3处，激光雷达扫描角度为0度到120度；在位置4处，激光雷达扫描角度为0度到360度。(c)激光雷达点云和SFM-MVS点云之间的对准，其中SFM-MVS的点云包括RGB颜色信息，而LiDAR点云不包括颜色。重叠图的颜色显示两点云之间的距离。(d, k) 计算的植物结构表型参数与测量数据之间的相关性。这些性状包括叶基部高度(d，h)、叶长(e，i)、叶宽(f，j)及叶面积(g，k)。其中(d-g)数据来自株系W64A，(h-k)数据来自株系A619。

图 3 两个玉米株系的植株结构、叶片反射率和透射率、以及叶片光合速率等表型测量数据。(a)两个不同结构的玉米自交系W64A和A619在播种后第31、38、45、52和59天(DAS)等5个生长发育阶段的照片和重建后的3D点云。(b-g)植株结构参数，包括单株叶数、茎高、平均叶长、最大叶长、平均叶宽和最大叶宽等。(h-i).叶片透射率及反射率与叶绿素含量SPAD值之间的函数关系。(j)叶片叶绿素含量(SPAD值)。(k-l)计算得到的叶片透光率和反射率。(m).株系W64A和A619的上层叶片和底层叶片光合光响应曲线。(n-o)饱和光下的光合速率。(p-q)CO2同化速率的量子产量(ΦCO2)，即叶片光合作用的光响应曲线的初始斜率。

图 4 基于测量数据构建3D冠层光合模型，并计算得到两个玉米株系的冠层光合速率日变化曲线。株系间冠层光合具有显著差异(a-e)。通过3D冠层光合建模分析流程，进一步解析冠层结构、叶片光合效率、叶片叶绿素含量(吸光度)及其相互作用在5个生长时期对冠层光合差异的贡献率(f-j)。

中国科学院分子植物科学卓越创新中心宋青峰副研究员为第一作者，朱新广研究员为本文的通讯作者。相关工作得到了国家自然科学基金、上海市启明星计划、中科院先导专项等项目资助。

论文链接：

http://doi/10.34133/plantphenomics.0075

——推荐阅读——

Application of UAV Multisensor Data and Ensemble Approach for High-Throughput Estimation of Maize Phenotyping Traits

http://doi.org/10.34133/2022/9802585

Plant Phenomics | 基于无人机多传感器和集成学习的玉米表型高通量估算

TrichomeYOLO: A Neural Network for Automatic Maize Trichome Counting

http://doi/10.34133/plantphenomics.0024

Plant Phenomics | TrichomeYOLO：玉米毛状体自动计数的神经网络