• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型

甘海明, 岳学军, 洪添胜, 凌康杰, 王林惠, 岑振钊

甘海明, 岳学军, 洪添胜, 等. 基于深度学习的龙眼叶叶绿素含量预测的高光谱反演模型[J]. 华南农业大学学报, 2018, 39(3): 102-110. DOI: 10.7671/j.issn.1001-411X.2018.03.016
引用本文: 甘海明, 岳学军, 洪添胜, 等. 基于深度学习的龙眼叶叶绿素含量预测的高光谱反演模型[J]. 华南农业大学学报, 2018, 39(3): 102-110. DOI: 10.7671/j.issn.1001-411X.2018.03.016
GAN Haiming, YUE Xuejun, HONG Tiansheng, LING Kangjie, WANG Linhui, CEN Zhenzhao. A hyperspectral inversion model for predicting chlorophyll content of Longan leaves based on deep learning[J]. Journal of South China Agricultural University, 2018, 39(3): 102-110. DOI: 10.7671/j.issn.1001-411X.2018.03.016
Citation: GAN Haiming, YUE Xuejun, HONG Tiansheng, LING Kangjie, WANG Linhui, CEN Zhenzhao. A hyperspectral inversion model for predicting chlorophyll content of Longan leaves based on deep learning[J]. Journal of South China Agricultural University, 2018, 39(3): 102-110. DOI: 10.7671/j.issn.1001-411X.2018.03.016

基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型

基金项目: 国家自然科学基金(30871450);广东省科技计划项目(2015A020224036,2014A020208109);广东省水利科技创新项目(2016-18)
详细信息
    作者简介:

    甘海明(1991—),男,硕士研究生,E-mail:444504196@qq.com

    通讯作者:

    岳学军(1971—),女,教授,博士,E-mail: yuexuejun@scau.edu.cn

  • 中图分类号: S127

A hyperspectral inversion model for predicting chlorophyll content of Longan leaves based on deep learning

  • 摘要:
    目的 

    探讨龙眼Dimocarpus longan Lour. 叶片发育过程中叶绿素含量二维分布变化规律,实现无损检测病虫害对叶片叶绿素含量分布的影响,为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。

    方法 

    利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像,自动提取感兴趣区域,利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性,建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性,将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量,结合“图谱信息”的SAE模型预测龙眼叶片叶绿素含量的分布情况。

    结果 

    龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰,嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698 和705 nm;全发育期的最敏感波段相关性远高于3个生长发育期,r达到0.890 3。回归模型中,吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R2c=0.856 8,RMSEc=0.219 5;R2v=0.771 2,RMSEv=0.286 2),其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中,结合“图谱信息”的SAE模型预测效果最好(R2c=0.979 6,RMSEc=0.171 2;R2v=0.911 2,RMSEv=0.211 5),且预测性能受叶片成熟度影响相对较小,3个生长阶段R2v的标准偏差仅为最小二乘回归模型标准偏差的29.9%。

    结论 

    提出了一种自动提取感兴趣区域的方法,成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大,而基于“图谱信息”融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高,SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。

    Abstract:
    Objective 

    To study the distribution of chlorophyll content of Longan (Dimocarpus longan Lour) leaves in different growth periods, realize non-destructive measurement of the influence of pests and diseases on chlorophyll distribution, and provide a reference for evaluating the cold-resistant ability of young leaves, fertilizing amount in the fruiting period and pruning of mature leaves.

    Method 

    Hyperspectral images of Longan leaves in three growth periods were acquired via an online hyperspectral imaging system within the spectral region of 369–988 nm wavelength. An automatic masking method was used to extract the interest regions. The chlorophyll content was measured by the spectrophotometric method. The relationships between the spectral response characteristics and chlorophyll contents of Longan leaves in three growth periods were measured based on Pearson correlation coefficient (r). A partial least squares regression (LSR) model was established. The relationship between the texture feature of selected image and chlorophyll content was analyzed. The spectroscopy and texture features were imported to the spare auto-encoder (SAE) model in deep learning to predict the chlorophyll content of Longan leaves. The distribution of chlorophyll content was predicted using SAE model based on the mapping information.

    Result 

    The peaks of correlation coefficient curves of Longan leaves in three growth periods appeared in the vicinity of 700 nm. The wavelength of the highest correlation coefficient for young, mature and old ripe leaves was 692, 698 and 705 nm, respectively. The correlation coefficient (r) of the most sensitive band in full period was higher than those in three growth periods, which was up to 0.890 3. Among all regression models, the prediction effect of LSR model based on the absorption band of the minimum reflectivity and total reflectivity was the best (R2c=0.856 8, RMSEc=0.219 5; R2v=0.771 2, RMSEv=0.286 2), and the determination coefficients of its calibration and validation sets were higher than those based on a single parameter. SAE model importing spectroscopy and texture features performed the best (R2c=0.979 6, RMSEc=0.171 2; R2v=0.911 2, RMSEv=0.211 5) and the most stable to predict chlorophyll contents of Longan leaves in different growth periods, its standard deviation was only 29.9% of LSR model.

    Conclusion 

    A method automatically extracting interest region was proposed, its success rate was 100%. The performance of SAE model based on spectroscopy and texture features was more stable than those of regression models based on spectroscopy to predict chlorophyll contents of Longan leaves in different growth periods. SAE model is suitable for predicting the distribution of chlorophyll content of Longan leaves as a non-destructive method.

  • 水稻Oryza sativa L. 是人类最重要的粮食作物之一,杂交水稻的推广极大地提高了水稻单产,为我国粮食安全提供了强有力的保障。但是杂交稻尤其是两系杂交稻在种子生产过程中,光温敏核雄性不育系在低温条件下育性容易恢复,导致杂交种亲本混淆和杂交种纯度下降。例如‘培矮64S’在1989、2001和2002年夏季的低温条件下,出现了严重的育性恢复,致使其组配的F1杂交种出现了较大比率的假杂交种[1]。如何在低温条件下确保不育系和杂交种的纯度一直以来是困惑育种学家们的一个难题。为了解决这一问题,人们尝试使用了不同的方法,例如人工除杂技术和紫叶标记技术。比较而言,人工除杂技术有明显的缺陷,使用该技术进行人工筛选去除假不育系,不仅成本高周期长,而且许多性状受栽培技术及环境因素的影响而不易辨别,影响筛选效果。而紫叶标记技术具有明显的优势,导入了隐性紫叶性状的不育系在苗期表现紫色,如果繁种时该隐性紫叶不育系与其他正常绿叶的水稻串粉结实,其杂交种表现为绿色,那么在苗期的制种田里就能轻易剔除掉混杂的不育系,保证不育系纯度。为此,育种学家们将紫叶标记技术与不育系的选育相结合,先后育出‘中紫S’、‘明紫–2S’、‘明紫–3S’、‘99Hll4紫S’、‘紫IIA’和‘先红A’[2-7]等一批具有较高应用价值的紫叶不育系,极大减少了杂交稻因种子纯度下降而造成的损失。

    水稻的紫色性状与花青素含量的累积相关。花青素是一种黄酮类植物色素,它的合成既受结构基因编码蛋白的调控,也受调节因子,如MYB(v-Myb avian myeloblastosis viral oncogene homolog)家族的bHLH(Helix-helix-turn-helix)蛋白等的控制[8]。花青素的转运与积累可能受GST(Glutathione S-transferase)和MATE(Multidrug and toxin efflux)蛋白家族基因等的调控[9-10]。截至2018年3月,通过图位克隆已克隆出OsC1Plw2个水稻紫叶性状基因,其中,OsC1位于第6号染色体上编码1个MYB类转录因子,Plw位于第4号染色体上,由OsB1OsB2共同组成,编码1个bHLH转录因子[11-12],这些基因的克隆促进了对水稻花青素分子调控机制的理解。但是,水稻紫叶性状受合成基因、调节基因和转运基因等多个基因控制。因此,深入挖掘水稻紫叶新基因,对增进对水稻花青素分子调控机制的理解并促进其在水稻遗传改良中的应用具有重要意义。

    本研究从紫叶籼稻品种‘Z3474’与绿叶粳稻品种‘日本晴’的杂交后代中选育得到紫叶纯系材料pl41,并对其进行表型分析、遗传分析和基因初步定位研究,以期为pl41的图位克隆、花青素分子调控路径解析和pl41在水稻遗传改良中的应用奠定坚实基础。

    水稻紫叶材料pl41是从紫叶籼稻品种‘Z3474’与绿叶粳稻品种‘日本晴’的杂交后代中筛选得到的1份紫叶性状稳定遗传的材料。pl41与‘日本晴’杂交后代F1及分离群体F2用于紫叶性状的遗传分析和基因初步定位研究。

    田间试验分别于2015和2016年在广西大学农学院试验田进行,分早晚2季:早季3月1日播种,4月7日移栽;晚季7月21日播种,8月9日移栽。株行距15 cm×25 cm,单株种植,每行10株,常规水肥管理。苗期、抽穗期和灌浆期分别观察pl41、‘日本晴’和F1植株的叶色,并统计分析F2群体中紫叶和绿叶单株的分离情况,挑选F2群体中紫叶单株进行目标基因定位研究。

    在苗期、抽穗期和灌浆期分别取pl41和‘日本晴’的倒2叶进行叶绿素a、叶绿素b、总叶绿素、类胡萝卜素和花青素含量的测定,每个时期每个亲本分别重复3次。

    叶绿素含量测定:样品表面用蒸馏水冲洗,并用吸水纸吸干表面水分,将叶片剪成直径为1~3 mm的碎片,混匀后称取碎片0.05 g,放入25 mL棕色试剂瓶中,重复3次。用V(丙酮)∶V(乙醇)=1∶1的混合液定容至25 mL,室温下置于摇床上振荡24 h,使碎片与试剂充分接触。以V(丙酮)∶V(乙醇)=1∶1的混合液为空白对照,使用INESA L5S紫外可见分光光度计测定浸提液在波长470、645和663 nm下的吸光度(D)。

    按照以下公式分别计算叶绿素a、叶绿素b、总叶绿素和类胡萝卜素含量:

    w(叶绿素a)=(12.7D663 nm–2.69D645 nm)V/(1 000m),

    w(叶绿素b)=(22.9D645 nm–4.68D663 nm)V/(1 000m),

    w(总叶绿素)=(20.2D645 nm+8.02D663 nm)V/(1 000m),

    w(类胡萝卜素)=4.7D470 nm–0.27w

    式中,V为提取液总体积(25 mL);m为样品质量(0.05 g)。

    花青素含量测定:样品表面用蒸馏水冲洗,并用吸水纸吸干表面水分,将叶片剪成直径为1~3 mm的碎片,混匀后称取碎片0.1 g,放入10 mL离心管中,重复3次。加入0.1 mol·L–1盐酸溶液,定容至10 mL。室温下置于摇床上振荡4 h,使碎片与试剂充分接触。以0.1 mol·L–1的盐酸溶液为空白对照,使用INESA L5S紫外可见分光光度计在530 nm下测定浸提液的吸光度。假设吸光度D530 nm=0.1时的花青素浓度为1个单位,用以比较花青素的相对含量,计算公式为:

    花青素的相对含量=10D530 nm

    采用SPSS11.0和Excel软件对试验数据进行统计分析,差异显著性分析采用t检验法。

    参照Monna等[13]的方法提取叶片基因组DNA。用于基因定位的PCR扩增体系为10 μL: DNA模板1 μL、上下游引物各0.4 μL、PCR Mix 5 μL和ddH2O 3.2 μL。PCR扩增程序:94 ℃ 5 min;94 ℃ 30 s、56 ℃ 30 s、72 ℃ 30 s,33个循环;72 ℃ 5 min。扩增产物经70 g·L–1的聚丙烯酰胺凝胶电泳检测。用于候选基因测序的PCR扩增体系为40 μL,包括DNA模板4 μL、上下游引物各1.6 μL、2×EasyPfu PCR SuperMix 20 μL、ddH2O 12.8 μL。扩增程序:94 ℃ 5 min;94 ℃ 30 s、56 ℃ 35 s、72 ℃ 1 min,30个循环;72 ℃ 10 min。扩增产物经20 g·L–1的琼脂糖凝胶电泳检测,目标条带回收后由深圳华大基因公司测序。PCR Mix和EasyPfu PCR SuperMix均购自全式金生物技术公司。

    基因连锁分析及定位的分子标记包括STS和SSR标记,其中SSR标记引物序列来自数据库 http://www.gramene.org,STS标记基于粳稻品种‘日本晴’和籼稻品种‘9311’的序列差异,在差异序列两端开发设计引物,SSR和STS标记引物均由深圳华大基因公司合成。

    利用RAP-DB( http://rapdb.dna.affrc.go.jp)和GRAMENE( http://ensembl.gramene.org)水稻基因组注释信息,对定位区间内的所有基因进行预测,结合候选基因编码区序列的测序比对,分析候选基因。

    pl41株型与‘日本晴’无明显差异,但植株颜色有明显差别。在苗期,pl41叶鞘、叶尖和叶缘处呈现紫色,颜色较浅(图1A);从苗期开始,植株紫色逐渐变深,抽穗期地上部分组织呈现较深的紫色(图1B)。‘日本晴’植株在各个时期均表现为绿色(图1A1B)。pl41叶绿素a、叶绿素b、总叶绿素和类胡萝卜素含量在苗期显著高于‘日本晴’,在抽穗期显著低于‘日本晴’,在灌浆期无显著差异;pl41花青素含量在苗期、抽穗期和灌浆期均极显著高于‘日本晴’(表1)。花青素含量与叶绿素a、叶绿素b和总叶绿素含量的相关系数分别为–0.936、–0.958和–0.941,均达极显著负相关(P<0.01)。在抽穗期,pl41叶绿素a、叶绿素b和总叶绿素含量均低于苗期,花青素含量高于苗期;在灌浆期,pl41叶绿素a、叶绿素b和总叶绿素含量高于抽穗期,花青素含量低于抽穗期(表1)。

    图  1  ‘日本晴’和pl41植株的表型分析
    Figure  1.  Phenotypic analyses of ‘Nipponbare’ and pl41
    表  1  pl41和‘日本晴’在3个不同发育时期叶绿素、类胡萝卜素及花青素含量比较1)
    Table  1.  Comparisons of chlorophyll, carotenoid and anthocyanin contents between pl41 and ‘Nipponbare’ at three different developmental stages
    生长期 材料 w(mg·g–1) 花青素相对含量
    叶绿素a 叶绿素b 总叶绿素 类胡萝卜素
    苗期 pl41 5.37±0.52** 1.13±0.10** 6.50±0.62** 2.07±0.19** 2.73±0.07***
    日本晴 4.05±0.06 0.82±0.01 4.87±0.07 1.54±0.02 0.07±0.01
    抽穗期 pl41 2.68±0.18** 0.47±0.07** 3.15±0.24** 1.03±0.04** 17.00±0.35***
    日本晴 4.78±0.33 1.30±0.14 6.08±0.47 1.94±0.12 0.08±0.44
    灌浆期 pl41 3.20±0.18 0.65±0.04 3.85±0.22 1.65±0.08 10.88±0.43***
    日本晴 3.44±0.19 0.65±0.04 4.09±0.23 1.66±0.08 0.02±0.01
     1) “**”和“***”分别表示pl41和‘日本晴’相同时期的相同指标在 0.01 和 0.001 水平差异显著(t 检验法)
    下载: 导出CSV 
    | 显示表格

    为了明确pl41紫叶性状的遗传基础,本研究对pl41与‘日本晴’杂交后代F1及分离群体F2的紫叶性状进行了遗传分析。结果表明,F1代植株均表现为绿叶,F2代植株叶片颜色呈现明显的紫色和绿色分离,绿叶和紫叶单株数分别为254和79株,符合3∶1的分离比(χ2=0.26,P>0.05),表明pl41紫叶性状受1对隐性主效核基因控制。

    为了分离控制pl41紫叶性状的目标基因pl41,我们在F2代分离群体中选取了480株紫叶单株用于pl41的初步定位研究。利用127对在pl41和‘日本晴’之间存在多态性的STS和SSR分子标记引物对480株紫叶单株进行连锁分析,结果表明目标基因pl41与第12号染色体上的分子标记引物P1、P2、P3、P4、P5、P6、P7(表2)的序列存在不同程度的连锁,并且被初步定位于P3和P4之间289 kb的范围内(图2)。在此定位区间内,存在53个注释的预测基因,这些基因编码的蛋白详见表3。其中,有5个基因可能与花青素的合成与转运相关:1个GST蛋白编码基因(编号25)、1个MYB类转录因子蛋白编码基因(编号44)和3个MATE转运蛋白编码基因(编号49、52、53)。对pl41这5个基因的编码区序列进行测序,并分别与‘日本晴’序列比对,发现这5个基因的编码区序列与‘日本晴’无差异。

    表  2  pl41初步定位所用引物
    Table  2.  Primers used in preliminary mapping of pl41
    名称 分子标记类型 正向序列(5′→3′) 反向序列(5′→3′)
    P1 SSR GCTTCCCTTGTATACTCTATCT CCTCTTATCAGACGCACAA
    P2 SSR CTTCTTCCCGTTGTTCCCAA GTTTGGAGGTGAGCTGGACA
    P3 STS TGGTAACTAGTACTCTCCCTT CTTCTGTAACTCCATTCTGA
    P4 STS TTTTAACATCTCCATTCTCG GACGAATAGTCAAACAGTGC
    P5 STS TGTTGAATATGCACAAAGAG TGGTTCATTGGCTTAGGA
    P6 STS TTATTCCCCGACCAATCAAC CAAATTCCGCTTGGTATTGAC
    P7 STS TCCCAATCATGGAAATACTT TTGTTTCTTAGAAGCAGAGG
    下载: 导出CSV 
    | 显示表格
    图  2  水稻紫叶基因pl41在第12号染色体上的初步定位
    Figure  2.  Preliminary mapping of rice purple leaf gene pl41 on chromosome 12
    表  3  定位区间内的基因注释
    Table  3.  Gene annotation in the preliminary mapped region
    编号 基因功能注释 基因 ID 编号 基因功能注释 基因 ID
    1 DUF567 结构域包含蛋白 LOC_Os12g02720 28 反转座子蛋白 LOC_Os12g03000
    2 组氨酸三聚体家族蛋白 LOC_Os12g02730 29 反转座子蛋白 LOC_Os12g03010
    3 表达蛋白 LOC_Os12g02750 30 转座子蛋白 LOC_Os12g03020
    4 DUF567 结构域包含蛋白 LOC_Os12g02760 31 保守的假定蛋白 LOC_Os12g03030
    5 反转座子蛋白 LOC_Os12g02770 32 无顶端分生组织蛋白 LOC_Os12g03040
    6 反转座子蛋白 LOC_Os12g02780 33 无顶端分生组织蛋白 LOC_Os12g03050
    7 表达蛋白 LOC_Os12g02790 34 表达蛋白 LOC_Os12g03060
    8 CRP11–富含半胱氨酸蛋白前体 LOC_Os12g02800 35 FHA 结构域包含蛋白 LOC_Os12g03070
    9 蛋白激酶结构域包含蛋白 LOC_Os12g02810 36 rp3 蛋白 LOC_Os12g03080
    10 反转座子蛋白 LOC_Os12g02814 37 核糖体蛋白 LOC_Os12g03090
    11 胞苷酰基转移酶结构域包含蛋白 LOC_Os12g02820 38 表达蛋白 LOC_Os12g03094
    12 SNF7 结构域包含蛋白 LOC_Os12g02830 39 结构域包含蛋白 LOC_Os12g03100
    13 ATCHX 蛋白 LOC_Os12g02840 40 ZF–HD 蛋白二聚化结构域包含蛋白 LOC_Os12g03110
    14 表达蛋白 LOC_Os12g02850 41 表达蛋白 LOC_Os12g03120
    15 反转座子蛋白 LOC_Os12g02860 42 CDC45A–假定的DNA复制起始蛋白 LOC_Os12g03130
    16 GRAS 家族转录因子结构域包含蛋白 LOC_Os12g02870 43 表达蛋白 LOC_Os12g03140
    17 E2F 相关蛋白 LOC_Os12g02880 44 MYB 类转录因子蛋白 LOC_Os12g03150
    18 反转座子蛋白 LOC_Os12g02890 45 转座子蛋白 LOC_Os12g03160
    19 反转座子蛋白 LOC_Os12g02900 46 表达蛋白 LOC_Os12g03170
    20 糖基转移酶 LOC_Os12g02910 47 Mad3/BUB1 同源蛋白 LOC_Os12g03180
    21 表达蛋白 LOC_Os12g02920 48 高丝氨酸脱氢酶 LOC_Os12g03190
    22 表达蛋白 LOC_Os12g02930 49 MATE 转运蛋白 LOC_Os12g03200
    23 EMB2748 蛋白 LOC_Os12g02950 50 转座子蛋白 LOC_Os12g03210
    24 表达蛋白 LOC_Os12g02940 51 表达蛋白 LOC_Os12g03220
    25 谷胱甘肽–S–转移酶 LOC_Os12g02960 52 MATE 转运蛋白 LOC_Os12g03230
    26 RNA 结合蛋白 LOC_Os12g02970 53 MATE 转运蛋白 LOC_Os12g03240
    27 核苷三磷酸酶 LOC_Os12g02980
    下载: 导出CSV 
    | 显示表格

    水稻紫色性状为明显的标记性状,在不育系和杂交稻种子纯度的鉴定上具有重要的应用价值,其性状表现与花青素的合成、转运和累积相关。花青素分布的多样性使得水稻紫色性状表现多样化,例如有些水稻品种在叶鞘和茎基部表现紫色,而有些水稻品种只在叶缘、柱头和稃尖等部位呈现紫色。本研究鉴定出来的pl41植株大部分组织均表现紫色,带紫色性状的植株与绿色植株区别明显,而且紫色性状稳定,不易受季节和环境因素影响,由此可见,pl41具有较大的应用潜力。

    目前,虽然关于水稻紫色性状已有较深入研究,但已报道的紫色性状基因多为显性基因,例如OsC1PSH1(t)[11, 14]。由于显性基因无法区分纯合子和杂合子,使得无法剔除掉混杂的不育系和假杂种,所以这类基因一般不能应用于生产实践。因此,挖掘隐性紫色性状基因,对于促进其在生产实践上的成功应用具有重要意义。本研究鉴定的pl41为隐性基因,定位于第12号染色体短臂289 kb范围内,在目前报道的水稻紫叶基因中没有1个基因位于该区域,这表明pl41可能是1个新的隐性紫叶基因。在该定位区间内发现有5个基因可能与花青素的合成与转运相关,包括1个MYB类转录因子蛋白编码基因、1个GST蛋白编码基因和3个MATE蛋白编码基因。在植物中,MYB类转录因子蛋白调控花青素结构基因的时空表达和花青素的组织分布[8],水稻第6号染色体上的1个MYB类转录因子蛋白编码基因OsC1被发现与叶鞘花青素的累积相关[11];GST和MATE蛋白家族基因被发现可能参与花青素向液泡的转运,例如拟南芥的TT19基因[15]、玉米的Bronze-2基因[9]和拟南芥的TT12基因[16],就已被证明与花青素的累积相关。通过测序比对分析,发现这5个基因的编码区序列在pl41与‘日本晴’之间无差异,表明它们可能不是pl41紫叶性状的候选基因,但也不能完全排除这种可能,因为导致表型变异的因素除了基因编码区序列差异以外,基因启动子和增强子区序列的差异也能导致表型变异。因此,下一步拟检测这5个基因在启动子和增强子区的序列差异和转录水平上的表达差异,预测可能的候选基因。同时也配制了pl41的大分离群体,以期通过精细定位为pl41最终的图位克隆奠定基础。

    研究表明,叶色标记一般全生育期表达,在影响不育系本身农艺性状的同时,对繁种和制种产量也有一定负效应。本研究发现,pl41花青素的累积与叶绿素含量的变化呈显著负相关,这表明pl41可能对农艺性状尤其是水稻产量性状有一定的影响。由于近等基因系的遗传背景基本一致,可以最大限度降低遗传背景对目标基因的影响,因此它是准确分析目标基因对产量性状影响的理想材料。为了更准确地分析pl41对水稻产量性状的影响、更详细地评估pl41的应用潜力,目前正在构建pl41的近等基因系,拟利用pl41的近等基因系来分析pl41对农艺性状的影响。这些工作将为阐明pl41对水稻产量性状的影响和评价pl41的应用潜力奠定坚实的基础。

  • 图  1   高光谱成像仪系统

    Figure  1.   Hyperspectral imaging system

    图  2   龙眼叶片高光谱图像不同区域划分

    R1:叶肉区域;R2:背景区域;R3:叶脉区域

    Figure  2.   Different regions in a hyperspectral image of Longan leaf

    图  3   叶肉、背景与叶脉区域的光谱特征

    Figure  3.   The spectral characterisitics of mesophyll, background and vein

    图  4   自动提取感兴趣区域去噪后的效果

    Figure  4.   The effect of automatically extracted image of interest area after background removal

    图  5   龙眼叶片不同生长期光谱特性的相关性分析

    Figure  5.   Correlation analyses of spectral characteristics of Longan leaves in different growth periods

    图  6   300个样本的光谱一阶导数曲线

    Figure  6.   The first derivative curves of 300 samples

    图  7   基于图像特征及光谱特征的SAE模型预测的龙眼叶片叶绿素含量

    Figure  7.   Prediction of chlorophyll contents of Longyan leaves using SAE model based on image and spectral features

    图  8   基于SAE模型预测的龙眼叶片叶绿素含量分布图

    Figure  8.   Distribution maps of chlorophyll contents of Longyan leaves based on SAE model

    表  1   龙眼叶片样本校正集与验证集的叶绿素含量

    Table  1   Chlorophyll contents in Longan leaves for calibration and validation sets

    项目 样本数/个 w(叶绿素)/(mg·g–1)
    最大值 最小值 平均值 标准偏差
    校正集 240 3.416 3 0.731 4 1.915 5 0.531 2
    验证集 60 3.353 2 0.721 1 1.930 1 0.520 2
    下载: 导出CSV

    表  2   龙眼叶片叶绿素含量与光谱特性相关性分析建模及验证结果1)

    Table  2   Modeling and validation of correlation between chlorophyll content and spectral characteristic of Longan leaves

    生长阶段 强相关
    波长/nm
    入选波
    段数/个
    最高相关性
    波长/nm
    最高相关
    系数(r)
    基于最高相关性
    波长的回归方程
    校正集 验证集
    R2c RMSEc R2v RMSEv
    嫩叶   488~722 194 692 –0.856 9 y=–105.2x+55.8 0.657 9 0.577 6 0.551 3 0.600 1
    成熟叶  508~648、682~721 149 698 –0.873 0 y=–270.6x+81.7 0.682 1 0.555 2 0.605 5 0.574 3
    老熟叶  509~603、690~712 95 705 –0.852 3 y=–168.1x+86.2 0.676 5 0.566 5 0.599 1 0.589 4
    全生长期 495~715 182 703 –0.890 3 y=–188.9x+82.5 0.762 2 0.256 9 0.621 2 0.289 6
     1)回归方程中,x:最高相关性波段的反射率,y:叶绿素含量
    下载: 导出CSV

    表  3   不同光谱特征参数的龙眼叶片叶绿素含量反演结果

    Table  3   The inversion results of chlorophyll contents of Longan leaves based on different spectral characteristic parameters

    回归模型1) 校正集 验证集
    R2c RMSEc R2v RMSEv
    y=0.155x1–106.1 0.823 4 0.232 4 0.756 7 0.301 2
    y=–0.342x2+11.7 0.472 3 0.795 1 0.338 7 0.845 3
    y=0.086x1–0.212x2–36.4 0.742 4 0.302 5 0.654 5 0.386 5
    y=–0.434x3+242.1 0.175 0 1.204 5 0.155 4 1.468 2
    y=–0.24x4+5.5 0.793 8 0.253 4 0.680 1 0.299 6
    y=104.4–0.315x3+2.99x4 0.686 5 0.289 0 0.595 1 0.421 3
    y=–0.14x5+95.5 0.816 8 0.234 4 0.757 9 0.296 0
    y=–0.431x6+5.5 0.718 5 0.286 5 0.656 7 0.301 3
    y=55.3–0.082x5+0.017x6 0.856 8 0.219 5 0.771 2 0.286 2
    y=0.058x7+1.9 0.062 1 1.364 9 0.051 5 1.379 2
     1) x1: 红边位置, 683~765 nm光谱曲线一阶导数最大值波段;x2: 683~765 nm红边反射率总和;x3: 490~595 nm反射率最大值波段;x4: 490~595 nm反射峰带所有反射率总和;x5: 595~682 nm吸收带反射率最小的波段;x6: 595~682 nm吸收带所有反射率总和;x7: 平台区800~960 nm所有反射率总和;y: 叶绿素含量
    下载: 导出CSV

    表  4   不同生长阶段龙眼叶片特征波段图像纹理特征与叶绿素含量的相关系数(r)

    Table  4   The correlation coefficients of chlorophyll contents and texture parameters from characteristic wavelength images of Longyan leaves in different periods

    λ/nm 嫩叶 成熟叶 老熟叶 全生长期
    对比度 相关性 能量 同质性 对比度 相关性 能量 同质性 对比度 相关性 能量 同质性 对比度 相关性 能量 同质性
    550 –0.37 0.54 0.61 0.64 –0.45 0.55 0.65 0.67 –0.44 0.56 0.66 0.69 –0.46 0.53 0.67 0.69
    677 –0.41 0.56 0.62 0.64 –0.46 0.55 0.69 0.68 –0.50 0.60 0.69 0.71 –0.48 0.58 0.68 0.69
    703 –0.48 0.55 0.65 0.62 –0.55 0.60 0.70 0.71 –0.51 0.63 0.71 0.72 –0.50 0.61 0.68 0.70
    下载: 导出CSV
  • [1] 李粉玲, 王力, 刘京, 等. 基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算[J]. 农业机械学报, 2015, 46(9): 273-281.
    [2] 何启平, 陈莹. 校园常见植物叶绿素提取方法比较及其含量测定[J]. 黑龙江农业科学, 2015(10): 117-120.
    [3] 丁永军, 李民赞, 安登奎, 等. 基于光谱特征参数的温室番茄叶片叶绿素含量检测[J]. 农业工程学报, 2011, 27(5): 244-247.
    [4] 岳学军, 全东平, 洪添胜, 等. 柑橘叶片叶绿素含量高光谱无损检测模型[J]. 农业工程学报, 2015, 31(1): 294-302.
    [5] 李媛媛, 常庆瑞, 刘秀英, 等. 基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算[J]. 农业工程学报, 2016, 32(16): 135-142.
    [6] 冯雷, 骆一凡, 何勇, 等. 基于机器视觉技术的尖椒冠层SPAD值测定仪的开发[J]. 农业工程学报, 2016, 32(21): 177-182.
    [7] 赵艳茹, 余克强, 李晓丽, 等. 基于高光谱成像的南瓜叶片叶绿素分布可视化研究[J]. 光谱学与光谱分析, 2014, 34(5): 1378-1382.
    [8] 余克强, 赵艳茹, 李晓丽, 等. 高光谱成像技术的不同叶位尖椒叶片氮素分布可视化研究[J]. 光谱学与光谱分析, 2015, 35(3): 746-750.
    [9]

    CHENG J H, SUN D W, PU H, et al. Comparison of visible and long-wave near-infrared hyperspectral imaging for colour measurement of grass carp[J]. Innov Food Sci Emerg, 2014, 7(11): 3109-3120.

    [10] 朱瑶迪, 邹小波, 石吉勇, 等. 高光谱图像技术快速预测发酵醋醅总酸分布[J]. 农业工程学报, 2014, 30(16): 320-327.
    [11] 李芳, 石吉勇, 张德涛, 等. 银杏叶中黄酮含量的叶面分布检测研究[J]. 食品工业科技, 2015, 36(9): 270-272.
    [12]

    JIN H L, LI L L, CHENG J H. Rapid and non-destructive determination of moisture content of peanut kernels using hyperspectral imaging technique[J]. Food Anal Method, 2015, 8(10): 2524-2532.

    [13] 刘顺枝. 不同成熟度龙眼叶片组织显微结构的观察[J]. 嘉应大学学报, 2000, 18(6): 85-86.
    [14] 黄玉溢, 谭宏伟, 周柳强, 等. 龙眼施用长效氮肥的效应研究[J]. 南方农业学报, 2003(S2): 71-73.
    [15] 周庆贤, 周颂棠, 伦演鹏, 等. 广州地区石硖龙眼高产栽培技术[J]. 广东农业科学, 2005, 32(3): 83-84.
    [16] 彭庆芳. 浅谈龙眼优质高产栽培技术[J]. 吉林农业(学术版), 2010(7): 107.
    [17] 潘玲玲, 徐晓洁, 谭晶晶, 等. 分光光度法快速测定玉米叶片中的叶绿素[J]. 分析化学, 2007, 35(3): 413-415.
    [18]

    WU D, SHI H, WANG S, et al. Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system[J]. Analytica Chimica Acta, 2012, 726(9): 57-66.

    [19]

    WU D, SUN D W, HE Y. Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet[J]. Innov Food Sci Emerg, 2012, 16(39): 361-372.

    [20] 张永贺, 郭啸川, 褚武道, 等. 基于红边位置的木荷叶片叶绿素含量估测模型研究[J]. 红外与激光工程, 2013, 42(3): 798-804.
    [21] 薛利红, 杨林章. 采用不同红边位置提取技术估测蔬菜叶绿素含量的比较研究[J]. 农业工程学报, 2008, 24(9): 165-169.
    [22] 梁爽, 赵庚星, 朱西存. 苹果树叶片叶绿素含量高光谱估测模型研究[J]. 光谱学与光谱分析, 2012, 32(5): 1367-1370.
    [23] 岳有军, 杨雪, 赵辉, 等. 基于支持向量机的油菜缺素诊断研究[J]. 广东农业科学, 2015, 42(20): 145-148.
    [24] 尹征, 唐春晖, 张轩雄. 基于改进型稀疏自动编码器的图像识别[J]. 电子科技, 2016, 29(1): 124-127.
    [25] 孙文珺, 邵思羽, 严如强. 基于稀疏自动编码深度神经网络的感应电动机故障诊断[J]. 机械工程学报, 2016, 52(9): 65-71.
    [26]

    LUO W, YANG J, XU W, et al. Locality-constrained sparse auto-encoder for image classification[J]. IEEE Signal Proc Let, 2015, 22(8): 1070-1073.

    [27]

    VINCENT P, LAROCHELLE H, LAJOIE I, et al. Stacked denoising auto-encoders[J]. J Mach Learn Res, 2010, 11(12): 3371-3408.

    [28] 刘文雅, 潘洁. 基于神经网络的马尾松叶绿素含量高光谱估算模型[J]. 应用生态学报, 2017, 28(4): 1128-1136.
    [29] 邹小波, 张小磊, 石吉勇, 等. 基于高光谱图像的黄瓜叶片叶绿素含量分布检测[J]. 农业工程学报, 2014, 30(13): 169-175.
    [30] 陈晨, 张永成. 马铃薯不同品种间气孔密度及叶绿素含量的差异性研究[J]. 中国农学通报, 2013, 29(27): 83-87.
    [31] 顾振芳, 王伟清, 朱爱萍, 等. 黄瓜对霜霉病的抗性与叶绿素含量、气孔密度的相关性[J]. 上海交通大学学报(农业科学版), 2004, 22(4): 381-384.
    [32] 颜惠霞, 徐秉良, 梁巧兰, 等. 南瓜品种对白粉病的抗病性与叶绿素含量和气孔密度的相关性[J]. 植物保护, 2009, 35(1): 79-81.
图(8)  /  表(4)
计量
  • 文章访问数:  1866
  • HTML全文浏览量:  1
  • PDF下载量:  3095
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-09-13
  • 网络出版日期:  2023-05-17
  • 刊出日期:  2018-05-09

目录

/

返回文章
返回