日前，西北農林科技大學、農業農村部農業物聯網重點實驗室借助PlantScreen植物表型成像分析系統和干旱脅迫狀態識別模型，對番茄的干旱脅迫進行早期監測和等級判定，獲得了較高的識別準確率。研究成果發表在2021年6月的《農業工程學報》雜志上。

      研究小組首先利用PlantScreen植物表型成像分析系統中的FluorCam葉綠素熒光成像單元采集不同干旱脅迫程度的植株冠層葉綠素熒光圖像：每個樣本共獲取98幅熒光圖像，即共有98個葉綠素熒光參數；并將頂層葉片圖像像素均值作為該植株的葉綠素熒光參數。從而克服了目前大部分研究未能充分利用葉綠素熒光參數信息和未利用熒光圖像信息的問題。

      之后使用連續投影法（Successive Projections Algorithm，SPA）等3種算法提取了5個公共熒光參數并分析了其在不同干旱等級下的變化趨勢：
      1.QY_L2：光適應過程中L2 時刻的實際光量子效率，隨著干旱脅迫程度的增加呈現
減小的趨勢，說明干旱脅迫降低了葉片的光化學淬滅能力；
      2.NPQ_L3：光適應過程中L3 時刻的非光化熒光淬滅，隨著干旱脅迫程度的增強而上升說明葉片在干旱脅迫下天然色素通過熱耗散的方式釋放過多的熱量，來減少PSⅡ吸收的過多光能，從而減緩衰老；
      3.qL_L2：基于“Lake”模型光適應過程中L2 時刻的光適應光化學淬滅
      4.qL_Lss基于“Lake”模型的穩態光適應光化學淬滅
      5.qL_D3基于“Lake”模型暗弛豫過程中D3 時刻的光適應光化學淬滅
以上3個均為光化學淬滅，除qL_Lss 在輕度干旱狀態下稍有上升外，其余均隨著干旱脅迫程度增加而降低，表明干旱脅迫導致PSⅡ天然色素捕捉光能分配給電子傳遞速率的值減少。

      最后，研究小組利用線性判別分析（Linear Discriminant Analysis，LDA）、支持向量機（Support Vector Machines，SVM）和k 最近鄰（k-Nearest Neighbor，KNN）建立干旱脅迫狀態識別模型。其中IRIV-LDA 和VISSA-LDA 建模效果最好，識別準確率均可達97.8%，且IRIV-LDA 對干旱脅迫程度的區分度更好，對適宜水分、輕度干旱、中度干旱、重度干旱的識別率分別為100%、95%、98%、98%。僅用5個公共參數建立干旱識別模型的識別準確度最高可達83.7%，說明這5個熒光參數與番茄干旱脅迫高度相關。
      位于西北農林科技大學旱區節水農業研究院的PlantScreen植物表型成像分析系統具備光適應室、葉綠素熒光成像室、傳送單元、自動澆灌稱重單元及配套的控制、通訊單元及軟件，配合人工氣候室可實現植物的高通量、全自動的培養及光合生理表型的監測。
      該系統由捷克PSI（Photons Systems Instruments）公司研制生產及安裝，由PSI獨家代理商北京易科泰生態技術有限公司提供培訓和維護。