近日，我校生态与应用气象学院杨再强教授团队在草莓低温灾害监测预警研究领域取得重要进展，相关成果以“Monitoring and Risk Prediction of Low-Temperature Stress in Strawberries through Fusion of Multisource Phenotypic Spatial Variability Features”为题发表于农林科学1区Top期刊《Plant Phenomics》。该论文以南京信息工程大学为第一单位，我院博士生姜楠为论文第一作者，杨再强教授为通讯作者，团队成员张涵奇、张呈静、王灿月、王娜、徐超参与研究工作。该研究得到国家自然科学基金和江苏省研究生科研创新计划项目的资助。

草莓是全球消费者广泛喜爱的水果之一，主要生产季为冬春时节，预防低温灾害是草莓种植产业需要面对的挑战。以叶绿素荧光成像、高光谱成像为代表的植物表型成像技术凭借定量、宏观、无接触的独特优势，成为当今具有重要地位的植物生理信息源。然而现有研究对表型成像的空间结构信、片在不同维度及方向上表型空间变异特征的低温灾害预警监测在当前尚无报道。

研究发现，低温胁迫下非光化学淬灭系数在一维平行主叶脉方向上的纹理熵（NPQ/1D-Parallel/TENT）、光系统II非调节性能量耗散的量子产量在叶片二位面域上的惯性矩（Y(NO)/2D-Region/INEM）、光化学淬灭系数在一维平行主叶脉方向上的纹理熵（qP/1D-Parallel/TENT）分别与草莓叶片最大净光合速率（P_max）、相对电导率（REC）、总叶绿素含量（Chl_a+b）互信息最高（图1）。融合6个多源表型变异关键特征（NPQ/1D-Parallel/TENT、NDVIng/1D-Perpendicular/CON、Y(NO)/2D-Region/INEM、NDVInb/2D-Region/ASM、qP/1D-Parallel/TENT、Y(Ⅱ)/1D-Parallel/ASM）对光合生理潜力指数（PPPI）与相对负积温（RNAT）/650的差值的反演能够无接触获知草莓低温灾害发生风险。基于XGBoost算法建立的多源表型融合预测模型精度相比AdaBoost和RandomForest更优，低温灾害风险指数（CDRI）精度验证拟合R²为0.98，RMSE为0.337，风险等级混淆矩阵ACC为92.13%，Kappa系数为0.904，其中表型空间变异特征qP/1D-Parallel/TENT对PPPI与RNAT预测模型均贡献最大（图2和图3）。

该研究创新地利用纹理指标定量描述一维平行主叶脉、一维垂直主叶脉、二维平面（表1）的空间结构特性，揭示了表型空间变异特征作为植物生理诊断依据的可行性，为植物表型研究方法提供了新方案。

图1 草莓表型空间变异特征与Pmax、REC、Chla+b的互信息值：F1至F8分别代表统计特征—A、VAR、COV、IQR、SKE、KUR、INE、ACOR，F9至F16分别代表结构特征—SENT、LENT、CON、ASM、TENT、HOM、INEM、SGA

图2 基于XGBoost的草莓PPPI及RNAT表型预测模型特征贡献度分析

图3 草莓低温灾害风险指数及等级不同模型预测结果精度验证：C-S F代表多源表型空间变异关键特征融合作为CDRI预测输入参数，XGB、AB、RF分别代表XGBoost、AdaBoost和Random Forest算法

表1 研究提取的草莓叶片表型分布特征

论文信息： Nan Jiang, Zaiqiang Yang*, Hanqi Zhang, Chengjing Zhang, Canyue Wang, Na Wang, Chao Xu. Monitoring and Risk Prediction of Low-Temperature Stress in Strawberries through Fusion of Multisource Phenotypic Spatial Variability Features. Plant Phenomics, 2025, 7(2). https://doi.org/10.1016/j.plaphe.2025.100041.