编辑推荐：
研究人员为区分根系物种及活力，开展光谱分析研究，发现 SWIR 区域潜力大，对根系研究意义重大。
在植物的地下世界里，根系就像隐藏在黑暗中的神秘 “指挥家”，掌控着植物生长、营养吸收和生态系统平衡的关键 “旋律”。然而，想要深入了解这些 “指挥家” 并不容易。在复杂的植物群落中，不同物种的根系常常交织在一起，而且根系还有活根和死根之分，这给科学家们研究根系带来了巨大挑战。传统的根系研究方法，要么只能在干燥、研磨后的样本上分析化学成分，要么依靠人工主观判断活根和死根，这些方法不仅效率低，还容易出错。比如，在研究混合植物群落时，由于缺乏高通量的物种识别和量化方法，科学家们就像在黑暗中摸索的行者，难以准确把握根系的奥秘。同时，直接干扰、分辨率低等问题也严重影响了光谱成像在根系研究中的应用。因此，开发新的、高效的根系研究方法迫在眉睫。
为了揭开根系的神秘面纱，来自维也纳自然资源和生命科学大学（University of Natural Resources and Life Sciences, Vienna）、维也纳科学仪器有限公司（Vienna Scientific Instruments GmbH）、塔尔图大学（University of Tartu）和布尔诺孟德尔大学（Mendel University in Brno）的研究人员 Pavel Baykalov、Gernot Bodner、Ivika Ostonen 和 Boris Rewald，展开了一项极具创新性的研究。他们的研究成果发表在《Plant and Soil》杂志上，为根系研究领域带来了新的曙光。
在这项研究中，研究人员主要运用了以下几种关键技术方法：
- 光谱成像技术：使用 SPECIM IQ 相机（覆盖 400 - 1000nm 的 VISNIR 范围）和 ImSpector N17E 相机（覆盖 900 - 1700nm 的 SWIR 范围）对根系和根际进行成像，获取不同波长下的光谱数据。
- 数据处理与分析技术：对获取的光谱数据进行归一化、缩放等预处理，并通过自定义的 Python 程序选择感兴趣区域（ROI）进行标注。运用主成分分析（PCA）、K-means 聚类分析、广义线性模型（GLM）、偏最小二乘判别分析（PLS-DA）和分布式随机森林（DRF）模型等方法对数据进行分析。
下面让我们详细看看研究人员的重要发现：
- 根系与土壤光谱差异：在 VISNIR 分析中，根系和土壤光谱特征重叠度高，PCA 分析难以清晰区分两者，K-means 聚类和监督分类的效果也不太理想，关键分类波段位于～600nm、~810 - 850nm 和～950 - 1000nm。而在 SWIR 数据中，虽然 PCA 也不能完全区分根系和土壤，但 K-means 聚类的 MCC 值较高（0.51 - 0.59），监督分类中 DRF 算法表现出色，关键波段在 1200 - 1260nm、1415 - 1440nm 左右。这表明 SWIR 数据在区分根系和土壤方面更具潜力。
- 草与草本植物细根的光谱差异：在 VISNIR 区域，Alopecurus pratensis 和 Urtica dioica 的光谱重叠严重，K-means 聚类的 MCC 值较低（0.27 - 0.36），监督模型中 DRF 和 GLM 表现较好，但不同方法确定的关键波段在活根和死根中有所不同。在 SWIR 区域，两种植物的光谱有一定区分度，K-means 聚类和监督分类的准确率和 MCC 值都较高，关键波段在光谱的起始和末尾部分，以及 1450 - 1500nm（针对死根）。不过，用 3 月数据训练的模型在 4 月数据上测试时，物种区分度有所下降。
- 基于光谱模式的活 - 死细根区分：在 VISNIR 区域，无论是 PCA 还是光谱比较，都难以区分活根和死根，监督模型指出 NIR 区域～900 - 940nm 有一些区分波段，GLM 模型的 MCC 值相对较高。在 SWIR 区域，PCA 能更清晰地区分活根和死根，特别是在 1410 - 1700nm 区域，监督方法确定的重要波段集中在～1460 - ~1570nm，聚焦 1450 - 1700nm 区域可提高聚类的准确率和 MCC 值。
研究结论和讨论部分指出，本研究展示了 VISNIR 和 SWIR 光谱成像在区分非木本根系物种和活死根方面的机遇与挑战。SWIR 光谱在根系研究中表现出更大的潜力，其光谱区域 1000 - 1100nm 和 > 1400nm 对物种区分有重要意义，>1400nm 区域对区分早期分解阶段的活死根也至关重要，有助于改进非破坏性根周转速率的计算。此外，研究还发现根系和土壤光谱在水含量相关波段（970nm、1245nm 和 1450nm）存在显著差异。不过，研究也存在一些局限性，比如实验未考虑空间信息，未来研究应结合光谱和空间信息，开发更强大的根际元素分类方法。同时，研究强调了选择适合原位光谱数据的分类模型的重要性，不能仅仅依赖应用于干燥、均质化样本光谱的现有模型。
总之，这项研究为根系研究提供了新的视角和方法，为进一步深入探索植物地下世界的奥秘奠定了坚实基础，有望推动植物科学和生态系统研究的发展。
