Odbicie hiperspektralne ujawnia krytyczne cechy funkcjonalne liści wskazujące na stan fizjologiczny rośliny, zapewniając potężne narzędzie do rozróżniania sadzonek przystosowanych do określonych środowisk.

Obecne badania badają zmienność wewnątrzpopulacyjną i konieczność wysokoprzepustowego fenotypowania (HTP) w leśnictwie w celu selekcji odpornych genotypów w zmieniających się warunkach klimatycznych. Jednakże nadal istnieją wyzwania związane z zarządzaniem wielkoskalowymi danymi fenotypowymi i zgodnością danych dotyczących współczynnika odbicia uzyskanych za pomocą różnych metod pomiarowych.

Fenomika roślin opublikował artykuł badawczy zatytułowany „Making the Genotypic Variation Visible: Hyperspectral Phenotyping in Scots Pine Seedlings”.

W badaniu tym wykorzystano dwie nieniszczące metody pomiaru odbicia hiperspektralnego na 1788 sadzonkach sosny zwyczajnej, rozróżniając ekotypy nizinne i wyżynne z Republiki Czeskiej.

Pomiary poziomu liści przeprowadzono za pomocą spektroradiometru i sondy kontaktowej (CP) w celu określenia dwustożkowego współczynnika odbicia (BCRF) próbek igieł, natomiast do pomiarów proksymalnego korony wykorzystano ten sam spektroradiometr z kablem światłowodowym (OC) w świetle naturalnym w celu określenia półkulistego stożkowego współczynnika odbicia (HCRF). Wyniki wykazały istotne statystycznie różnice pomiędzy populacjami sosny w całym zakresie widmowym.

Korzystając z algorytmów uczenia maszynowego, dane proksymalne przewidziały różne populacje sosny zwyczajnej z dokładnością do 83%.

W szczególności BCRF i HCRF wykazały istotne różnice w porównaniach parami pomiędzy populacjami, szczególnie w obszarach widzialnych (VIS) i bliskiej podczerwieni (NIR). Najbardziej wyraźne różnice wystąpiły w VIS i czerwonej krawędzi (RE) dla BCRF, podczas gdy HCRF wykazywał większą wariancję w obszarach krótkofalowej podczerwieni (SWIR).

Zarówno dane BCRF, jak i HCRF utrzymały podobne tendencje w zakresie widma bardzo krótkofalowej podczerwieni (VSWIR), przy wartościach BCRF P na ogół bliższych zeru niż HCRF w wielu przedziałach widmowych. Do przetestowania dokładności przewidywania pochodzenia populacji w oparciu o współczynniki odbicia wykorzystano algorytmy Random Forest (RF) i Support Vector Machine (SVM).

Najwyższą dokładność uzyskano dla surowej całej siewki HCRF. Znaczenie określonych obszarów widmowych dla separacji RF zostało potwierdzone przez piki w VIS i RE. HCRF wykazywał więcej obszarów widmowych o dużym znaczeniu dla przewidywania RF niż BCRF, który ograniczał się głównie do VIS i RE. Ta różnica prawdopodobnie przyczyniła się do wyższej dokładności przewidywania modeli RF opartych na danych HCRF.

W badaniu stwierdzono, że zarówno BCRF na poziomie liścia, jak i HCRF całej siewki nadają się do hiperspektralnego fenotypowania w celu rozróżnienia fenotypowego i genetycznego zróżnicowania sadzonek sosny zwyczajnej.

Ogólnie rzecz biorąc, metody te oferują cenne narzędzia w programach leśnych i hodowlanych, w szczególności w zakresie nieniszczącej oceny genetycznej i skutecznych praktyk szkółkarskich. Pomimo pewnych ograniczeń związanych z warunkami świetlnymi i metodami pomiarowymi, badania wykazały potencjał wykorzystania odbicia hiperspektralnego i uczenia maszynowego do dokładnego przewidywania i klasyfikacji populacji drzew w działaniach hodowlanych i ochronnych.