在产量的精确光谱预测中，穗光合作用对粮食产量的贡献一直被忽视。因此，有必要构建和估计与产量相关的表型性状，考虑穗光合作用。基于19个小麦品种在两年内两种氮肥条件下的田间和光谱反射率数据，我们的目标是（i）构建一个与产量相关的表型性状（穗叶复合指标，SLI），解释穗对光合作用的贡献，（ii）开发一种对SLI敏感的新光谱指数（增强三角植被指数，ETVI3），以及（iii）通过整合光谱指数和机器学习算法建立和评估SLI估计模型。结果表明，SLI对氮肥和小麦品种变异敏感，比叶面积指数更能预测产量。ETVI3在整个生长阶段与SLI保持很强的相关性，而其他光谱指数与SLI的相关性在穗出现后很差。将谱指数和机器学习算法相结合提高了SLI的估计精度，SLI的最准确估计值分别为决定系数、均方根误差（root mean square error，RMSE）和相对均方根误差值0.71、0.047和26.93%。这些结果为准确预测GY的光谱提供了新的见解。这种高通量SLI估计方法可用于小麦全生育期的产量预测，并可辅助农业实践和品种选择。

图1  TVI和ETVI3概念的示意图比较，其中ai、bi和ci是TVI的三个顶点；Ai、Bi和Ci是ETVI3的三个顶点。注：以DAS 140、DAS 165和DAS 175级的光谱反射率为例。TVI，三角植被指数；ETVI3，增强三角植被指数3；DAS，播种后几天。

图2  2020年和2021年两种氮肥（A、B）和三个品种（C、D）穗叶复合指标的动态变化。

图3  多生育期籽粒产量与穗叶复合指数（SLI）和叶面积指数（LAI）的关系。

图4  前十个光谱指数与穗叶复合指数（SLI）的关系（A–J），以及校准和验证数据集中冬小麦的估计和测量SLI之间的关系（K–L）。注：EVI，增强植被指数；TVI，三角植被指数；RDVI，重整化差异植被指数；PRDVI，经穗部调整的重整化差异植被指数；MTVI2，修正三角植被指数2；NDLI，归一化差异木质素指数；OSAVI，优化土壤调整植被指数；NDNI，归一化差异氮指数；TO，反射率指数中转化叶绿素吸收与优化土壤调整植被指数的比值；vogelmann红边指数2；ETVI3，三角植被指数增强3。

图5  XGB-FS在穗前和穗后阶段分别用于穗叶复合指标（SLI）估计的前十个重要特征。注：ETVI3，增强三角植被指数3；EVI，提高植被指数；抗大气植被指数；RG，红绿比例指数；TVI，三角植被指数；RDVI，重整化差异植被指数；OSAVI，优化土壤调整植被指数；NDVI573，归一化差异植被指数573；PRI，生理反射指数；NWI3，归一化水指数-3；PRDVI，经穗部调整的重整化差异植被指数；CRI1，类胡萝卜素反射指数1；MTVI2，修正三角植被指数2；NWI2，归一化水指数-2；CRI2，类胡萝卜素反射指数2；PSRI，植物衰老反射指数。

图6  在抽穗前（A–H）和抽穗后（I–P）阶段，分别使用多元线性回归（MLR）、支持向量机回归（SVR）、最小绝对收缩、选择算子回归（LASSO）和k近邻回归（KNR）对穗叶复合指标（SLI）的估计值和测量值进行比较。注：ETVI3，增强三角植被指数3；（A–D）和（I–L）是测量数据集，包含ETVI3；（E–H）和（MP）是不含ETVI3的测量数据集。