《Plants》特刊约稿情况调查

一、特刊简介

《植物》（Plants）特刊《植物光谱与光合分析的耦合》(Integration of Spectroscopic and Photosynthetic Analyses in Plants)
影响因子：5.4，植物科学类别顶刊
投稿截止日期:2023年12月31日

二、约稿信息

亲爱的李博士:问候!
Marcos Rafael Nanni博士和Renan Falcioni博士正在《植物》杂志上编辑一期特刊“植物光谱和光合分析的耦合”。基于您在这一领域的专业知识，我们想邀请您为本期特刊贡献一篇综述或完整的研究论文。特刊发表了两篇论文，您可以通过以下链接查看所有论文:特刊链接，特刊截稿日期为2023年12月31日。你能告诉我们你是否有兴趣为这个流行的特刊撰稿吗?如果您有任何问题，请随时与我联系。《植物》(ISSN 2223-7747)是一本开放获取的期刊，涵盖了植物科学的所有关键领域，由知名研究人员组成的优秀编辑委员会(https://www.mdpi.com/journal/plants/editors)提供支持。目前，植物被许多重要的数据库收录，包括SCIE、PubMed和Scopus (IF 2022:4.5, CiteScore: 5.4)。在“植物科学”类别中，植物属于最高的四分位数(Q1)。
最好的问候,
李婷婷
管理编辑

三、编辑信息

拉斐尔·南尼教授博士
州立大学农学系全职教授兼研究员
兴趣:数据融合与处理;机器学习;多光谱和高光谱传感器;遥感;精准农业
Renan Falcioni博士
马林海国立大学农学系
兴趣:生物化学和分子分析;叶绿素a荧光;气体交换;植物表型出现;光合作用;光谱学

四、主题要求

亲爱的同事们,在本期特刊“植物光谱与光合分析的整合”中，我们强调了光谱与光合分析方法在植物研究分析中的重要融合。这种整合提供了对植物组织，生理过程和生化成分的深入了解，为更全面地了解植物生物学机制铺平了道路。光谱技术的使用，当与不同的技术，包括多光谱、高光谱和荧光成像相结合时，促进了更好的理解，并允许对植物进行非侵入性分析。这对于评估、分类和预测植物对不同环境的反应至关重要。此外，将光合作用分析与这些方法结合起来，可以深入了解分子光合作用机制和生态系统水平的植物动力学。我们还强调了人工智能、机器学习和深度学习算法在准确检测由压力、不同处理和各种环境(如实验室实验、温室、田地和与植物研究遥感监测相关的环境)相互作用引起的变化方面日益重要的作用。这些先进的计算工具有助于管理和解释由光学方法产生的大量数据集，从而促进光谱和光合作用分析之间更精确和有效的关联。本期所有的讨论和发现都将对我们对植物的理解做出重大贡献。这种全面、综合的方法有望在植物生产力、可持续性和恢复力方面取得高通量突破，并有可能改变植物生物学的学术研究和实际应用。

本期我们将探讨广泛的主题，包括但不限于以下内容（加粗为关键字）:

• 光谱学与光合作用分析的结合;
  （光合作用分析、光合作用产量）
• 植物组织中的应用光谱学;
• 与光谱学有关的生物物理、生理、生化、遗传和分子方面的进展;（整合生物物理，生理，生化，遗传学和分子进展与光谱学）
• 叶绿素a荧光和叶片光学性质;
• 植物研究中的人工智能、机器学习和深度学习算法;
• 化学计量学的发展与应用植物分类与预测参数;
• 植物表型分析的技术和工具。

五、投稿要求

投稿信息投稿请在www.mdpi.com网站注册并登录。注册后，点击这里进入提交表格。稿件可以在截止日期前提交。所有通过预检的提交都经过同行评审。被录用的论文将在期刊上连续发表(一经录用)，并在特刊网站上一并列出。欢迎发表研究文章、评论文章和简短的交流。拟发表论文，可将论文题目和100字左右的摘要发送至编辑部，在本网站上公布。提交的稿件不得在以前发表过，也不得考虑在其他地方发表(会议论文集除外)。所有手稿都经过单盲同行评审的过程。作者指南和提交稿件的其他相关信息可在说明中找到查看作者页面。《植物》是由MDPI出版的一本国际同行评审的开放获取半月刊。请在提交稿件之前访问作者说明页面。货物加工费(APC在这个开放获取期刊上的出版物是2700 CHF(瑞士法郎)（相当于21889人民币）。提交的论文应格式合理，使用得当良好的英语。作者可以在出版前或作者修改期间使用MDPI的英文编辑服务。

六、两篇论文总结

• UV-VIS-NIR-SWIR超光谱预测叶片生化成分的化学计量学分析，2023
  针对传统的侵入性测量技术采样破坏性、结论不可重复性的问题，提出了非侵入性高光谱技术。模型在预测叶绿素、DPPH、木质素的R2为0.86和0.89，表明了光谱数据与植物生物化学方面存在明显的关系。

• 利用反射超光谱学无创评估、分类和预测生物物理参数，2023
  针对高光谱数据能否为估计植物属性提供方便快速的方法问题，使用8种机器学习算法预测植物表型参数。