高通量表型分析是現(xiàn)代植物育種和農(nóng)學(xué)研究中的關(guān)鍵技術(shù)，它通過減少時間成本和加速育種周期來提高研究效率。在這項研究中，作者們旨在開發(fā)一種基于無人機遙感和深度學(xué)習(xí)模型的方法，用于估計大豆的生物量相關(guān)性狀。研究的目的是克服傳統(tǒng)破壞性測量方法的局限性，如植株收割，這阻礙了對單株植物持續(xù)監(jiān)測的可能性。通過使用無人機搭載的RGB相機捕獲圖像，結(jié)合深度學(xué)習(xí)模型，研究者能夠非破壞性地估計大豆的干重、主莖長度、節(jié)點數(shù)、分枝數(shù)和植株高度等關(guān)鍵性狀。

2024年9月，Plant Phenomics在線發(fā)表了日本東京大學(xué)題為High-Throughput Phenotyping of Soybean Biomass: Conventional Trait Estimation and Novel Latent Feature Extraction Using UAV Remote Sensing and Deep Learning Models的研究論文。該研究通過結(jié)合無人機遙感技術(shù)和深度學(xué)習(xí)模型，對大豆的生物量相關(guān)性狀進行了高通量表型分析。研究的主要目標(biāo)是開發(fā)一種非破壞性的方法來估計大豆的關(guān)鍵生物量性狀，包括干重、主莖長度、節(jié)點數(shù)、分枝數(shù)和植株高度。這些性狀對于評估植物的生長狀況、產(chǎn)量潛力以及對環(huán)境脅迫的響應(yīng)至關(guān)重要。

圖1 干旱和對照條件下大豆田的數(shù)字表面模型和正射鑲嵌圖像

研究團隊在2018年進行了田間實驗，使用了198份大豆種質(zhì)材料，這些材料在干旱和灌溉兩種不同的水分供應(yīng)條件下生長。實驗地點位于日本鳥取大學(xué)干旱地區(qū)研究中心的沙土試驗田，通過覆蓋白色地膜和使用滴灌系統(tǒng)來控制土壤濕度，模擬不同的水分供應(yīng)條件，以評估大豆對干旱脅迫的反應(yīng)。通過這種方式，研究人員能夠收集在不同環(huán)境壓力下大豆生長的詳細(xì)數(shù)據(jù)。為了獲取大豆植株的高分辨率圖像，研究團隊使用了DJI Phantom 4 Advanced無人機搭載RGB相機進行遙感成像。無人機在大約12米的飛行高度上，以2秒的間隔拍攝圖像，確保了相鄰圖像之間有90%的重疊率。這為后續(xù)的圖像處理提供了充足的數(shù)據(jù)。圖像預(yù)處理包括生成數(shù)字表面模型（DSM）和正射投影RGB圖像（圖1），這些圖像用于提取植被區(qū)域并進行數(shù)據(jù)增強，以擴大訓(xùn)練數(shù)據(jù)集。通過這種方法，研究人員能夠?qū)⒏呔S的圖像數(shù)據(jù)轉(zhuǎn)化為可用于機器學(xué)習(xí)模型訓(xùn)練的格式。

圖2 深度學(xué)習(xí)模型從輸入數(shù)據(jù)中估計表型值的準(zhǔn)確性

在深度學(xué)習(xí)模型的構(gòu)建與訓(xùn)練階段，研究中構(gòu)建了三種卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型：RGBNet、DSMNet和RGBDSMNet，分別利用RGB圖像、DSM和兩者結(jié)合作為輸入（圖2）。這些模型通過從輸入圖像中提取特征，來估計目標(biāo)性狀的表型值。模型訓(xùn)練采用了均方誤差作為損失函數(shù)，并通過Adam優(yōu)化器進行優(yōu)化。通過10折交叉驗證和20次重復(fù)，評估了模型估計表型值的準(zhǔn)確性。研究結(jié)果顯示，所有模型均能以中等至高的準(zhǔn)確度估計目標(biāo)性狀。特別是，干重和植株高度的估計準(zhǔn)確度較高，而主莖長度、節(jié)點數(shù)和分枝數(shù)的估計準(zhǔn)確度則相對較低。這可能與這些性狀在圖像中的可見性和可測量性有關(guān)。

圖3 RGB-DSMNet提取的潛在特征主成分與傳統(tǒng)性狀之間的關(guān)系

此外，研究還探討了從深度學(xué)習(xí)模型中提取的低維潛在特征與常規(guī)生物量性狀之間的關(guān)系。通過主成分分析（PCA），研究者發(fā)現(xiàn)這些潛在特征與目標(biāo)性狀之間存在顯著的相關(guān)性。特別是，第一主成分（PC1）與所有生物量相關(guān)性狀都有顯著關(guān)聯(lián)，這表明PC1可能捕捉到了大豆植株生長的總體趨勢（圖3）。為了驗證這些潛在特征是否受到遺傳控制，研究者還進行了基因組預(yù)測分析。結(jié)果顯示，控制條件下的基因組預(yù)測準(zhǔn)確性高于干旱條件，這表明在良好的生長條件下，這些特征更容易受到遺傳因素的影響。

總體而言，這項研究展示了一種結(jié)合無人機遙感和深度學(xué)習(xí)的新方法，用于高效、準(zhǔn)確地評估大豆的關(guān)鍵生物量性狀，并為植物育種提供了潛在的新工具。通過這種方法，研究人員和育種專家能夠在不破壞植物的情況下，快速地從大面積的田地中獲取植物生長和發(fā)育的重要信息，從而加速育種進程并提高育種效率。這項研究的成功實施為農(nóng)業(yè)和植物科學(xué)研究領(lǐng)域提供了一種新的視角和方法論，有望在未來的作物改良和農(nóng)業(yè)生產(chǎn)中發(fā)揮重要作用。

論文鏈接：
https://doi.org/10.34133/plantphenomics.0244

——推薦閱讀——
DEKR-SPrior: An Efficient Bottom-Up Keypoint Detection Model for Accurate Pod Phenotyping in Soybean
https://doi.org/10.34133/plantphenomics.0198
Plant Phenomics | DEKR-SPrior: 基于自下而上的關(guān)鍵點檢測模型的大豆精準(zhǔn)豆莢表型分析
Noninvasive Abiotic Stress Phenotyping of Vascular Plant in Each Vegetative Organ View
https://doi.org/10.34133/plantphenomics.0180
Plant Phenomics | 福建農(nóng)林大學(xué)基于高等植物“根-莖-葉”視角下的無損脅迫表型分析

加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics
《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為7.6，位于農(nóng)藝學(xué)一區(qū)（1/125名），植物科學(xué)一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領(lǐng)軍期刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
編輯排版：王平、張婕（上海交通大學(xué)）
審核：尹歡、孔敏