無(wú)人機(jī)多視角成像技術(shù)在估算小麥幼苗分蘗數(shù)上的應(yīng)用

隨著圖像處理技術(shù)的不斷發(fā)展，使用基于傳感器技術(shù)的方案對(duì)作物進(jìn)行監(jiān)測(cè)正變得越來(lái)越便捷。得益于此，田間表型領(lǐng)域的研究已取得了許多顯著進(jìn)展，但其仍被認(rèn)為是作物遺傳改良的瓶頸所在。

目前，如何更好地抵御氣候變化已成為作物（例如小麥）種植中的主要問(wèn)題，而隨著近年來(lái)極端氣候事件的不斷發(fā)生，作物單產(chǎn)之間的差異可能會(huì)增加。為了確保作物產(chǎn)量的穩(wěn)定，需要讓作物生產(chǎn)系統(tǒng)不斷地去適應(yīng)變化多端的氣候條件，育種家則需要以此改良作物品種。

就歐洲地區(qū)而言，小麥單產(chǎn)已停滯不前，為了育成高產(chǎn)的小麥品種，有必要獲取相關(guān)信息，去探究作物中不同的產(chǎn)量因子是在何時(shí)以及是如何形成的。近幾十年來(lái)獲取可靠的產(chǎn)量因子信息的需求一直存在，但礙于高通量表型分析算法的匱乏，育種家難以通過(guò)基因-環(huán)境間的互作去得出可靠的結(jié)論，因此迄今為止公認(rèn)的最為有效的產(chǎn)量表型分析方法仍然是在育種末期測(cè)量大田中的最終谷物產(chǎn)量。同時(shí)，為了增加遺傳增益，對(duì)育種階段早期的表型分析也至關(guān)重要。

小麥的產(chǎn)量因子主要有單位面積內(nèi)植株數(shù)量、每株可育穗芽數(shù)以及每穗粒數(shù)和粒重等。植株數(shù)量以及可育穗芽數(shù)與出苗、分蘗強(qiáng)度以及分蘗敗育情況有關(guān)，這些過(guò)程不僅受播種密度等種植管理因素影響，還受到環(huán)境變量的影響。每穗的潛在穗粒數(shù)由末端小穗的形成情況決定，而末端小穗則與拔節(jié)期開(kāi)始的時(shí)間點(diǎn)有關(guān)，這是一個(gè)與環(huán)境參數(shù)高度相關(guān)的過(guò)程。采用人工方式評(píng)估這些性狀非常耗時(shí)耗力，且準(zhǔn)確性不佳。

近日，Plant Phenomics在線(xiàn)發(fā)表了蘇黎世聯(lián)邦理工學(xué)院農(nóng)業(yè)科學(xué)研究所Lukas Roth等人題為Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones的研究論文。

為了在育種階段早期對(duì)小麥進(jìn)行表型分析，該文章使用了基于無(wú)人機(jī)圖像采集的方法，針對(duì)出苗率、分蘗數(shù)以及開(kāi)始拔節(jié)時(shí)間點(diǎn)進(jìn)行分析。使用每周至少兩次的重復(fù)飛行所獲取到的可見(jiàn)光圖像，量化可見(jiàn)葉面積的時(shí)空變化。為了利用多視角圖像中所包含的信息，文章將采集到的圖像處理為突出顯示植株部分的多視角地面覆蓋圖像(Figure 1)；之后，基于這些圖像訓(xùn)練支持向量機(jī)，用于分析拔節(jié)時(shí)間點(diǎn)(GS30)；最后分別使用分水嶺算法和生長(zhǎng)模型對(duì)植株和分蘗的數(shù)量進(jìn)行計(jì)數(shù)(Figure 3)。

論文結(jié)果表明，算法對(duì)分蘗數(shù)和拔節(jié)時(shí)間點(diǎn)的分析較為準(zhǔn)確(Figure 5)，且在分蘗計(jì)數(shù)方面，遺傳力優(yōu)于人工測(cè)量。此外，多視角圖像性狀分析能夠以較高效率（最高可達(dá)223%）代替人工測(cè)量。因此，多視角圖像具有很高的潛力，有望成為植物表型組學(xué)的標(biāo)準(zhǔn)工具之一。

Figure 1: Phenotyping strategy including preprocessing, feature extraction, time point traits, spatial correction, dynamic modeling, and finally intermediate level traits.

Figure 3: Schematic representation of multiview ground cover image preprocessing (a) and strategies for plant count (b), tiller count (c), and beginning of stem elongation (GS30, d) feature extraction methods.

Figure 5: Prediction errors and determination coefficients (R2) for plant count estimations (a), shoot dynamics modeling (b, c), and beginning of stem elongation (GS30) (d).

論文鏈接

https://spj.sciencemag.org/journals/plantphenomics/2020/3729715/

——推薦閱讀——

Canopy Roughness: A New Phenotypic Trait to Estimate Aboveground Biomass from Unmanned Aerial System

https://spj.sciencemag.org/journals/plantphenomics/2020/6735967/

Plant Phenomics | 冠層粗糙度：一種用于無(wú)人機(jī)航測(cè)估算地上生物量的新表型性狀

Scoring Cercospora Leaf Spot on Sugar Beet: Comparison of UGV and UAV Phenotyping Systems

https://spj.sciencemag.org/journals/plantphenomics/2020/9452123/

Plant Phenomics | 對(duì)比無(wú)人車(chē)(UGV)和無(wú)人機(jī)(UAV)表型系統(tǒng)評(píng)估甜菜褐斑病的病害等級(jí)

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線(xiàn)發(fā)行，是Science合作出版的第二本期刊。采用開(kāi)放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。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(jī)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(shí)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(jì)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CABI、CNKI、DOAJ和PMC數(shù)據(jù)庫(kù)收錄。

說(shuō)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)。

撰稿：王棟（實(shí)習(xí)）

編輯：周燦彧（實(shí)習(xí)）、鞠笑、孔敏

審核：尹歡