高通量表型分析是現代植物育種和農學研究中的關鍵技術，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，作者們旨在開發一種基于無人機遙感和深度學習模型的方法，用于估計大豆的生物量相關性狀。研究的目的是克服傳統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監測的可能性。通過使用無人機搭載的RGB相機捕獲圖像，結合深度學習模型，研究者能夠非破壞性地估計大豆的干重、主莖長度、節點數、分枝數和植株高度等關鍵性狀。

2024年9月，Plant Phenomics在線發表了日本東京大學題為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。該研究通過結合無人機遙感技術和深度學習模型，對大豆的生物量相關性狀進行了高通量表型分析。研究的主要目標是開發一種非破壞性的方法來估計大豆的關鍵生物量性狀，包括干重、主莖長度、節點數、分枝數和植株高度。這些性狀對于評估植物的生長狀況、產量潛力以及對環境脅迫的響應至關重要。

圖1 干旱和對照條件下大豆田的數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份大豆種質材料，這些材料在干旱和灌溉兩種不同的水分供應條件下生長。實驗地點位于日本鳥取大學干旱地區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來控制土壤濕度，模擬不同的水分供應條件，以評估大豆對干旱脅迫的反應。通過這種方式，研究人員能夠收集在不同環境壓力下大豆生長的詳細數據。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。這為后續的圖像處理提供了充足的數據。圖像預處理包括生成數字表面模型（DSM）和正射投影RGB圖像（圖1），這些圖像用于提取植被區域并進行數據增強，以擴大訓練數據集。通過這種方法，研究人員能夠將高維的圖像數據轉化為可用于機器學習模型訓練的格式。

圖2 深度學習模型從輸入數據中估計表型值的準確性

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

圖3 RGB-DSMNet提取的潛在特征主成分與傳統性狀之間的關系

此外，研究還探討了從深度學習模型中提取的低維潛在特征與常規生物量性狀之間的關系。通過主成分分析（PCA），研究者發現這些潛在特征與目標性狀之間存在顯著的相關性。特別是，第一主成分（PC1）與所有生物量相關性狀都有顯著關聯，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測分析。結果顯示，控制條件下的基因組預測準確性高于干旱條件，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合無人機遙感和深度學習的新方法，用于高效、準確地評估大豆的關鍵生物量性狀，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業和植物科學研究領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業生產中發揮重要作用。

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: 基于自下而上的關鍵點檢測模型的大豆精準豆莢表型分析
Noninvasive Abiotic Stress Phenotyping of Vascular Plant in Each Vegetative Organ View
https://doi.org/10.34133/plantphenomics.0180
Plant Phenomics | 福建農林大學基于高等植物“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》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

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》（Plant Phenomics）是由南京農業大學創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為7.6，位于農藝學一區（1/125名），植物科學一區（13/265名），遙感一區（6/62名）。2023年中科院期刊分區位于農林科學大類一區。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軍期刊項目。

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