Plant Phenomics | 無人機高光譜影像在玉米自交系作物性狀估算中的應用

傳統的作物表型分析費時費力，效率較低，不能滿足作物育種高通量篩選的需要。近年來，無人機及傳感器的快速發展為作物育種提供了新方法。在作物育種中，品種間的表型性狀差異較小，數碼和多光譜圖像不足以反映材料間的差異。無人機高光譜圖像在捕捉細微特征信息方面具有獨特的優勢，有望準確估計育種材料間的相似性狀。目前，將無人機高光譜圖像應用于數百種育種材料的報道很少。

近日，Plant Phenomics在線發表了中國農業大學數字農業研究團隊題為The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines的研究論文。

本研究利用連續投影(SPA)和競爭性自適應重加權(CARS)2種變量篩選方法和偏最小二乘(PLS)和隨機森林(RF)2種回歸模型，分析無人機高光譜圖像在小區水平上高通量的估計玉米自交系表型性狀的潛力。

研究表明，采用無人機高光譜圖像估算玉米地上部生物量(AGB)、葉面積總量(TLA)、SPAD值和千粒重(TWK)具有可行性，并確定了各自的最優估算模型。對于 AGB、TLA 和SPAD, 最優組合是CARS-PLS，而TWK的最優組合是CARS-RF。研究結果對采用無人機高光譜圖像在小區水平上估算玉米自交系主要性狀具有指導意義和應用價值。

圖2 無人機高光譜成像系統

圖4 各參數與高光譜的相關性(a)及各參數之間的相關性(b)

圖5 基于不同波段組合的地上部生物量反演比較

圖6 基于不同波段組合的葉面積總量反演比較
Figure 6: Total leaf area (TLA) prediction using different band combinations and the PLS or RF model.

圖7 基于不同波段組合的SPAD反演比較
Figure 7: SPAD value prediction using different band combinations and the PLS or RF model.

圖9 基于CARS-RF組合的玉米TWK預測結果。不同材料基因型的箱線圖(a)和產量水平百分比圖(b)
Figure 9: Prediction results of maize TWK based on the optimal combination of the CARS-RF method. Boxplot (a) and percentage chart of the yield levels (b) of different genotypes of materials.

論文第一作者為中國農業大學土地科學與技術學院博士研究生束美艷，論文通訊作者為馬韞韜教授，合作者包括中國農業大學的李保國教授、楊小紅教授，河南農業大學的湯繼華教授，內蒙古生物技術研究院的王瑞利研究員。該研究得到國家重點研發計劃項目(2016YFD0300202)、內蒙古科技重大(2019ZD024)、成果轉化(2019CG093)和科技廳項目(2020GG00038)的支持。

團隊簡介
中國農業大學數字農業研究團隊主要研究方向為多源尺度的植物功能-結構-環境互作的基因型/表型研究。包括植物根/冠生長與環境交互的模型研究、植物三維表型與基因型關聯分析、基于無人機和多源傳感器融合的植物生長監測。

論文鏈接
https://spj.sciencemag.org/journals/plantphenomics/2021/9890745/

—推薦閱讀——

lassification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature
https://spj.sciencemag.org/journals/plantphenomics/2021/9765952/
Plant Phenomics | 結合無人機高光譜圖像和倒伏特征構建水稻產量類別檢測模型
Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones
https://spj.sciencemag.org/journals/plantphenomics/2020/3729715/
Plant Phenomics | 使用無人機多視角成像技術估算小麥幼苗分蘗數

About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行，是Science合作出版的第二本期刊。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CABI、CNKI、DOAJ、PMC和Scopus數據庫收錄。

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：周燦彧（實習）、鞠笑、孔敏
審核：尹歡