![]()
→查看原文 →查看PDF
低空无人机遥感田间表型采析技术因其成本较低、易于部署、不受大田地形限制等特点，在诸多表型平台类型中应用相对较多、关注度较高。然而，跨学科知识要求和表型数据分析流程的复杂性导致生命科学等背景的研究人员在学习和掌握该项技能时需付出较高的较高地学习成本。为应对此类问题，本研究开发了集成高通量通用表型平台（IHUP），旨在进一步降低无人机遥感田间表型采析难度，促进该领域发展。2024年5月，Plant Phenomics 在线发表了华中农业大学题为IHUP: An Integrated High-Throughput Universal Phenotyping Software Platform to Accelerate Unmanned-Aerial-Vehicle-Based Field Plant Phenotypic Data Extraction and Analysis的论文。IHUP平台主要包括四个功能模块：预处理、数据提取、数据管理和数据分析。通过集成和自动化处理，简化了需要复杂且跨学科知识的数据提取与分析过程。用户可通过图形用户界面以集成高通量方式计算图像特征信息、结构特征及植被指数。同时，根据不同作物需求可定制植被指数计算公式等提取方法。论文通过水稻干旱相关案例讲解和展示了该平台的表型分析和提取过程，以及性能。结合水稻卷叶指数(LRS)预测模型，在多期连续监测数据中高效地提取叶片卷叶指数、株高、VIs、鲜重及干重等性状。在该实例中，平台每分钟可从约500个小区中21个与干旱密切相关的表型参数。此外，该平台还配备用户友好界面，并支持定制或整合各种特征提取算法，较好的降低了非专业人士的学习和使用成本，加速了表型信息的提取效率和准确性。
图1 IHUP平台功能模块设计，包含数据处理、数据提取、数据管理及建模分析平台设计了完整图形界面用以完成数据预处理及特征提取等功能。内置集成了RGB和多光谱两种相机对应的常用植被指数计算方法。用户可根据所采用相机波段组成和研究需要自行更改并存储计算方法。平台可兼容用户已有的独立算法，可在通过指定本地Python环境和计算脚本将以自主的特征提取算法集成，由后台统一处理并整理输出。平台主要界面见图2。
![]()
图2 IHUP平台主要图形界面，a：数据浏览；b：自定义算法；c：数据批处理设置；d：结果分析
研究以年水稻干旱表型响应监测试验数据为案例，使用所开发平台处理无人机可见光影像及多光谱影像并提取水稻卷叶指数，进而验证并说明平台的功能与计算性能。案例实验于2018年在武汉市华中农业大学校内试验田进行，试验共种植了78份抗旱水稻材料（3组重复）。于8月11日，在有损区域内进行一次生物量采集；8月29日至9月4日在无损田进行四次卷叶指数人工打分，研究区域概况见图3。![]()
研究中使用已有的水稻卷叶指数预测模型完成特征提取，其中水稻卷叶指数的预测精度R2=0.7，RMSE = 0.87。此外，平台可实现特征相关性分析，特征分布统计等分析功能，用以辅助无人机表型数据参与大田精细管理和育种决策。![]()
![]()
图5 水稻干旱表型响应试验案例数据分析报告 a，b:卷叶指数分布统计；c：水稻鲜重与株高建模；d：水稻干重与株高建模
华中农业大学植物表型团队低空遥感课题组博士研究生王博韬为第一作者，张建教授为通讯作者。该研究研究得到自然科学基金等项目资助。课题组一直致力于将低空无人机多源遥感技术应用于大田作物高通量表型调查、农业生产管理智慧化管理等场景，注重科研成果的工程化应用，集成和研发了多套无人机成像平台及配套影像处理和表型特征提取一体化处理算法，相关成果转化推广到多家科研单位和高校使用。常年招收机器视觉、遥感、地理信息和AI大数据方向的博士后、硕博士研究生，同时也欢迎客座学生和科研助理的加入。
Using UAV-based temporal spectral indices to dissect changes in the stay green trait in wheat
https://doi.org/10.34133/plantphenomics.0171
Plant Phenomics | 西北农林科技大学基于无人机的时序光谱指数解析小麦持绿在育种进程中的选择
Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images
https://doi.org/10.34133/plantphenomics.0020
Plant Phenomics ESI高被引论文 | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法
扫码添加小编微信，拉您进入《植物表型组学》作者交流群，群内不定期开展作者分享会、专刊发布会等高质量活动。
![]()
添加小编微信，备注姓名+单位+PP，加入作者交流群《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2022影响因子为7.6，位于农艺学、植物科学、遥感一区。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。
说明：本文由《植物表型组学》编辑部负责组稿。
审核：孔敏、王平
点击“在看”，助力传播 ![]()
