随着全球农业生产的不断发展，提高作物氮利用效率（NUE）成为实现农业可持续发展的重要途径。小麦作为世界上分布最广、种植面积最大的粮食作物之一，其氮利用效率的提升对于保障粮食安全、减少氮肥使用具有重要意义。然而，由于控制NUE的遗传网络复杂多变，寻找和鉴定关键NUE相关基因一直是科学研究的难点。
2024年12月，Plant Phenomics 在线发表了南京农业大学题为From Images to Loci: Applying 3D Deep Learning to Enable Multivariate and Multitemporal Digital Phenotyping and Mapping the Genetics Underlying Nitrogen Use Efficiency in Wheat的研究论文。
一、核心内容
本研究团队提出了一种创新的方法，利用低空航拍技术大规模获取田间小麦图像，生成3D点云和多光谱图像。通过3D深度学习算法，团队对小麦地块进行了精确的分割和表型量化。研究团队构建了小麦3D地块分割数据集，并提取了与氮利用相关的4种植被指数。团队进一步生成了6个与高度相关和24个与植被指数相关的动态数字表型。利用动态表型通过拟合生成动态曲线，为后续的基因组关联研究（GWAS）提供了丰富的表型数据支持。通过GWAS分析，团队成功定位了与小麦高度和NUE相关的可靠基因位点。
二、重要发现或创新点
（1）3D数字动态表型技术的开发：本研究首次将3D深度学习应用于小麦田间表型研究，实现了对小麦生长过程中3D形态变化的连续监测和量化分析，为作物表型研究提供了新的技术手段。
图1 无人机（UAV）图像生成的3D点云数据的处理算法步骤。使用深度学习3D点云分割算法（PointNet++）来提取不同小麦品种及其3D地块点云，并结合点云分析算法来计算每个地块点云的数字化表型特征。(A) 通过结合土壤过滤算法与手动标注，将土壤点云与地上小麦点云分离。此外，对地面点云和地块特定点云进行分类和标注，通过手动移除与地面或小麦无关的杂质点云。这一方法有助于构建基于田间的小麦3D地块分割数据集。(B) 为了训练用于田间小麦的3D地块分割模型，使用PointNet++深度学习点云分割算法对数据集进行训练。完成分割后，不同类别的点云被着色，并为每个类别生成.las文件。（C）当使用训练好的PointNet++模型对不同氮肥处理下的点云进行分割时，处理仅限于地上小麦小区的3D点云。对于每个分割后的地块，计算其最外层包围点并绘制边界框，从而提取单个地块点云的表型特征。使用地面平面上的地理坐标，计算每个地块冠层内每个点的高度，然后计算平均值以获得地块的3D高度。
（2）多变量与长时序数字表型的构建：通过结合RGB和多光谱图像数据，研究团队构建了涵盖小麦整个生长周期的多变量与长时序数字表型，为GWAS提供了更为全面和准确的表型数据。
图2 不同氮素水平下的高度动态表型获取，并结合GWAS定位高度相关的基因位点。
通讯作者：姜东，教授、博士生导师。国家自然科学基金委杰出青年基金项目获得者、“CJ”学者、主持国家重点研发计划、国家自然科学基金重点项目、新疆地区联合基金重点等30余项。国内外核心期刊发表学术论文300余篇、授权专利150余件，Elsevier作物学科中国高被引学者；获国家科技进步二等奖2项、省部级一等奖3项，入选科技部科技创新领军人才、中组部“万人计划”领军人才、江苏省“333”高层次人才、农业农村部全国粮食生产先进个人（2021）。国家小麦产业技术体系栽培与土肥研究室主任，中国作物学会栽培专业委员会小麦学组组长，担任Plant Phenomics、Field Crops Research、Crop Journal等期刊的编委。
https://doi.org/10.34133/plantphenomics.0270
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
Potential of Establishing the Universal Critical Nitrogen Dilution Curve for Japonica Rice
https://doi.org/10.34133/plantphenomics.0036
Plant Phenomics | 粳稻通用临界氮浓度稀释曲线的建立方法探索与评估
《植物表型组学》（Plant Phenomics）是由南京农业大学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JCR2023影响因子为7.6，位于农艺学一区（1/125名），植物科学一区（13/265名），遥感一区（6/62名）。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、中国科技期刊卓越行动计划二期英文梯队期刊。
说明：本文由《植物表型组学》编辑部负责组稿。
审核：尹欢、孔敏
