高通量表型分析是现代植物育种和农学研究中的关键技术，它通过减少时间成本和加速育种周期来提高研究效率。在这项研究中，作者们旨在开发一种基于无人机遥感和深度学习模型的方法，用于估计大豆的生物量相关性状。研究的目的是克服传统破坏性测量方法的局限性，如植株收割，这阻碍了对单株植物持续监测的可能性。通过使用无人机搭载的RGB相机捕获图像，结合深度学习模型，研究者能够非破坏性地估计大豆的干重、主茎长度、节点数、分枝数和植株高度等关键性状。
2024年9月，Plant Phenomics在线发表了日本东京大学题为High-Throughput Phenotyping of Soybean Biomass: Conventional Trait Estimation and Novel Latent Feature Extraction Using UAV Remote Sensing and Deep Learning Models的研究论文。该研究通过结合无人机遥感技术和深度学习模型，对大豆的生物量相关性状进行了高通量表型分析。研究的主要目标是开发一种非破坏性的方法来估计大豆的关键生物量性状，包括干重、主茎长度、节点数、分枝数和植株高度。这些性状对于评估植物的生长状况、产量潜力以及对环境胁迫的响应至关重要。
图1 干旱和对照条件下大豆田的数字表面模型和正射镶嵌图像
研究团队在2018年进行了田间实验，使用了198份大豆种质材料，这些材料在干旱和灌溉两种不同的水分供应条件下生长。实验地点位于日本鸟取大学干旱地区研究中心的沙土试验田，通过覆盖白色地膜和使用滴灌系统来控制土壤湿度，模拟不同的水分供应条件，以评估大豆对干旱胁迫的反应。通过这种方式，研究人员能够收集在不同环境压力下大豆生长的详细数据。为了获取大豆植株的高分辨率图像，研究团队使用了DJI Phantom 4 Advanced无人机搭载RGB相机进行遥感成像。无人机在大约12米的飞行高度上，以2秒的间隔拍摄图像，确保了相邻图像之间有90%的重叠率。这为后续的图像处理提供了充足的数据。图像预处理包括生成数字表面模型（DSM）和正射投影RGB图像（图1），这些图像用于提取植被区域并进行数据增强，以扩大训练数据集。通过这种方法，研究人员能够将高维的图像数据转化为可用于机器学习模型训练的格式。
图2 深度学习模型从输入数据中估计表型值的准确性
图3 RGB-DSMNet提取的潜在特征主成分与传统性状之间的关系
此外，研究还探讨了从深度学习模型中提取的低维潜在特征与常规生物量性状之间的关系。通过主成分分析（PCA），研究者发现这些潜在特征与目标性状之间存在显著的相关性。特别是，第一主成分（PC1）与所有生物量相关性状都有显著关联，这表明PC1可能捕捉到了大豆植株生长的总体趋势（图3）。为了验证这些潜在特征是否受到遗传控制，研究者还进行了基因组预测分析。结果显示，控制条件下的基因组预测准确性高于干旱条件，这表明在良好的生长条件下，这些特征更容易受到遗传因素的影响。
总体而言，这项研究展示了一种结合无人机遥感和深度学习的新方法，用于高效、准确地评估大豆的关键生物量性状，并为植物育种提供了潜在的新工具。通过这种方法，研究人员和育种专家能够在不破坏植物的情况下，快速地从大面积的田地中获取植物生长和发育的重要信息，从而加速育种进程并提高育种效率。这项研究的成功实施为农业和植物科学研究领域提供了一种新的视角和方法论，有望在未来的作物改良和农业生产中发挥重要作用。
https://doi.org/10.34133/plantphenomics.0244
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: 基于自下而上的关键点检测模型的大豆精准豆荚表型分析
Noninvasive Abiotic Stress Phenotyping of Vascular Plant in Each Vegetative Organ View
https://doi.org/10.34133/plantphenomics.0180
Plant Phenomics | 福建农林大学基于高等植物“根-茎-叶”视角下的无损胁迫表型分析
《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JCR2022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。
说明：本文由《植物表型组学》编辑部负责组稿。
审核：尹欢、孔敏
