2024年9月14日，浙江大学岑海燕教授团队在Molecular Plant在线发表了题为“An unmanned ground vehicle phenotyping-based method to generate three-dimensional multispectral point clouds for deciphering spatial heterogeneity in plant traits”的研究论文。该方法利用先进的传感、控制和计算技术，高效采集并准确融合了近端三维成像和多光谱成像数据，生成的三维多光谱点云可以实现植物表型结构和生理生化功能的同步解析，为植物生物学、遗传与育种研究提供了强大的工具。
https://doi.org/10.1016/j.molp.2024.09.004
高通量植物表型通过精确量化整个植物生长期的形态结构、生理、生化性状，实现对植物的发育和功能情况的系统评估。其中，收集准确的多模态信息（如光谱信息和空间信息）尤其重要。光谱信息可以反映植物的生理和生化过程，而空间信息可以帮助了解植物的结构与环境的互作机制。融合三维成像和多光谱成像这两种互补的数据有望实现高通量、全面的植物表型分析，从而揭示基因组与表型组之间的复杂关联。三维多光谱点云是一种将光谱信息映射到三维坐标上的数据形式，有助于实现植物三维结构和生理生化参数的同步解析。因此，开发高效、高质量的植物三维多光谱点云采集以及分析方法，是当前植物表型研究的一个重要目标。然而，由于三维数据质量较差，且针对具有复杂冠层结构的植物反射率校准方法性能有限，获取高质量的植物三维多光谱点云仍具有挑战性。
针对上述难题，该研究提出了一种新颖的三维空间-光谱数据融合方法，通过整合用于自适应数据采集的下一个最佳视角（NBV）规划和用于辐射校准的神经参考场（NeREF），生成高质量的植物三维多光谱点云。NBV规划算法能够自适应地选择数据采集的最佳视角，最大限度地获取植物结构的完整信息。与传统的固定视角采集相比，NBV算法平均提高了23.6%的植物点云完整度。基于深度学习的NeREF模型能够准确建立三维光场特征和半球参考体光谱像素值之间的映射关系，有效消除了由于光场不均一和植物结构复杂所导致的光谱差异。相比传统的基于平面参考板（FR）的校准法，结合NeREF的半球参考（HR）校准法将反射光谱的均方根误差降低了58.93%，显著提升了光谱数据的精度。
图1 自适应数据采集和神经参考场（NeREF）构建方法
研究团队利用这一方法，采集了具有不同的植物结构和叶片形态特征的紫苏、番茄和油菜植株的三维多光谱点云，并通过估算叶绿素含量和等效水厚度评估方法效果。偏最小二乘回归结果表明，相比于FR校准的数据，使用HR校准的数据预测精度显著提高，叶绿素含量和等效水厚度预测的均方根误差分别减少了21.25%和14.13%。此外，该方法生成的三维多光谱点云还可以用于绘制植株叶绿素含量和等效水厚度空间分布图。
图2 基于三维多光谱点云的整株植物SPAD分布的可视化和准确性
图3 基于三维多光谱点云的整株植物等效水厚度分布的可视化和准确性
综上所述，该研究提出的基于无人车表型平台的三维空间-光谱数据融合方法，能够有效提升所生成的植物三维多光谱点云的完整度和反射率精度。与传统方法相比，该方法能更准确地估计植物生理生化成分的空间分布，为研究植物性状的空间异质性提供了新视角。
浙江大学生物系统工程与食品科学学院博士研究生谢鹏尧为论文第一作者，浙江大学岑海燕教授为论文通讯作者，康奈尔大学姜宇助理教授、浙江大学博士研究生麻志宏和杨鑫以及硕士研究生杜瑞铭参与了该研究。该研究得到了国家自然科学基金和浙江大学科技创新团队2.0项目的资助。
