基于無人機(jī)圖像和深度學(xué)習(xí)鑒定大豆對(duì)水澇脅迫的響應(yīng)

Plant Phenomics | 基于無人機(jī)圖像和深度學(xué)習(xí)鑒定大豆對(duì)水澇脅迫的響應(yīng)

隨著氣候的變化，強(qiáng)降水事件愈發(fā)頻繁。據(jù)推算，十年后強(qiáng)降水事件的數(shù)量將會(huì)較如今增加30%，會(huì)有越來越多的耕地面臨強(qiáng)降水所帶來的洪澇災(zāi)害的威脅。水澇脅迫是全球第二大非生物脅迫，指土壤表面被水層覆蓋，可分為澇漬脅迫（只有根系處于厭氧條件下）和淹澇脅迫（所有的根系以及全部或部分枝干均被水淹沒）。在濕地作物（如水稻等）中經(jīng)常會(huì)出現(xiàn)淹澇現(xiàn)象，而在旱地作物（如大豆和玉米等）中則經(jīng)常會(huì)出現(xiàn)澇漬現(xiàn)象。水澇脅迫會(huì)抑制根芽生長、光合作用和養(yǎng)分吸收，導(dǎo)致大豆、水稻、小麥等作物的產(chǎn)量大幅減少，進(jìn)而帶來嚴(yán)重的經(jīng)濟(jì)損失。

大豆是一種重要的豆類作物，因其較高的蛋白質(zhì)和油脂含量而廣泛用于食品及飼料、生物質(zhì)燃料及許多其它產(chǎn)品的生產(chǎn)中。然而，由于人口增長、氣候變化、土壤退化和污染等不利因素，可用的耕地面積正逐年減少，也使得大豆的生產(chǎn)力和種子質(zhì)量在面臨來自水澇災(zāi)害的威脅時(shí)越來越被動(dòng)。

在水澇災(zāi)害的影響下，大豆的穩(wěn)定生產(chǎn)可通過培育耐水澇品種來保障。在評(píng)估田間條件下大豆對(duì)水澇的耐受力時(shí)，傳統(tǒng)做法是目視評(píng)估水澇脅迫對(duì)枝條造成的損傷等級(jí)，目視評(píng)估法不僅勞動(dòng)密集，還容易受到主觀誤差的影響。

近日，Plant Phenomics 在線發(fā)表了題為Qualification of Soybean Responses to Flooding Stress Using UAV-Based Imagery and Deep Learning的研究論文。

隨著田間高通量表型技術(shù)的發(fā)展，高通量表型在測(cè)量作物性狀和檢測(cè)作物對(duì)生物或非生物性脅迫的響應(yīng)方面顯示出了巨大的潛力。在該文中，研究者使用基于不同飛行高度采集到的無人機(jī)圖像特征對(duì)水澇所引起的大豆損傷進(jìn)行了評(píng)估：航拍圖像是在同一天使用五波段多光譜和紅外熱成像儀分別在20、50和80米高度所拍攝，之后從這三個(gè)飛行高度的圖像序列中提取了冠層溫度、歸一化差分植被指數(shù)、冠層面積、冠層寬度、冠層長度(Figure 3)等五個(gè)圖像特征，并基于這些特征使用深度學(xué)習(xí)模型(Figure 4)將各育種地塊分為五個(gè)水澇損害等級(jí)(FIS，F(xiàn)igure 2)。論文結(jié)果表明，三種飛行高度采集的圖像特征的差異顯著，由20米高度處采集到的圖像特征所開發(fā)的模型的分類效果最佳，對(duì)損害等級(jí)評(píng)估的準(zhǔn)確率高達(dá)0.9(Figure 8)。該文所提出的方法在大豆育種方面很有前景，有望取代繁重的人工作業(yè)，更高效地評(píng)估水澇災(zāi)害等級(jí)。

Figure 2: Representative images of soybean plots of different flooding injury scores (FISs).

Figure 3: A stepwise procedure to remove the background of the multispectral images.

Figure 4: The architecture of the FNN model used toclassify the FISs.