Plant Phenomics | 基于無人機圖像和深度學習鑒定大豆對水澇脅迫的響應

隨著氣候的變化，強降水事件愈發頻繁。據推算，十年后強降水事件的數量將會較如今增加30%，會有越來越多的耕地面臨強降水所帶來的洪澇災害的威脅。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）中經常會出現淹澇現象，而在旱地作物（如大豆和玉米等）中則經常會出現澇漬現象。水澇脅迫會抑制根芽生長、光合作用和養分吸收，導致大豆、水稻、小麥等作物的產量大幅減少，進而帶來嚴重的經濟損失。

大豆是一種重要的豆類作物，因其較高的蛋白質和油脂含量而廣泛用于食品及飼料、生物質燃料及許多其它產品的生產中。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，也使得大豆的生產力和種子質量在面臨來自水澇災害的威脅時越來越被動。

在水澇災害的影響下，大豆的穩定生產可通過培育耐水澇品種來保障。在評估田間條件下大豆對水澇的耐受力時，傳統做法是目視評估水澇脅迫對枝條造成的損傷等級，目視評估法不僅勞動密集，還容易受到主觀誤差的影響。

近日，Plant Phenomics 在線發表了題為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的發展，高通量表型在測量作物性狀和檢測作物對生物或非生物性脅迫的響應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圖像特征對水澇所引起的大豆損傷進行了評估：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、冠層面積、冠層寬度、冠層長度(Figure 3)等五個圖像特征，并基于這些特征使用深度學習模型(Figure 4)將各育種地塊分為五個水澇損害等級(FIS，Figure 2)。論文結果表明，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的模型的分類效果最佳，對損害等級評估的準確率高達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，更高效地評估水澇災害等級。

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.