Plant Phenomics | 基于無人機多傳感器和集成學習的玉米表型高通量估算

快速、無損地監(jiān)測玉米生化參數對高效篩選玉米優(yōu)質基因型至關重要。近年來迅速發(fā)展的無人機監(jiān)測技術，以其靈活機動、成本低、分辨率高的優(yōu)點，成為獲取作物生長信息的重要手段。數據融合可以進行數據優(yōu)勢互補，能夠有效提高作物表型估算精度。相比普通的機器學習方法，集成算法可以提高模型預測的精度及泛化能力。貝葉斯模型平均法能夠考慮主觀先驗信息及單模型的不確定性從而提高模型的可靠性和準確度。
 

近日，Plant Phenomics在線發(fā)表了中國農業(yè)大學數字農業(yè)研究團隊題為Application of UAV Multisensor Data and Ensemble Approach for High-Throughput Estimation of Maize Phenotyping Traits的研究論文。
 

本研究基于玉米育種田間試驗，獲取玉米4個生長期的無人機數碼和多光譜影像�；�于無人機數碼影像提取了各小區(qū)RGB波段、冠層覆蓋度、株高和紋理，從無人機多光譜影像上提取了各小區(qū)光譜信息（圖1）。比較分析了單一數據和融合數據結合嶺回歸、支持向量機、隨機森林、高斯過程、K鄰近網絡、集成算法、貝葉斯平均法在玉米LAI、地上部鮮重和干重上的監(jiān)測能力。
 

圖1基于無人機多傳感器數據的特征變量提取流程

結果表明數據融合能夠提高模型精度，而模型集成能夠更一步提高模型的準確性和穩(wěn)定性。從數據源來看，無人機數碼提取的光譜、結構、紋理三種參數中，結構參數表現最優(yōu)，結構參數+紋理或結構參數+光譜均能夠提高模型精度，其中結構參數+紋理+光譜表現最佳。對于光譜信息，無人機多光譜指數明顯比數碼光譜指數表現更佳，且高于結構、紋理信息。兩種傳感器所有數據融合后模型估算精度最優(yōu)。從建模方法來看，因研究對象和所使用的建模參數不同，在5種單一模型中嶺回歸和隨機森林表現較好。Stacking和貝葉斯模型平均比單模型精度均有提高，其中貝葉斯模型平均法表現更好（圖3）。因此，無人機成像數據與集成學習相結合能夠快速準確地提取地塊尺度玉米LAI及地上部鮮重和干重，研究可為無人機技術監(jiān)測育種材料性狀參數的應用方面提供參考。
 

圖2研究區(qū)株高估算熱力圖

圖3基于BMA模型的各表型估算值與實測值的驗證集結果

論文第一作者為中國農業(yè)大學土地科學與技術學院博士研究生束美艷，論文通訊作者為馬韞韜教授，合作者包括李保國教授、郭焱教授和楊小紅教授。

團隊介紹

中國農業(yè)大學數字農業(yè)研究團隊，主要研究方向為多源尺度的植物功能-結構-環(huán)境互作的基因型/表型研究，包括植物功能-結構-環(huán)境互作的系統仿真與數字孿生、植物（三維）表型研究與應用研發(fā)、多源傳感器的融合及數字農業(yè)應用、人工智能及其農業(yè)算法應用等研究。

長期招收多名碩士、博士研究生和合作博士后，有意者請聯系：yuntao.ma@cau.edu.cn。

論文鏈接

https://doi.org/10.34133/2022/9802585

推薦閱讀

Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones

https://doi.org/10.34133/2020/3729715

Plant Phenomics | 使用無人機多視角成像技術估算小麥幼苗分蘗數

Canopy Roughness: A New Phenotypic Trait to Estimate Aboveground Biomass from Unmanned Aerial System

https://doi.org/10.34133/2020/6735967

Plant Phenomics | 冠層粗糙度：一種用于無人機航測估算地上生物量的新表型性狀

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發(fā)布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄�？祁Ｎò睯CR2021影響因子為6.961，位于農藝學、植物科學，遙感一區(qū)。中科院農藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內容僅供參考，一切內容以英文原版為準。

特邀作者：束美艷、馬韞韜

編輯：王慧敏（實習）

審核：孔敏、王平