Plant Phenomics | 基于無人機(jī)多傳感器和集成學(xué)習(xí)的玉米表型高通量估算

快速、無損地監(jiān)測(cè)玉米生化參數(shù)對(duì)高效篩選玉米優(yōu)質(zhì)基因型至關(guān)重要。近年來迅速發(fā)展的無人機(jī)監(jiān)測(cè)技術(shù)，以其靈活機(jī)動(dòng)、成本低、分辨率高的優(yōu)點(diǎn)，成為獲取作物生長信息的重要手段。數(shù)據(jù)融合可以進(jìn)行數(shù)據(jù)優(yōu)勢(shì)互補(bǔ)，能夠有效提高作物表型估算精度。相比普通的機(jī)器學(xué)習(xí)方法，集成算法可以提高模型預(yù)測(cè)的精度及泛化能力。貝葉斯模型平均法能夠考慮主觀先驗(yàn)信息及單模型的不確定性從而提高模型的可靠性和準(zhǔn)確度。
 

近日，Plant Phenomics在線發(fā)表了中國農(nóng)業(yè)大學(xué)數(shù)字農(nóng)業(yè)研究團(tuán)隊(duì)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(yàn)，獲取玉米4個(gè)生長期的無人機(jī)數(shù)碼和多光譜影像�；�于無人機(jī)數(shù)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(jī)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(shù)據(jù)和融合數(shù)據(jù)結(jié)合嶺回歸、支持向量機(jī)、隨機(jī)森林、高斯過程、K鄰近網(wǎng)絡(luò)、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(cè)能力。
 

圖1基于無人機(jī)多傳感器數(shù)據(jù)的特征變量提取流程

結(jié)果表明數(shù)據(jù)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(zhǔn)確性和穩(wěn)定性。從數(shù)據(jù)源來看，無人機(jī)數(shù)碼提取的光譜、結(jié)構(gòu)、紋理三種參數(shù)中，結(jié)構(gòu)參數(shù)表現(xiàn)最優(yōu)，結(jié)構(gòu)參數(shù)+紋理或結(jié)構(gòu)參數(shù)+光譜均能夠提高模型精度，其中結(jié)構(gòu)參數(shù)+紋理+光譜表現(xiàn)最佳。對(duì)于光譜信息，無人機(jī)多光譜指數(shù)明顯比數(shù)碼光譜指數(shù)表現(xiàn)更佳，且高于結(jié)構(gòu)、紋理信息。兩種傳感器所有數(shù)據(jù)融合后模型估算精度最優(yōu)。從建模方法來看，因研究對(duì)象和所使用的建模參數(shù)不同，在5種單一模型中嶺回歸和隨機(jī)森林表現(xiàn)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(xiàn)更好（圖3）。因此，無人機(jī)成像數(shù)據(jù)與集成學(xué)習(xí)相結(jié)合能夠快速準(zhǔn)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(jī)技術(shù)監(jiān)測(cè)育種材料性狀參數(shù)的應(yīng)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(shí)測(cè)值的驗(yàn)證集結(jié)果

論文第一作者為中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)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(tuán)隊(duì)介紹

中國農(nóng)業(yè)大學(xué)數(shù)字農(nóng)業(yè)研究團(tuán)隊(duì)，主要研究方向?yàn)槎嘣闯叨鹊闹参锕δ?結(jié)構(gòu)-環(huán)境互作的基因型/表型研究，包括植物功能-結(jié)構(gòu)-環(huán)境互作的系統(tǒng)仿真與數(shù)字孿生、植物（三維）表型研究與應(yīng)用研發(fā)、多源傳感器的融合及數(shù)字農(nóng)業(yè)應(yīng)用、人工智能及其農(nóng)業(yè)算法應(yīng)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(qǐng)聯(lián)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(jī)多視角成像技術(shù)估算小麥幼苗分蘗數(shù)

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(jī)航測(cè)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(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。

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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)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(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.961，位于農(nóng)藝學(xué)、植物科學(xué)，遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)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(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。

特邀作者：束美艷、馬韞韜

編輯：王慧敏（實(shí)習(xí)）

審核：孔敏、王平