水稻作為全球主要糧食作物之一,，在養(yǎng)活世界人口方面具有重要地位。然而,，隨著人口增長和耕地資源減少,，提升水稻單位面積產(chǎn)量成為解決糧食安全的重要途徑,。在傳統(tǒng)水稻育種過程中,，高產(chǎn)品種的篩選依賴人工測量產(chǎn)量和生物量，但這種方法耗時(shí)費(fèi)力,、效率低且難以大范圍應(yīng)用,。此外，受氣候變化和環(huán)境因素影響，產(chǎn)量差異顯著,，增加了高產(chǎn)品種篩選的復(fù)雜性,。
近年來，隨著無人機(jī)（UAV）和高光譜成像技術(shù)的發(fā)展,，農(nóng)業(yè)高通量表型檢測成為可能,。高光譜成像可以同時(shí)獲取作物的光譜和空間信息，實(shí)現(xiàn)對生長狀態(tài),、養(yǎng)分水平及倒伏等性狀的無損監(jiān)測和精準(zhǔn)評估,。然而，單一基于植被指數(shù)或傳統(tǒng)統(tǒng)計(jì)模型的方法在動態(tài)環(huán)境下穩(wěn)定性差,，無法滿足育種過程中對高精度,、快速分類的需求。
蘇軍,，福建農(nóng)林大學(xué)蛋白組學(xué)研究中心,，博士生導(dǎo)師
期刊來源：Plant Phenomics
該研究結(jié)合無人機(jī)高光譜影像和倒伏特征，利用XGBoost機(jī)器學(xué)習(xí)算法,，構(gòu)建水稻產(chǎn)量分類模型,。旨在開發(fā)一種低成本、高通量,、非破壞性的方法,，實(shí)現(xiàn)大范圍高產(chǎn)水稻品種的快速篩選，提升水稻育種效率,，并為精準(zhǔn)農(nóng)業(yè)和農(nóng)業(yè)智能化提供新的技術(shù)手段,。
本研究在江蘇省南京市農(nóng)業(yè)試驗(yàn)基地開展，選取多個(gè)水稻品種作為研究對象,，數(shù)據(jù)采集時(shí)間為水稻灌漿中后期,。使用大疆M600 Pro六旋翼無人機(jī)作為飛行平臺，搭載江蘇雙利合譜科技有限公司生產(chǎn)的176波段高光譜相機(jī)（GaiaSky-Vis&Nir）（圖1(a),，a-1）,。在測量前，需在直射陽光下校準(zhǔn)曝光時(shí)間,。采集一張白板和兩張黑背景圖像,。拍攝白板圖像時(shí)，將漫反射標(biāo)準(zhǔn)板垂直于鏡頭前方放置（圖1(a),，a-2）,。兩張黑背景圖像（圖1(a)，a-3和a-4）按照制造商規(guī)范拍攝,，分別使用鏡頭蓋關(guān)閉并采用常規(guī)或增加曝光時(shí)間的方式獲取,。高光譜相機(jī)的白板和黑背景曝光時(shí)間分別為0.9秒和1.0秒,。為進(jìn)行輻射校準(zhǔn)，將反射率分別為20%,、40%和60%的參考面板放置在田間,，并在圖像處理中作為標(biāo)準(zhǔn)使用（圖1(b)）。該高光譜相機(jī)的分辨率為960×1057像素,，在90米飛行高度下可提供4.5厘米的空間分辨率（圖2(c)）,。高光譜相機(jī)為線傳感器，波長范圍為400至1000 nm,，光譜分辨率（半高寬）為3.5 nm,，每張圖像的曝光時(shí)間為7秒。水稻的光譜曲線與周圍土壤的光譜曲線存在顯著差異（圖1(d)）,。
圖1：高光譜相機(jī)校準(zhǔn)與圖像采集,。(a) 在陽光下使用標(biāo)準(zhǔn)白板校準(zhǔn)曝光時(shí)間（a-1），包括拍攝白板圖像（a-2）,、暗背景圖像（a-3）以及增加曝光時(shí)間后的暗背景圖像（a-4）,。(b) 反射率分別為20%、40%和60%的參考反射面板,。(c) 圖像采集時(shí)無人機(jī)飛行高度為90米,。(d) 示例樣本區(qū)域及其對應(yīng)的水稻和土壤光譜曲線
采集得到的高光譜影像首先進(jìn)行了黑白板校正、輻射校正與大氣校正,。隨后,，剔除了光譜中的噪聲波段，提取感興趣區(qū)域（ROI）的平均光譜反射率,，確保所用光譜數(shù)據(jù)準(zhǔn)確代表水稻冠層信息,。此外，計(jì)算了多種常用植被指數(shù)（如NDVI,、GNDVI和OSAVI等）,，為后續(xù)建模提供更加豐富和直觀的作物生長狀態(tài)指標(biāo)。
為了進(jìn)一步提高水稻產(chǎn)量分類模型的表現(xiàn),，研究結(jié)合了倒伏特征,，通過對無人機(jī)影像的分析，提取出倒伏程度（輕度,、中度,、重度）及倒伏位置分布情況。
將經(jīng)過預(yù)處理的光譜數(shù)據(jù),、植被指數(shù)以及倒伏特征數(shù)據(jù)整合在一起（圖2）,，并根據(jù)水稻品系進(jìn)行標(biāo)記。進(jìn)行了兩種分析：品系內(nèi)分析和品系間分析,。在品系內(nèi)分析中,，從每個(gè)品系中隨機(jī)選取兩個(gè)重復(fù)樣本作為訓(xùn)練數(shù)據(jù)，而將第三個(gè)重復(fù)樣本用作測試數(shù)據(jù)（圖3(a)）,。在品系間測試中,，從每個(gè)類別中選擇一個(gè)品系作為測試樣本，其余10個(gè)品系則被用作訓(xùn)練樣本,?？傮w而言，類別之間共有2（A類）×7（B類）×4（C類）=56種排列組合（圖3(b)）,。為了降低測試誤差并提高驗(yàn)證方法的可行性,，這56種訓(xùn)練集和測試集均被逐一分析。
圖2：高光譜和RGB圖像處理流程及數(shù)據(jù)集構(gòu)建,。從抽穗期獲取的原始圖像經(jīng)過多種失真校正后得到修正數(shù)據(jù),。提取參考光譜，并去除噪聲和背景,。在網(wǎng)格單元和后續(xù)感興趣區(qū)域（ROI）選擇后,，使用隨機(jī)像素計(jì)算植被指數(shù)。從成熟期提取的倒伏統(tǒng)計(jì)數(shù)據(jù)與光譜數(shù)據(jù)結(jié)合,，形成訓(xùn)練和測試集
圖3：模型建立的樣本組合,。圖中展示了用于品系內(nèi)分析（a）和品系間分析（b）的重復(fù)樣本和品種排列的示意圖
基于篩選后的特征，研究將水稻樣本按照產(chǎn)量標(biāo)準(zhǔn)分為高產(chǎn),、中產(chǎn)和低產(chǎn)等級,，并采用XGBoost（極*梯度提升算法）構(gòu)建產(chǎn)量分類模型。并通過網(wǎng)格搜索方法確定了XGBoost算法的最佳參數(shù),。構(gòu)建了3×3的混淆矩陣來分析預(yù)測結(jié)果,，并計(jì)算了精確率和召回率。
鑒于倒伏標(biāo)注對于更準(zhǔn)確的產(chǎn)量估算具有重要意義,，測試是否可以不依賴人工標(biāo)注,，通過自動倒伏表型識別實(shí)現(xiàn)準(zhǔn)確估算。為獲得足夠的訓(xùn)練樣本,，使用 RGB 相機(jī)（成本低于高光譜相機(jī)）采集了100 張倒伏圖像和 83 張非倒伏圖像,。所有圖像被調(diào)整為統(tǒng)一尺寸（224 × 224）。隨后,，從無人機(jī)航拍圖像中裁剪出倒伏區(qū)域和非倒伏區(qū)域（ROI）,，作為訓(xùn)練數(shù)據(jù)集。最后,，我們采用遷移學(xué)習(xí),、圖像增強(qiáng)技術(shù)，并使用基于 ImageNet 預(yù)訓(xùn)練權(quán)重的 ResNet50 模型,，結(jié)合 Adam 優(yōu)化器進(jìn)行模型訓(xùn)練,。模型的批次大?。╞atch size）為 8，學(xué)習(xí)率為 0.0001,，訓(xùn)練輪數(shù)（epoch）為 30,，總迭代次數(shù)為 600。將訓(xùn)練好的模型應(yīng)用于39 個(gè)實(shí)驗(yàn)地塊中 13 個(gè)品種的三次重復(fù)實(shí)驗(yàn)進(jìn)行倒伏識別（如圖4所示）,。結(jié)果顯示,，僅有2個(gè)倒伏單元被誤判為非倒伏單元，倒伏識別準(zhǔn)確率達(dá)到了94.87%,，這表明深度學(xué)習(xí)技術(shù)完*可用于水稻倒伏的自動識別,。
圖4. 利用微調(diào)技術(shù)實(shí)現(xiàn)水稻倒伏的自動識別。(a) 倒伏檢測模型的訓(xùn)練數(shù)據(jù),，其中包含100張倒伏圖像和83張非倒伏圖像,。(b) 來自39個(gè)實(shí)驗(yàn)田塊的高光譜數(shù)據(jù)的偽彩色圖像（波段77、50和18）,。根據(jù)種植區(qū)域截取感興趣區(qū)域（ROIs）,，以建立測試數(shù)據(jù)集，其中包含14張倒伏圖像和25張非倒伏圖像,。(c) 模型在訓(xùn)練數(shù)據(jù)上的混淆矩陣,。(d) 模型在測試數(shù)據(jù)上的混淆矩陣
對五種機(jī)器學(xué)習(xí)算法進(jìn)行了測試和比較，這些算法包括LDA（線性判別分析）,、高斯核支持向量機(jī)（SVM）,、AdaBoost、隨機(jī)森林（RF）和XGBoost,。測試結(jié)果顯示,，XGBoost的性能優(yōu)于其他四種方法（圖5）。
圖5：五種分類器（包括LDA,、SVM,、AdaBoost、RF和XGBoost）的測試結(jié)果
該研究結(jié)合無人機(jī)高光譜影像數(shù)據(jù)與水稻倒伏特征,，構(gòu)建了基于XGBoost算法的水稻產(chǎn)量分類模型,。研究結(jié)果表明，倒伏特征在模型中具有重要作用,，單獨(dú)使用倒伏特征時(shí)模型準(zhǔn)確率最高為69.32%,，而將高光譜數(shù)據(jù)與倒伏特征結(jié)合后，模型分類準(zhǔn)確率顯著提升,。通過對不同算法的比較,，XGBoost算法表現(xiàn)最佳，具有更高的預(yù)測準(zhǔn)確性和泛化能力,。此外,，研究還利用深度學(xué)習(xí)方法實(shí)現(xiàn)了水稻倒伏的自動識別,，準(zhǔn)確率達(dá)到94.87%，為無人機(jī)高通量表型分析和智能化水稻育種提供了技術(shù)支撐,。整體而言,，該研究為大規(guī)模高產(chǎn)水稻品種篩選與精準(zhǔn)農(nóng)業(yè)生產(chǎn)提供了一種高效、低成本,、非破壞性的遙感監(jiān)測方法，并建議未來結(jié)合多傳感器與更多紋理及形態(tài)特征,，進(jìn)一步提升模型的適用性和智能化水平,。
(空格分隔,最多3個(gè),單個(gè)標(biāo)簽最多10個(gè)字符)
8
立即詢價(jià)
您提交后，專屬客服將第一時(shí)間為您服務(wù)