欧亚国际

在植物育种项目中，大规模田间试验所产生的表型数据是推进种质创新的关键。另外，这些表型数据也可用于品种审定及品种纯度测定中。大豆茸毛（或茸毛颜色）是一种可以用目视评估的性状，研究者可根据该性状的类别对植株或地块的状况进行评估。由于冠层覆盖度较高时大豆茸毛被遮掩得比较多，所以在成熟期冠层衰老时大豆茸毛性状才会比较明显。

大豆茸毛具有三个颜色等级：黄褐色、浅黄褐（近灰）色和灰色。尽管灰色和黄褐色之间的差异很显而易见，但浅黄褐色与另外两种颜色间的差异均不太大，所以该类茸毛经常被错误分类。

近年来随着成像平台的成本下降和相关分析方法的不断改进，航拍图像已在大豆表型中得到了广泛的利用，例如：使用随机森林等多种方法确定大豆的成熟度、基于时间序列图像对产量进行预测、评估大豆缺铁性黄化等。

近日，Plant Phenomics在线发表了题为Classification of Soybean Pubescence from Multispectral Aerial Imagery的研究论文。

在该文章中，作者致力于通过高光谱数据和五波段航拍图像(Figure 1)来研究大豆茸毛的光谱特征。为了满足高通量和高准确性，作者开发了一组用于区分茸毛类别的指标，并测试了机器学习分类方法。在对高光谱数据的PCA主成分分析(Figure 2)中，作者确定了与茸毛类别相关的聚类，而J-M(Jeffries-Matusita)距离分析的结果则表明了各波段的数据对茸毛类别的区分均有意义。该文章以2019年的数据为基础开发了相关方法，并使用2018至2020年的三年数据检验方法的泛化性。结果表明，红蓝比和蓝色归一化植被指数能够有效区分高分辨率图像中的黄褐色和灰色茸毛(Figure 3)；使用支持向量机(SVM)和径向基函数(RBF)分类器的机器学习方法能够高效地区分得到充分训练的图像数据集中的灰色和黄褐色类(准确率83.1%，Figure 4)。该文章目前存在的局限性在于其能够适用的环境条件可能有限；此外，对浅黄褐色茸毛的分类仍不够准确，但有望通过更加完善的训练集实现改进。

Figure 1：True color aerial image of soybean plots (Reference Test) at harvest maturity (R8) showing variation for pubescence color on October 15, 2019, at the Elora Research Station, University of Guelph, Guelph, ON, Canada.

Figure 2：Principal component analysis (PCA) for (a) a plot average from 60 soybean plots with known pubescence from hyperspectral data (344 nm to 1100 nm at ~3 nm intervals)recorded with a UniSpec-DC reflectance spectrometer, (b) same data source as (a) except only wavelengths similar to a 5-band multispectral image were used,and (c) aerial imaging data from the same 60 plots from a 5-band multispectral camera, where each datapoint is a single pixel from within a plot of known pubescence.

Figure 3：Average spectral index values for 60 soybean plots by pubescence type for (a) blue NDVI, (b)pseudocolor plot blue NDVI images, (c) red/blue index, and (d) pseudocolor plotred/blue images.

Figure4：Machine learning classification results from the Reference Test 2019 Image 60-plot pubescence test using a support vector machine with a radial basis function in the caret package in R.

——推荐阅读——

Using Machine Learning to Develop a Fully Automated Soybean Nodule Acquisition Pipeline (SNAP)

http://spj.sciencemag.org/journals/plantphenomics/2021/9834746/

Plant Phenomics | SNAP：基于机器学习的全自动大豆根瘤提取算法

Qualification of Soybean Responses to Flooding Stress Using UAV-Based Imagery and Deep Learning

http://spj.sciencemag.org/journals/plantphenomics/2021/9892570/

Plant Phenomics | 基于无人机图像和深度学习鉴定大豆对水涝胁迫的响应

About Plant Phenomics