欧亚国际

作为重要的双子叶作物，大豆冠层的形成速度在很大程度上决定了其对光周期的敏感性，进而影响大豆的产量潜力。因此，监测不同大豆基因型的早期活力和冠层发育对于了解大豆产量和品质至关重要。然而，在大规模田间育种试验中评估大豆冠层发育速度既费力又费时。因此，本研究提出利用无人机系统（UAV）的高通量表型分析方法监测和定量描述不同基因型大豆冠层的发育情况。

2024年2月，Plant Phenomics在线发表了中科院东北地理与农业生态研究所冯献忠团队题为Time-Series Field Phenotyping of Soybean Growth Analysis Combining Multimodal Deep Learning and Dynamic Modelling 的研究论文。

在本研究中，团队从中国东北地区收集了200个典型大豆品种，并利用无人机飞行系统采集了多源表型原始数据。为了克服高通量表型研究中遇到的挑战，设计了一个专门用于大豆田间冠层分割的多模态深度学习模型——RIFSeg-Net，利用红外信息提高无人机拍摄的RGB图像中大豆冠层的分割精度。

图1本研究提出的多模态深度学习模型框架

进一步，利用大模型“SAM”对RIFSeg-Net模型的分割结果进行处理，从田间RGB图像大豆冠层中提取单个叶片并计算叶片纵横比。以纵横比为依据对收集到的大豆基因型进行分类，将 200 个大豆品种划分为四个不同的亚群。

图2 不同亚群大豆冠层发育动态建模结果

通过动态建模，我们利用时间序列无人机图像数据提取并构建了与冠层发育动态相关的五个表型参数（包括 500°C 积温下的冠层覆盖率 (CC500TT)、1000°C 积温下的冠层覆盖率 (CC1000TT)、1500°C 积温下的冠层覆盖率 (CC1500TT)、30% 冠层覆盖率所需的积温(TT30%CC) 以及 50% 冠层覆盖率所需的积温 (TT50%CC)）。最后，对不同亚组大豆植株的冠层发育情况进行了详细分析。

图3 不同亚群大豆冠层发育相关性状的对比结果

本研究介绍的方法代表了典型的无人机高通量表型解析过程，展示了先进技术和方法的整合，提出了对大豆生长模式和动态的有意义见解，并成功应用于田间大规模种质资源鉴定，为培育高产大豆品种提供了强有力的工具。

该研究由中国科学院东北地理与农业生态研究所、之江实验室、延边大学共同完成。中国科学院东北地理与农业生态研究所于慧助理研究员为论文第一作者，冯献忠研究员为论文通讯作者。相关工作得到国家自然科学基金、之江实验室、海南省崖州湾种子实验室、吉林省自然科学基金项目的资助。

论文链接：

http://doi.org/10.34133/‍plantphenomics.0158

——推荐阅读——

DEKR-SPrior: An Efficient Bottom-Up Keypoint Detection Model for Accurate Pod Phenotyping in Soybean

http://doi.org/10.34133/plantphenomics.0198

Plant Phenomics | DEKR-SPrior: 基于自下而上的关键点检测模型的大豆精准豆荚表型分析

DC2Net: An Asian soybean rust detection model based on hyperspectral imaging and deep learning

http://doi.org/10.34133/plantphenomics.0163

Plant Phenomics | DC²Net：一种基于高光谱成像和深度学习的亚洲大豆锈病诊断模型

加入作者交流群