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(zhǎng)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(cè)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(lái)，隨著無(wú)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(cè)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(duì)生長(zhǎng)狀態(tài)、養(yǎng)分水平及倒伏等性狀的無(wú)損監(jiān)測(cè)和精準(zhǔn)評(píng)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(dòng)態(tài)環(huán)境下穩(wěn)定性差，無(wú)法滿足育種過程中對(duì)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(lái)源：Plant Phenomics
該研究結(jié)合無(wú)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(duì)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(wú)人機(jī)作為飛行平臺(tái)，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(cè)量前，需在直射陽(yáng)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(zhǎng)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(yáng)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(wú)人機(jī)飛行高度為90米。(d) 示例樣本區(qū)域及其對(duì)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(zhǎng)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(duì)無(wú)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(cè)試數(shù)據(jù)（圖3(a)）。在品系間測(cè)試中，從每個(gè)類別中選擇一個(gè)品系作為測(cè)試樣本，其余10個(gè)品系則被用作訓(xùn)練樣本。總體而言，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(cè)試誤差并提高驗(yàn)證方法的可行性，這56種訓(xùn)練集和測(cè)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(cè)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(jí)，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(lái)分析預(yù)測(cè)結(jié)果，并計(jì)算了精確率和召回率。
鑒于倒伏標(biāo)注對(duì)于更準(zhǔn)確的產(chǎn)量估算具有重要意義，測(cè)試是否可以不依賴人工標(biāo)注，通過自動(dòng)倒伏表型識(shí)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(wú)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。模型的批次大小（batch 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(shí)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(shí)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(dòng)識(shí)別。
圖4. 利用微調(diào)技術(shù)實(shí)現(xiàn)水稻倒伏的自動(dòng)識(shí)別。(a) 倒伏檢測(cè)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(lái)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(cè)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(cè)試數(shù)據(jù)上的混淆矩陣
對(duì)五種機(jī)器學(xué)習(xí)算法進(jìn)行了測(cè)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(cè)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(cè)試結(jié)果
該研究結(jié)合無(wú)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(duì)不同算法的比較，XGBoost算法表現(xiàn)最佳，具有更高的預(yù)測(cè)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(dòng)識(shí)別，準(zhǔn)確率達(dá)到94.87%，為無(wú)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(cè)方法，并建議未來(lái)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。
© 2019 版權(quán)所有：江蘇雙利合譜科技有限公司 備案號(hào)：蘇ICP備2021046114號(hào)-3 技術(shù)支持：化工儀器網(wǎng) GoogleSitemap 管理登陸
在線客服