寫(xiě)在前面的
 

　　① 水稻高產(chǎn)栽培是解決世界范圍內(nèi)日益增長(zhǎng)的糧食需求的有效途徑，而對(duì)高產(chǎn)水稻進(jìn)行正確分類是育種的關(guān)鍵。
 

　?、?然而，在育種項(xiàng)目中人工測(cè)量耗時(shí)、成本高、產(chǎn)量低，這限制了在大規(guī)模現(xiàn)場(chǎng)表型的應(yīng)用。
 

　?、?因此，研究者開(kāi)發(fā)了一種低成本、高通量表型分析和無(wú)損檢測(cè)的方法，將無(wú)人機(jī)高光譜測(cè)量和深度學(xué)習(xí)相結(jié)合，以提高水稻育種效率。
 

　　研究背景
 

　　水稻是世界上主要的栽培作物之一，是許多國(guó)家的主要糧食來(lái)源。地球水稻的種植面積僅占耕地總面積的7%，卻養(yǎng)育著地球21%的人口。近年來(lái)，糧食生產(chǎn)增長(zhǎng)速度明顯放緩，而世界一些地區(qū)的糧食需求卻在增加。
 

　　在中國(guó)，預(yù)計(jì)到2030年，對(duì)大米生產(chǎn)的需求將增加約20%，巨大的需求遇到了巨大的挑戰(zhàn)，勞動(dòng)力人口減少，耕地質(zhì)量下降，水資源短缺，氣候變化等。因此，選育高產(chǎn)水稻品種，提高單位產(chǎn)量，是解決糧食需求缺口的有效途徑。
 

　　在水稻育種過(guò)程中，準(zhǔn)確地預(yù)測(cè)產(chǎn)量是高產(chǎn)品種篩選的關(guān)鍵，而迄今為止，該工作很大程度上依賴于人為經(jīng)驗(yàn)評(píng)估，存在主觀隨意性和不能規(guī)?；认拗?。因此，高通量表型分型系統(tǒng)正在迅速發(fā)展，在許多育種項(xiàng)目中，遙感工具如RGB相機(jī)和多光譜、高光譜、熒光和熱傳感器都被用于數(shù)據(jù)采集。隨著無(wú)人機(jī)技術(shù)和光譜成像技術(shù)的進(jìn)步，基于無(wú)人機(jī)的高光譜相機(jī)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用越來(lái)越廣泛。
 

　　基于無(wú)人機(jī)的高光譜圖像數(shù)據(jù)采集
 

　　近日，Plant Phenomics在線發(fā)表了寧夏農(nóng)林科學(xué)院農(nóng)作物研究所、福建農(nóng)林大學(xué)林學(xué)中`心、中科院地理信息研究所合作的題為Classification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature的研究論文。
 

　　研究者首先按照畝產(chǎn)將13個(gè)寧夏北方區(qū)試中早粳中熟組水稻劃分為高產(chǎn)、中產(chǎn)和低產(chǎn)三個(gè)類別。而后利用DJI M600 Pro無(wú)人機(jī)，配備GaiaSky-Vis&Nir高光譜相機(jī)采集高光譜圖像，并結(jié)合水稻后期倒伏特征，借助機(jī)器學(xué)習(xí)算法(XGBoost)構(gòu)建水稻產(chǎn)量類別檢測(cè)模型。該模型對(duì)在試驗(yàn)區(qū)的13個(gè)水稻品種產(chǎn)量進(jìn)行預(yù)測(cè)，結(jié)合實(shí)際的產(chǎn)量進(jìn)行比較發(fā)現(xiàn)該模型對(duì)高產(chǎn)品種的識(shí)別具有很高的準(zhǔn)確度。
 

▲試驗(yàn)區(qū)分布圖
 

　　該高光譜相機(jī)的分辨率為960×1057像素，在飛行高度為90m時(shí)的空間分辨率為4.5cm，其波長(zhǎng)范圍從400到1000nm，光譜分辨率為3.5nm，每張圖像的曝光時(shí)間為7s。水稻光譜曲線與周圍土壤不同。在數(shù)據(jù)采集前，研究者們對(duì)農(nóng)田進(jìn)行了檢查，確保稻田中只有水稻，沒(méi)有其他雜草，避免干擾高光譜數(shù)據(jù)。
 

　　高光譜圖像預(yù)處理工作流程包括數(shù)據(jù)校準(zhǔn)、噪聲，背景去除和ROI的選擇。研究者還進(jìn)行了隨機(jī)非重復(fù)采樣、植被指數(shù)計(jì)算和數(shù)據(jù)降維。將高光譜數(shù)據(jù)、植被指數(shù)和倒伏特征組合成一個(gè)數(shù)據(jù)庫(kù)，然后將數(shù)據(jù)分為訓(xùn)練庫(kù)和測(cè)試庫(kù)。
 

▲高光譜處理流程及各種分析策略的模型評(píng)估
 

　　由于倒伏標(biāo)記對(duì)更好地估計(jì)產(chǎn)量有重要意義，本研究同時(shí)設(shè)計(jì)了基于深度學(xué)習(xí)的倒伏檢測(cè)模型來(lái)對(duì)水稻的倒伏特征進(jìn)行量化，并獲得了較高的倒伏預(yù)測(cè)準(zhǔn)確度。結(jié)果表明，利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)水稻倒伏的自動(dòng)識(shí)別是可行的。
 

▲利用微調(diào)技術(shù)自動(dòng)識(shí)別水稻倒
 

　　Gaia-Vis&Nir作為針對(duì)植被、農(nóng)作物(小麥、玉米)等理化、生理指標(biāo)長(zhǎng)期監(jiān)測(cè)系統(tǒng)，采用了高靈敏度、高光譜分辨率、寬光譜范圍的探測(cè)器。在ARM 系統(tǒng)下對(duì)探測(cè)器、溫度傳感器、制冷系統(tǒng)、采集系統(tǒng)、轉(zhuǎn)鏡結(jié)構(gòu)、電子Shutter、輔助拍攝區(qū)域視頻監(jiān)控等功能的控制。
 

　　反射光譜測(cè)量的是植被生化組分等對(duì)入射光譜的吸收信息，能夠反演植物群體的生化組分濃度信息。通過(guò)獲取植被冠層在350nm- 1700nm范圍內(nèi)的反射光譜信息，可反映植被冠層的生長(zhǎng)狀態(tài)及生化組分信息。
 

　　例如，利用作物水分敏感波段960nm/1450nm處的反射率可判斷作物葉片、冠層的含水量關(guān)系。綜合考慮葉片內(nèi)部結(jié)構(gòu)、葉片水分含量以及干物質(zhì)等的影響，利用1600nm與820nm的反射率比值建立與等效水厚度EWT(Equivalent Water Thickness)的相關(guān)性。
 

　　▲Gaia-Vis&Nir植被冠層可見(jiàn)&近紅外反射光譜測(cè)試、太陽(yáng)光誘導(dǎo)葉綠素?zé)晒鉁y(cè)試系