随着气候的变化，强降水事件愈发频繁。据推算，十年后强降水事件的数量将会较如今增加30%，会有越来越多的耕地面临强降水所带来的洪涝灾害的威胁。水涝胁迫是全球第二大非生物胁迫，指土壤表面被水层覆盖，可分为涝渍胁迫（只有根系处于厌氧条件下）和淹涝胁迫（所有的根系以及全部或部分枝干均被水淹没）。在湿地作物（如水稻等）中经常会出现淹涝现象，而在旱地作物（如大豆和玉米等）中则经常会出现涝渍现象。水涝胁迫会抑制根芽生长、光合作用和养分吸收，导致大豆、水稻、小麦等作物的产量大幅减少，进而带来严重的经济损失。

大豆是一种重要的豆类作物，因其较高的蛋白质和油脂含量而广泛用于食品及饲料、生物质燃料及许多其它产品的生产中。然而，由于人口增长、气候变化、土壤退化和污染等不利因素，可用的耕地面积正逐年减少，也使得大豆的生产力和种子质量在面临来自水涝灾害的威胁时越来越被动。

在水涝灾害的影响下，大豆的稳定生产可通过培育耐水涝品种来保障。在评估田间条件下大豆对水涝的耐受力时，传统做法是目视评估水涝胁迫对枝条造成的损伤等级，目视评估法不仅劳动密集，还容易受到主观误差的影响。

近日，Plant Phenomics 在线发表了题为Qualification of Soybean Responses to Flooding Stress Using UAV-Based Imagery and Deep Learning的研究论文。

随着田间高通量表型技术的发展，高通量表型在测量作物性状和检测作物对生物或非生物性胁迫的响应方面显示出了巨大的潜力。在该文中，研究者使用基于不同飞行高度采集到的无人机图像特征对水涝所引起的大豆损伤进行了评估：航拍图像是在同一天使用五波段多光谱和红外热成像仪分别在20、50和80米高度所拍摄，之后从这三个飞行高度的图像序列中提取了冠层温度、归一化差分植被指数、冠层面积、冠层宽度、冠层长度(Figure 3)等五个图像特征，并基于这些特征使用深度学习模型(Figure 4)将各育种地块分为五个水涝损害等级(FIS，Figure 2)。论文结果表明，三种飞行高度采集的图像特征的差异显著，由20米高度处采集到的图像特征所开发的模型的分类效果最佳，对损害等级评估的准确率高达0.9(Figure 8)。该文所提出的方法在大豆育种方面很有前景，有望取代繁重的人工作业，更高效地评估水涝灾害等级。

Figure 2: Representative images of soybean plots of different flooding injury scores (FISs).

Figure 3: A stepwise procedure to remove the background of the multispectral images.

Figure 4: The architecture of the FNN model used toclassify the FISs.

Figure 8: Classification performance of the FNN modelwith canopy temperature, NDVI, canopy area, length, and width collected atthree flight heights.

论文链接

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

——推荐阅读——

Soybean Root System Architecture Trait Study through Genotypic, Phenotypic, and Shape-Based Clusters

https://spj.sciencemag.org/journals/plantphenomics/2020/1925495/

Plant Phenomics | 通过对大豆根系的基因、表型及根形进行聚类分析来研究根系构型特征

Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles

https://spj.sciencemag.org/journals/plantphenomics/2020/8954085/

Plant Phenomics | 使用光谱特征和机器学习检测水稻纹枯病的发病先兆