寫(xiě)在前面的
 

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

　　② 然而，在育種項目中人工測量耗時(shí)、成本高、產(chǎn)量低，這限制了在大規模現場(chǎng)表型的應用。
 

　　③ 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)損檢測的方法，將無(wú)人機高光譜測量和深度學(xué)習相結合，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%，卻養育著(zhù)地球21%的人口。近年來(lái)，糧食生產(chǎn)增長(cháng)速度明顯放緩，而世界一些地區的糧食需求卻在增加。
 

　　在中國，預計到2030年，對大米生產(chǎn)的需求將增加約20%，巨大的需求遇到了巨大的挑戰，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，準確地預測產(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(lài)于人為經(jīng)驗評估，存在主觀(guān)隨意性和不能規模化等限制。因此，高通量表型分型系統正在迅速發(fā)展，在許多育種項目中，遙感工具如RGB相機和多光譜、高光譜、熒光和熱傳感器都被用于數據采集。隨著(zhù)無(wú)人機技術(shù)和光譜成像技術(shù)的進(jìn)步，基于無(wú)人機的高光譜相機在農業(yè)生產(chǎn)中的應用越來(lái)越廣泛。
 

　　基于無(wú)人機的高光譜圖像數據采集
 

　　近日，Plant Phenomics在線(xiàn)發(fā)表了寧夏農林科學(xué)院農作物研究所、福建農林大學(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(lèi)別。而后利用DJI M600 Pro無(wú)人機，配備GaiaSky-Vis&Nir高光譜相機采集高光譜圖像，并結合水稻后期倒伏特征，借助機器學(xué)習算法(XGBoost)構建水稻產(chǎn)量類(lèi)別檢測模型。該模型對在試驗區的13個(gè)水稻品種產(chǎn)量進(jìn)行預測，結合實(shí)際的產(chǎn)量進(jìn)行比較發(fā)現該模型對高產(chǎn)品種的識別具有很高的準確度。
 

▲試驗區分布圖
 

　　該高光譜相機的分辨率為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(cháng)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(xiàn)與周?chē)寥啦煌Ｔ跀祿杉埃芯空邆儗r田進(jìn)行了檢查，確保稻田中只有水稻，沒(méi)有其他雜草，避免干擾高光譜數據。
 

　　高光譜圖像預處理工作流程包括數據校準、噪聲，背景去除和ROI的選擇。研究者還進(jìn)行了隨機非重復采樣、植被指數計算和數據降維。將高光譜數據、植被指數和倒伏特征組合成一個(gè)數據庫，然后將數據分為訓練庫和測試庫。
 

▲高光譜處理流程及各種分析策略的模型評估
 

　　由于倒伏標記對更好地估計產(chǎn)量有重要意義，本研究同時(shí)設計了基于深度學(xué)習的倒伏檢測模型來(lái)對水稻的倒伏特征進(jìn)行量化，并獲得了較高的倒伏預測準確度。結果表明，利用深度學(xué)習技術(shù)實(shí)現水稻倒伏的自動(dòng)識別是可行的。
 

▲利用微調技術(shù)自動(dòng)識別水稻倒
 

　　Gaia-Vis&Nir作為針對植被、農作物(小麥、玉米)等理化、生理指標長(cháng)期監測系統，采用了高靈敏度、高光譜分辨率、寬光譜范圍的探測器。在A(yíng)RM 系統下對探測器、溫度傳感器、制冷系統、采集系統、轉鏡結構、電子Shutter、輔助拍攝區域視頻監控等功能的控制。
 

　　反射光譜測量的是植被生化組分等對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范圍內的反射光譜信息，可反映植被冠層的生長(cháng)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。綜合考慮葉片內部結構、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)&近紅外反射光譜測試、太陽(yáng)光誘導葉綠素熒光測試系