结合无人机高光谱图像和倒伏特征构建水稻产量类别检测模型


发布时间:

2021-04-15

来源:

本站

作者:

PhenoTrait

全球水稻的种植面积仅占耕地总面积的7%,却养育着全球21%的人口。长期以来,劳动人口减少、可耕作土地质量下降、水资源匮乏、气候变化等限制与水稻产量需求增长之间的矛盾日渐显露。选育高产水稻品种,提高单位产量,是解决粮食需求缺口的有效途径。在水稻育种过程中,准确地预测产量是高产品种筛选的关键,而迄今为止,该工作仍以人为经验评估为主要依据,存在主观随意性和不能规模化等限制。

 

近日,Plant Phenomics在线发表了宁夏农林科学院农作物研究所、福建农林大学林学中心、中科院地理信息研究所合作的题为Classification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature的研究论文。研究者首先按照亩产将13个宁夏北方区试中早粳中熟组水稻划分为高产、中产和低产三个类别。而后利用无人机采集高光谱图像,并结合水稻后期倒伏特征,借助机器学习算法(XGBoost)构建水稻产量类别检测模型。该模型对在试验区的13个水稻品种产量进行预测,结合实际的产量进行比较发现该模型对高产品种的识别具有极高的准确度。

 

Figure 1: Processing workflow of hyperspectral and Model evaluation for various analysis strategies.

 

避免引入人工评判倒伏带有的主观误差,本研究同时设计了基于深度学习的倒伏检测模型来对水稻的倒伏特征进行量化,并获得了较高的倒伏预测准确度。因此,本项目最终实现了可以完全基于高光谱数据进行水稻产量的预测。

 

为了解倒伏特征对水稻产量预测的影响程度,研究者进行了倒伏特征对模型精度影响的对比试验,从模型的角度发现高产量水稻具有在成熟期有轻微倒伏的特点。本研究所展示的水稻产量预测体系兼具平价、高通量和无损评估等优点,能显著提高水稻育种的效率。

 

Figure 2: Automatic recognition of rice lodging using fine-tuning technology.

 

在闽宁合作的带动下,多家单位通力合作,协同攻关,结合无人机高光谱和深度学习,实现了不同品种水稻产量的前期预测,为后续高产水稻的育种提供了技术支撑。

 

作者介绍:

宁夏农林科学院农作物研究所王坚老师、福建农林大学林学中心工程师吴碧致与Markus V. Kohnen博士为本文共同第一作者。福建农林大学林学中心苏军副教授、中科院地理信息研究所李邦煜教授和福建农林大学林学中心顾连峰教授为本文的共同通讯作者。

 

来源:

Wang J, Wu B, Kohnen M, et al. Classification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature. Plant Phenomics. https://doi.org/10.34133/2021/9765952.

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。