植物胁迫表型分析是促进有针对性的干预和优化植物在胁迫条件下生长的管理实践的有用工具。然而，各种各样的技术挑战仍然需要克服，尽管有一个明确的需要，研究功能特征，可以用来作为一个可替代的胁迫预测，特别是对非生物胁迫。这项实验工作利用机器学习分类模型来检测非模式物种的两个种群的盐胁迫，结合基于图像的方法（即手动和自动）和最小形态生理/生化分析。将丙二醛含量与其他非破坏性图像衍生特征（如色度差和色度比指数）相结合的一组特定特征能够区分非胁迫和胁迫植物(2类模型；精度：0.91)和胁迫强度(3级模型；精度：0.84)。这种灵活的方法可以适应不同的植物发育阶段和叶片形状/形态。在未来，模型的稳健性和可靠性应该在其他物种和其他非生物胁迫（如干旱）中进行测试。

图1  机器学习工作流程。该方案说明了遵循的整个工作流程。它从数据收集和分析（第一步）开始，然后是特征提取。它继续进行数据预处理，包括数据清洗和特征选择（步骤II），并以建模步骤（步骤III）结束，该步骤包括训练，测试和评估所应用的机器学习模型。MDA：丙二醛；EL：电解液泄漏；RWC：相对含水量；FW：鲜重；DW：干重；TPR：真阳性率；FPR：假阳性率。

图2  分割和掩码方法。图中分别展示了基于ImageJ软件和基于ARADEEPOPSIS流水线的分割和掩码步骤的不同方法。图像示例指的是P. vulgaris  (FDA—panel A)和A. thaliana  (AT—panel B)属于中等胁迫类。按图片顺序表示：原图（RGB原图）；ImageJ软件-二值分割得到的结果和实现手工分割得到的精度；对于ARADEEPOPSIS管道-从语义分割（semantic segmentation）中获得的掩码（Mask），以及从叶子分割过程（Convex Hull, Overlay）中得到的另外两个输出。

图3  ARADEEPOPSIS管道自动提取AT， FDL和FDA的俯视图图像。考虑到总共90个病例，对于每种情况，数据以AT的5个重复、FDA的18个重复和FDL的7个重复的平均值±SE表示。每个群体中的不同字母表示处理之间具有统计学意义的差异，通过单因素方差分析和Tukey 's HSD检验进行评估（α = 0.05）。热图中的颜色表示不同的值。蓝色阴影代表较低的值，而橙色阴影表示与对照（浅粉色）相比较高的值。更强烈的颜色表示与对照的最大显著差异。FDA: fagiolo d’acqua population of P. vulgaris；FDL: fagiolo della levatrice population of P. vulgaris; AT: Arabidopsis thaliana. 处理– 高胁迫 (HS); 中度胁迫 (MS); 控制对照 (C)。

图4  散点图来自D3数据集的PCA分析。PC1和PC2的组合利用特征值尺度显示了不同处理和不同物种的空间格局。