评估品种成熟度传统手方法需要手动检查田地并视觉评估成熟度值。这种方法严重依赖于育种专家判断，具有主观性强、耗时、费力等局限性。本研究旨在基于无人机的时间序列图像开发一种机器学习模型用以评估大豆成熟度。

本试验对象为成熟度1.6-3.9的大豆品种，收集数据来源于22043个地块三年间（2021-2023年）每隔三天拍摄的图像。作者利用无人机时序RGB图像提取的二维等高线图作为神经网络模型的输入，深度学习模型被训练成利用该等高线图预测成熟度评级。

结果表明：①该模型在准确性和稳健性方面表现出显著改善，准确性高达85%。②当剔除一个错误分类时，准确性会跃升至99%。③只用三个时间点的数据作为模型输入不会显著降低预测准确性。④探究绿度损失率（以环境×基因值随时间损失表示）及其与大豆成熟度、产量的关系。结果显示，后期成熟组大豆往往具有更陡、更负的绿度损失斜率，而产量往往与绿度损失率呈负相关。

较于简单的“成熟”和“不成熟”分类方案，本研究基于表型组学和机器学习提供了一种最多七类的大豆成熟度分类方案，未来工作将进一步测试本模型对不同成熟组别的大豆材料的稳健性。

图1. 机器学习模型的2D等高线图生成工作流程概述

图2.不同相对成熟度（Relative Maturity，RM）组的平均斜率直方图

图3. 随时间变化的七个RM组的平均E×G值

图4. ResNet34模型在不同类别配置中对大豆成熟度进行分类的混淆矩阵

图5. RM组内E×G斜率与产量（吨/公顷）之间的相关性

表1. 每个相对成熟度组内E×G率与产量之间的相关系数

表2. 基于不同类别配置方案的分类准确度

表3. 不同时间点图像数量的分类准确性