利用机器学习和多传感器数据评估豌豆的耐盐性-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

利用机器学习和多传感器数据评估豌豆的耐盐性

发布时间：

2025-07-18

来源：

作者：

盐碱地区地域辽阔，农业发展潜力巨大。筛选耐盐作物品种是提高和利用该地区盐碱地的重要策略。在可食用的豆科作物中，豌豆具有生育期短、耐盐性中等的特点，在盐碱地栽培具有广阔的应用前景。准确、高效地筛选耐盐豌豆品种至关重要。然而，传统的筛选方法往往耗时、耗力，且容易产生人为误差。近年来，无人机和传感器技术的进步使耐盐作物的高通量筛选成为可能，为耐盐作物的筛选提供了更有效的选择。

本研究中，配备RGB和多光谱传感器的无人机被部署用于采集正常和盐处理地块中生长的豌豆图像。从以上影像中提取结构性状（株高和冠层覆盖度）、纹理特征和光谱数据。利用这些信息，使用4种机器学习算法：Cat Boost、轻量级梯度提升算法（Light Gradient Boosting Machine，Light GBM）、支持向量机（SVM）和随机森林回归（RF），在两种生长条件下估算地上生物量（AGB）和SPAD值。为了评估豌豆的耐盐性，基于株高（PH）、覆盖度（CC）、地上生物量（AGB）和SPAD值4个指标建立了豌豆耐盐评分（PSTS）。

结果表明：1）多源数据融合显著提高了AGB和SPAD估测精度；2）CatBoost算法对AGB估测的性能最优（R²= 0.70，RMSE = 1.59t/hm²，NRMSE = 13.94 %），LightGBM算法对SPAD估测的性能最优（R²= 0.60 , RMSE = 2.33 , NRMSE = 14.53 %）；3）基于最优估计数据建立的PSTS与地面实测数据表现出较强的一致性。

综上，融合多传感器数据并结合先进的机器学习技术，为筛选耐盐豌豆品种提供了一种可行、可靠的途径，为更好地利用盐碱地奠定了基础。

图1. 工作流程

图2 地面测量值和估计PH值的散点图

图3. 基于无人机的RGB和MS特征变量与豌豆AGB的相关系数( a )：对照样地的RGB特征与AGB的相关性；( b )：对照样地MS特征与AGB的相关性；( c )：盐碱地的RGB特征与AGB的相关性；( d )：盐碱地MS特征与地上生物量的相关性

图4. AGB的估计精度统计分布。SVM:支持向量机；LightGBM: 轻量级梯度提升算法；GPR:高斯过程回归；CatBoost:分类增强

图5. 使用不同算法估算地上生物量的R²显著性分析. VM:支持向量机；LightGBM: 轻量级梯度提升算法；GPR:高斯过程回归；CatBoost:分类增强

图6. 基于无人机的RGB和MS特征变量与豌豆SPAD值之间的相关系数。( a )：对照样地的RGB特征与SPAD之间的相关性；( b )：对照样地MS特征与SPAD的相关性；( c )：盐碱地的RGB特征与SPAD的相关性；( d )：盐碱样地MS特征与SPAD的相关性。

图7. SPAD的估计精度统计分布。SVM:支持向量机；LightGBM: 轻量级梯度提升算法；GPR:高斯过程回归；CatBoost:分类增强

图8. 使用不同算法估算SPAD的R²显著性分析. VM:支持向量机；LightGBM: 轻量级梯度提升算法；GPR:高斯过程回归；CatBoost:分类增强

图9. .豌豆耐盐性评价图。不同的颜色表示从低(蓝色)到高(红色)的耐盐性。(a):根据地面测量评估豌豆耐盐性；(b):根据估计值评估豌豆耐盐性

图10. 地面测量和估计豌豆耐盐性得分散点图(PSTS)

表1. 地上生物量的估算结果

表2. SPAD的估算结果

来源

Zehao Liu , Qiyan Jiang , Yishan Ji , Rong Liu , Hongquan Liu ,Xiuxiu Ya , Zhenxing Liu , Zhirui Wang , Xiuliang Jin , Tao Yang , Assessment of salt tolerance in peas using machine learning and multi-sensor data, Plant Stress (2025), doi: https://doi.org/10.1016/j.stress.2025.100902

编辑

JAYz

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。

视频展示