图1  实验设置和工作流程。（A）ART和TRT提取以及耐旱性分类的示意性工作流程。（1）实验设置（2）图像采集：自定义成像设置为温室和C-600根系成像仪为领域。（3）图像预处理和分割。（4）ART和TRT提取。（5）耐旱性分类与随机森林算法。（6）分类结果比较和验证。（B）ART和TRT提取流程：使用RIMPACT视觉的TRT提取和使用K均值聚类算法的TRT提取。

图2  小麦基因型的耐旱性表征和验证。（A）凹凸图说明了基于三种生理排名方法的耐旱（DT，绿色色调）和耐旱（DS，蓝色色调）基因型的排名。DT基因型的排名始终高于（1-3）DS基因型。

 图3 植物根系性状（ART）的可视化。Panel 1显示了温室根管图像的结果，而Panel 2显示了田间微型根管图像。这些图突出了最大的密集根簇（_density_points）为绿色，蓝色点表示聚类质心（_centre_x和_centre_y）。算法包括：1.DBSCAN，2.Custom，3.FCM，4.GMM，5.HDBSCAN，6. K-means，7. Mean-shift，8.OPTICS，和9.SLIC。在每一组中，（A）对应于耐旱基因型DT_1，和（B）对应于干旱敏感基因型DS_3。例如，图1（6A）显示了应用于耐旱基因型DT_1的K-均值算法，图1（6 B）显示了应用于干旱敏感基因型DS_3的相同算法。绿色区域代表最大的密集根簇，而蓝点表示由各自算法识别的它们的中心。

 图4  ART和TRT数据集的比较。（A）ART的相关矩阵热图。（B）TRT的相关矩阵热图。（C）ART的欧氏距离矩阵热图。（D）TRT的欧氏距离矩阵热图。(E)组合数据集的欧几里得距离矩阵热图。（F）ART的PCA图。（G）TRT的PCA图。（H）比较ART和TRT的MDS图。

 图5  分类算法和最终模型验证的比较性能。(A-C)分组条形图比较了（A）TRT、（B）ART和（C）组合数据集上六个关键指标的八种分类算法的性能。对于每个指标，随机森林和CatBoost始终排名最高。（D-E）累积分布函数（CDF）图显示了（D）ROC AUC和（E）精度分数的分布，显示在组合数据集上训练的模型始终优于单独在ART或TRT上训练的模型。（F）最终选择的随机森林模型的性能，比较其在内部开发数据上的得分（“模型得分”）与其在完全独立的验证集上的得分（“验证得分”），证明了稳健的泛化能力。

 图6  随机森林分类器在使用不同数据集进行耐旱性分类中的性能。(A)分组条形图说明了随机森林模型性能的逐步改进。对于每种数据类型（TRT、ART、Combine），显示了基线、微调和增强（A_B）模型版本的性能。（B）TRT、ART和组合数据集的最终优化模型的条形图比较，突出显示在组合数据集上训练的模型的上级性能。（C）内部测试集上表现最好的模型的混淆矩阵。（D）独立验证集上表现最好的模型的混淆矩阵。（E）最好的-在开发期间执行模型的度量分数（“模型分数”）并在验证数据集上执行模型的度量分数（“验证分数”）。（F）验证数据集的累积增益曲线。（G）验证数据集的提升曲线。（H）最终模型的排列特征重要性。

 图7  ART的生物相关性和性能优势。（A）ART特征捕获的干旱适应机制，显示与已建立的生理过程的联系；（B）ART和TRT之间在多个评估标准上的性能指标比较；（C）ART特征和已建立的TRT指标之间的显著相关性（|r| ≥ 0.6，p < 0.05）；（D）性状稳定性比较显示在实验条件下ART与TRT较低的验证相关性（p = 0.0137）；（D）模型精度与特征数，证明ART的信息密度高于TRT；（F）算法消融研究结果，显示了不同算法对模型性能的相对贡献，其中FCM、HDBSCAN和Mean-shift 的贡献最大。