利用数字图像分析和Canopeo高通量估测棉花株高和地上生物量-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

利用数字图像分析和Canopeo高通量估测棉花株高和地上生物量

发布时间：

2023-01-16

来源：

植物表型资讯

作者：

PhenoTrait

株高和地上生物量是影响作物产量的重要生长参数。高效无损的作物表型监测技术在农田智能化管理中起着至关重要的作用。然而利用这些技术估计棉花株高和地上生物量的可行性尚未确定。

本研究提出了一种结合Canopeo的低成本高通量成像方法来提取高清数字图像中绿色的百分比，并建立了估算棉花株高（PH）和地上生物量（AGB）的模型。以80个棉花品种为材料，在两种灌溉水平(土壤含水率分别为70%±5%和40%−45%)下进行了株高和地上生物量的田间试验。在不同棉花基因型间(PH，R2=0.9829；RMSE=2.4 cm，NRMSE=11%；AGB，R2=0.9609；RMSE=0.6g/株，NRMSE=5%)和两种灌溉水平(PH，R2=0.9604；RMSE=2.15 cm，NRMSE=6%；AGB，R2=0.9650；RMSE=4.51g/株；NRMSE=17%)上表现出良好的线性拟合，均达到了较高的拟合度。此外，用简单线性回归模型方法确定了估测棉花株高和地上生物量的最全面模型(Y=0.4832*X+11.04；Y=0.4621*X−0.3591)。绿色率与株高、地上生物量呈正相关，且各模型具有较高的精度(R2≥0.8392，均方根≤0.0158，非均方根≤0.06%)。

研究表明，将高清晰度数码相机与Canopeo相结合，可以预测田间作物的生长情况；简单的线性回归建模方法和最全面模型可以快速估计棉花株高和地上生物量。这种方法也可以作为测量其他作物重要表型的基础。

图1.工作流层次结构图。将绿色的百分比值和图像上传到网页进行批处理后获得。

图2. 图像处理步骤。(A)图像是由一定高度和角度的相机拍摄。所有照片都是从同一地点拍摄。(B)已登录应用程序网站以获取上传的图像。首先，用户必须登录Canopeo账号，上传并分割图像，提取轮廓，并获得绿色和非绿色阈值区域。(C)非绿色阈值图像特征提取。(D)下载绿色百分比值参数和图像。

图3. 80个棉花品种初花期株高、地上生物量和绿色百分比的表型分析。其中，AGB：地上生物量；DS：干旱胁迫；CK：对照；PH：株高；PGC：绿色百分比。*P<0.0001。

图4. 不同棉花品种株高和地上生物量预测模型的验证结果。(A)PGC和PH的模型拟合，(B)PH值的测量和预测，(C)PGC和AGB的测量和预测，(D)AGB的测量和预测。N：样本数；R2：决定系数；RMSE：均方根误差；NRMSE：标准均方误差；AGB：地上生物量；PGC：绿色百分比；PH：株高。

图5. 在干旱胁迫和正常灌溉条件下，绿色百分比、株高和地上生物量模型的拟合效果。(A)DS下的PGC和PH模型。(B)在DS下CK、PGC和AGB模型中PH值的实测值和预测值的拟合效果。(C) 在DS下, PGC和AGB模型中实测值和预测值的拟合效果(D)AGB值的实测值和预测值的拟合效果。N：样本数；R2：决定系数；RMSE：均方根误差；NRMSE：标准均方误差；AGB：地上生物量；CK：对照；DS：干旱胁迫；PGC：绿色百分比；PH：株高。

图6. 基于简单线型回归方法的棉花绿色百分比、株高和地上生物量预测模型的验证。(A)PGC和PH模型。(B)PH值实测值和预测值的拟合效果。(C)PGC和AGB模式。(D)AGB值的实测值和预测值的拟合效果。N：样本数；R2：决定系数；RMSE：均方根误差；NRMSE：标准均方根误差，AGB：地上生物量；PGC：绿色百分比；PH：株高；SLR：简单线性回归。

来源

Guo C, Liu L, Zhang K, Sun H, Zhang Y, et al. 2022. High-throughput estimation of plant height and above-ground biomass of cotton using digital image analysis and Canopeo. Technology in Agronomy 2:4

编辑

Check Point

扩展阅读