利用遥感和机器学习技术进行开放式田间试验中抗晚疫病番茄表型高通量分析


发布时间:

2023-05-25

来源:

植物表型资讯

作者:

PhenoTrait

选择具有晚疫病抗性的番茄基因型需要在田间进行多次评估。基于无人机多光谱图像和机器学习模型来评估晚疫病严重程度可以提高效率和速度。本研究使用遥感和机器学习技术评估在开放田野条件下生长的番茄系的晚疫病抗性。研究中共使用76个番茄品系,其中包括两个抗性品系和一个易感品系,用于量化晚疫病的严重程度,所研究的植物设计排列在132个实验区。番茄植株被人工接种Phytophthora infestans游动孢子悬液。利用无人机获取了多光谱图像,并使用这些图像计算了植被指数(VI),以此为基础建立了预测疾病严重程度的随机森林模型。使用两种方法来预测晚疫病严重程度:方法1仅使用最后一天评估的图像,方法2则使用四天评估的图像。对于方法1和2,测试集的决定系数为0.81和0.93。使用方法2预测132个田间实验区的晚疫病严重程度,番茄区按照预测严重程度从低到高排序,抗性区排名第一,表明预测的一致性。因此,我们建议使用方法2作为快速、实用的方法来预测育种群体中的晚疫病严重程度。

 

图1 该实验由33行组成,共包含132个地块。60号地块由多种基因型混合组成。行间和行内的间距分别为1.00×0.60米,因此单个小区的总面积为3平方米。

 

图2 每3天记录一次晚疫病的严重程度,持续18天。然后根据Campbell和Madden(引文1990),用晚疫严重程度的评分来估计疾病进展曲线下的面积。

 

图3 计算每种处理的植被指数的图像处理步骤。B:蓝色波段,G:绿色波段,R:红色波段,RE:红色边缘波段,IR:红外波段。

 

图4. 基于NDVI指数为单一裁剪图像创建的掩膜实例。NDVI值大于既定阈值意味着像素值为1(黑色)。否则,该像素值为0(白色)。

 

图5 用于建立和验证机器学习模型的方法流程图。

 

图6 在田间条件下评估番茄基因型晚疫抗性时记录的平均严重性分数。

 

图7 在建模过程中,根据每个NDVI掩膜上的植被指数,决定系数(R2 -CV)和交叉验证的均方根误差(RMSE-CV)的平均值。这里我们只使用了评估的最后一天(7月8日)拍摄的航空图像。

 

图片

图8 对测试集(未参与建模的数据)的晚疫严重程度分数的预测。模型是基于使用评估最后一天拍摄的单一航空图像的信息和(a)NDVI>0.2,(b)NDVI>0.3,(c)NDVI>0.4,(d)NDVI>0.5和(e)NDVI>0.6掩膜创建的植被指数。

 

图片

图9 7月8日的多光谱图像。a-实验田;b-Santa Clara地块,易感性检查;c-NC1 CELBR地块,抗性检查。

 

图片

图10根据每个NDVI掩膜上的植被指数,建模期间决定系数(R2 -CV)和交叉验证的均方根误差(RMSE-CV)的平均值。我们使用在疾病严重程度评估期间拍摄的四张航空图像的信息来计算这里的植被指数。

 

图片

图11 对测试集(未参与建模的数据)的晚疫严重程度得分的预测。模型是基于使用评估期间拍摄的四张航空图像的信息和(a)NDVI>0.2,(b)NDVI>0.3,(c)NDVI>0.4,(d)NDVI>0.5,和(e)NDVI>0.6掩膜创建的植被指数。

 

图片

图12 基于最后一天评估(7月8日)的植被指数(VI)和NDVI>0.6的掩膜(方法1)建立的模型的变量重要性。

 

图13 基于所有四天评价的植被指数和NDVI>0.6掩膜建立的模型的变量的重要性(方法2)。

 

 

来 源

de Oliveira Dias F, Magalhães Valente D S, Oliveira C T, et al. Remote sensing and machine learning techniques for high throughput phenotyping of late blight-resistant tomato plants in open field trials[J]. International Journal of Remote Sensing, 2023, 44(6): 1900-1921.

 

https://doi.org/10.1080/01431161.2023.2192878

 

编辑

小王博士在努力

 

扩展阅读

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。