地上生物量(Above-ground biomass, AGB)是衡量作物生产力的重要指标。AGB的破坏性测量成本巨大，且大多数非破坏性估算不能适用于具有不同冠层结构的品种。对AGB数据的获取不足可能限制了作物生产力的提高。最近，一种称为卷积神经网络(convolutional neural network, CNN)的深度学习技术由于其高数字图像识别能力而被应用于估计作物AGB。然而，基于CNN的AGB估计对不同品种的通用性仍不清楚。利用世界水稻核心馆藏的59个不同品种的数字图像，建立了基于CNN的水稻AGB估计方法，并对其进行了评价。在两年的时间里，我们在两个地点用商用数码相机拍摄了59个品种的12183张图像（图1和2），并人工获得了相应的AGB。使用28个品种建立CNN模型，对测试数据集具有较高的准确率(R2 = 0.95)（图4）。我们进一步利用31个未建立模型的品种来评估CNN模型的性能。当观测到的AGB小于924 g m-2时，CNN模型成功估计了AGB (R2 = 0.87)（图5），而当观测到的AGB大于924 g m-2时，CNN模型低估了AGB (R2 = 0.02)。这种低估可以通过在进一步的研究中添加AGB更大的训练数据来改善。目前的研究表明基于CNN的估计方法通用性强，可作为监测不同品种作物AGB的实用工具。

图1 数据集构成

图2 收集数据汇总。

图3 AGB估计的CNN模型训练和测试结果

 图4 预测AGB与实际AGB的相关性

图5 预测数据集的估计结果。（a） 在每个收获地块观测到的AGB与预测数据集的估计AGB之间的相关性。虚线表示 1：1 线，实线表示拟合的分段回归线;（b） 描述预测数据集中每个品种计算的rRMSE分布的条形图;（c） 预测数据集中31个品种株高的时程变化;（d） 预测数据集中31个品种的SPAD值的时程变化。