随着图像处理技术的不断发展，使用基于传感器技术的方案对作物进行监测正变得越来越便捷。得益于此，田间表型领域的研究已取得了许多显著进展，但其仍被认为是作物遗传改良的瓶颈所在。

目前，如何更好地抵御气候变化已成为作物(例如小麦)种植中的主要问题，而随着近年来极端气候事件的不断发生，作物单产之间的差异可能会增加。为了确保作物产量的稳定，需要让作物生产系统不断地去适应变化多端的气候条件，育种家则需要以此改良作物品种。

就欧洲地区而言，小麦单产已停滞不前，为了育成高产的小麦品种，有必要获取相关信息，去探究作物中不同的产量因子是在何时以及是如何形成的。近几十年来获取可靠的产量因子信息的需求一直存在，但碍于高通量表型分析算法的匮乏，育种家难以通过基因-环境间的互作去得出可靠的结论，因此迄今为止公认的最为有效的产量表型分析方法仍然是在育种末期测量大田中的最终谷物产量。同时，为了增加遗传增益，对育种阶段早期的表型分析也至关重要。

小麦的产量因子主要有单位面积内植株数量、每株可育穗芽数以及每穗粒数和粒重等。植株数量以及可育穗芽数与出苗、分蘖强度以及分蘖败育情况有关，这些过程不仅受播种密度等种植管理因素影响，还受到环境变量的影响。每穗的潜在穗粒数由末端小穗的形成情况决定，而末端小穗则与拔节期开始的时间点有关，这是一个与环境参数高度相关的过程。采用人工方式评估这些性状非常耗时耗力，且准确性不佳。

近日，Plant Phenomics在线发表了苏黎世联邦理工学院农业科学研究所Lukas Roth等人题为Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones的研究论文。

为了在育种阶段早期对小麦进行表型分析，该文章使用了基于无人机图像采集的方法，针对出苗率、分蘖数以及开始拔节时间点进行分析。使用每周至少两次的重复飞行所获取到的可见光图像，量化可见叶面积的时空变化。为了利用多视角图像中所包含的信息，文章将采集到的图像处理为突出显示植株部分的多视角地面覆盖图像(Figure 1);之后，基于这些图像训练支持向量机，用于分析拔节时间点(GS30);最后分别使用分水岭算法和生长模型对植株和分蘖的数量进行计数(Figure 3)。

论文结果表明，算法对分蘖数和拔节时间点的分析较为准确(Figure 5)，且在分蘖计数方面，遗传力优于人工测量。此外，多视角图像性状分析能够以较高效率(最高可达223%)代替人工测量。因此，多视角图像具有很高的潜力，有望成为植物表型组学的标准工具之一。

Figure 1: Phenotyping strategy including preprocessing, feature extraction, time point traits, spatial correction, dynamic modeling, and finally intermediate level traits.

Figure 3: Schematic representation of multiview ground cover image preprocessing (a) and strategies for plant count (b), tiller count (c), and beginning of stem elongation (GS30, d) feature extraction methods.

​Figure 5: Prediction errors and determination coefficients (R2) for plant count estimations (a), shoot dynamics modeling (b, c), and beginning of stem elongation (GS30) (d).

来源：

Roth L, Camenzind M, Aasen H. Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones. Plant Phenomics. https://doi.org/10.34133/2020/3729715.