由于土壤中的养分和水分分布不均，影响作物生长和产量的根系体系是土壤根系分布的重要组成部分。耕地中的养分分布取决于耕地面积，耕作方法和施肥系统。为此，根系分布受耕作和施肥影响。

现代农业通常使用高输入设备，使位于地表附近的耕层土壤变得十分肥沃。因此，浅根作物能够较好地吸收养分，促进生长。而在干旱条件下，深根作物在缺少养分和水分的耕地中通过避免养分和水分的缺乏而表现得更好。因此，根的分布受环境条件和栽培技术的影响。

以适合农场的根分布品种为目标进行育种可以提高产量。育种的成功取决于如何在自然和人工种群中使用适合的表型方法找到有效的遗传资源。然而，当下很难培育出理想的根系分布新品种，因为用于田间根系分配的表型方法，即筛选可调节根系分布特性的遗传资源所必须的步骤，在有限的技术层面上具有一定的挑战性。

获取根部表型性状的方法大致分为四类：沟槽轮廓法、螺旋钻法、微型根管放疗法和直接挖掘法。沟槽轮廓法是在植物旁挖一个垂直沟来量化作物壁中根系分布的方法，用以观察农作物的垂直和水平根系分布。与其他田间方法相比，能够观察到根系的最大比例，该技术用于研究土壤条件与根系生长的相互作用以及作物根系分布的基本特征。

螺旋钻法是一种采样方法，主要用于量化垂直根分布。使用岩芯采样器，螺旋钻法只能评估狭窄水平面中的根分布。

微型根管放疗法是将透明圆柱体埋入土内，以定期获取根部图像来顺序观察根部发育的技术。该方法的观察区域有限，一般用于估计根生长动态，其中包括根周转率。

直接挖掘法是一种简单的根系采样方法，主要是用铲子挖根。这种方法不适用于研究土壤中的根系分布，主要用于根系分支估计和根锥角计算。尽管这些方法无法观察到整个根系分布，但其中沟槽轮廓法最适合评估土壤中的根系分布，因为其可以同时观察垂直和水平的根系分布。

沟槽轮廓法的步骤包括开沟挖槽、冲洗沟槽轮廓、测量根部长度以及计算根部分布特性。由于沟渠与植物之间的距离会影响墙面的根部分布，因此通常使用反铲垂直挖掘沟槽。此外，沟渠深度由目标作物的生根特性决定。通过在垂直和水平方向上对墙面进行剖析，并测量每个剖面中的根密度来评估根分布情况(Figure 1 (a))。

为了测量根系密度，需从每个部分收集土壤块或岩心样品，从而测量根系长度。除此之外，使用刮刀、气压或雾化器从墙壁表面去除几厘米的土壤以便于观察和测量根系，通过对根的相交性状进行计数，并以它们的相关性为基础，估算每个地块的根密度。

Figure 1: Overview of root distribution parameter estimation.

近年来，在植物表型图像分析中，卷积神经网络(CNN)为主导方法。CNN是一种深度学习模型，通常由四种类型的层组成，包括卷积层、池化层、反卷积层和全连接层。模型通过卷积层和池化层提取图像特征，并在反卷积层和全连接层创建输出数据。如果输出数据是图像，则将其用于语义分割和对象检测任务。应用示例包括研究静脉形态模式、抽穗期估计和植物病害检测。

如果输出数据是向量，则将其用于分类任务，例如植物物种分类。在研究栽培作物时，通常使用CNN通过根箱系统和微型根管对植物根进行测量，并使用语义分割从根系统中定量计算出根长。训练模型后，基于CNN的应用会使分析全自动化，因此，它可能是实地基于图像鉴定植物表型的强大工具。

Plant Phenomics在线发表了日本国立农业与食品研究组织作物科学研究所S. Teramoto和Y. Uga的题为《A Deep Learning-Based Phenotypic Analysis of Rice Root Distribution from Field Images》的研究论文。研究作者将基于CNN的语义分割应用于沟槽轮廓图像，以估计轮廓壁上的根分布情况。

在田间获取沟槽轮廓图像，使用语义方法进行分割，并将根段用骨架显示以表示根长(Figure 2)最大根深(MRD)和根深指数(RDI)，广泛应用代表作物根系分布参数。其中，MRD是指达到的最大根深度，RDI是土壤中根分布的垂直质心。由于使用沟槽轮廓法只能看到轮廓壁上的根，因此存在无法将MRD指数最大化的可能。于是，RDI更适用于沟槽轮廓法。

在这篇文章中，作者将RDI的概念扩展到垂直和水平分布，使用Depth50和Width50分别表示根分布的垂直和水平质心，通过评估全球水稻种质根系分布的多样性来证实其方法的可行性(Figure 6)。这项研究提出的方法不仅适用于水稻，也适用于研究其他作物的根系分布情况(Figure 1 (b))。

Figure 2: Calculating root distribution parameters.

Figure 6: Diversity of Depth50 and Width50 among worldwide rice accessions from 2019.

来源：

S. Teramoto and Y. Uga . A Deep Learning-Based Phenotypic Analysis of Rice Root Distribution from Field Images. ​Plant Phenomics . https://doi.org/10.34133/2020/3194308.