历史上的硬岩采矿活动导致近50万个受影响的地点散布在美国各地。与传统修复方法相比，(辅助)植物稳定化通常是一种具有成本效益和生态效益的方法，特别是对于大型场地。本地物种可以保持较高生物多样性，为自然生态演替提供基础。由于矿山废弃物的异质性，植被修复策略在方法上不一致，为了避免失败的情况，温室筛选研究可以在扩大规模之前确定候选植物和修正策略。本研究旨在同时筛选本地植物对Cu/Pb/Zn尾矿的修复潜力，利用计算机视觉和基于图像的表型分析技术，开发一种高通量、非破坏性的方法来量化植物的响应。

基于机器学习的图像分割实例

利用PlantCV进行图像分析和性状提取的实例

本研究共筛选出34种植物，其中乔木5种，禾本科草本8种，非禾本科草本21种。大多数被测试的物种是密苏里州的本地物种。首先，利用计算机视觉技术对植物进行无损成像，提取了15个形态和颜色表型特征。与对照土壤相比，所有被测物种都受到尾矿特性的负面影响，树种的耐受性最低。然而，观察发现，通过添加生物固体植物生长和耐性的显著改善通常，大多数豆科植物的生物量超过了对照土壤。在大多数物种中，Cu、Pb和Zn的积累都低于家畜的毒性限度。利用面积、高度、宽度、颜色和其他9个形态属性等表型数据，观察到物种响应的统计差异。与破坏性数据的相关分析表明，面积与生物量的正相关最大，颜色与地上部金属的负相关最大。综上所述，计算机可视化极大地增加了表型数据，并在快速、高通量数据收集方面提供了突破，从而为项目特定地点的植物稳定策略提供了有效恢复矿山影响地点的数据。

选定的物种的生长性能

来源：

Al-Lami M, Nguyen D, Oustriere N, et al. High throughput screening of native species for tailings eco-restoration using novel computer visualization for plant phenotyping. Science of The Total Environment. https://doi.org/10.1016/j.scitotenv.2021.146490.