许多作物的倒伏会影响产量，这主要是由作物生长季节极端天气中的强风引起的。倒伏对植物形态、生理过程和生长产生不利影响，从而显著降低作物的最终地上部产量。倒伏损伤还会导致育种、遗传分析或管理决策中的表型数据出现错误或丢失。高梁垂直生长的速度很快，株高可达3-4 m，尤其是在生长季的第二阶段，极易倒伏。

　　以无人机(UAV)为基础的遥感技术在农业和环境领域的应用日益广泛，在作物生长季节多次采集高分辨率遥感图像集变得越来越普遍。好的分析方法可以通过在数据空间和时间的维度进行学习，从而改进对作物性状的估计，以及遗传和环境对作物性状影响的评估。本研究利用无人机在11天内采集了多光谱、几何时间序列图像和地面的真实数据，对866份高粱品种进行了田间试验。本文比较了卷积神经网络(CNN)架构的性能，使用单一日期(两个空间维度，2D)的图像数据和多个日期(两个空间维度+时间维度，3D)的图像数据来估计倒伏监测和严重程度。通过对时间序列图像的3D-CNN分析检测到倒伏的准确率(accuracy)为0.88，精确率(precision)为0.92，召回率(recall)为 0.83，在单个日期上以0.85的准确率(accuracy)、0.84的精确率(precision)和 0.76 的召回率(recall)超过了最好的2D-CNN。通过最佳的3D-CNN估计倒伏严重程度的变化，平均绝对误差(MAE)为 9.4%，均方根误差 (RMSE)为11.9%，拟合优度(R2)为0.76。与具有11.84% MAE、14.91% RMSE 和 0.63 R2 的最佳2D-CNN分析相比，这是一个显著的改进。改进的3D-CNN 分析方法的成功取决于包含之前和之后的数据，即在倒伏事件之前和之后日期收集的图像。几何和光谱特征3D-CNN架构的整合也是改善倒伏严重性评估的关键，倒伏严重性是高粱等作物中一个重要且难以评估的现象。这表明基于无人机时间序列图像的时空CNN结构在作物育种和精准农业应用中具有显著的潜力，可以提高植物表型的监测能力。

　　图1 地面测量期间不同倒伏程度的示例。(a)不倒伏，(b)倒伏严重程度1(轻度)，(c)倒伏严重程度2(中度)，(d)倒伏严重程度3(重度)。

　　图2 倒伏评估的流程示意图。(a)正射影像叠加，时间深度图像(上)和时间点图像(下)的提取。(b)基于时间深度3D-CNN和时间点2D-CNN建模和地面实况数据的倒伏分类预测，并将其标记为倒伏或未倒伏。(c)使用时间深度3D-CNN和时间点2D-CNN建模方法和地面实况数据对倒伏严重程度进行分析。

　　图3 用于评估倒伏的自定义CNN架构图。用于倒伏检测的2D-CNN(a)和3D-CNN(b)。

　　来源：Sebastian Varela and Andrew D. B. Leakey. Implementing spatio-temporal 3D-convolution neural networks and uav time series imagery to better predict lodging damage in sorghum. Remote Sens. 2022, 14. https://doi.org/10.3390

　　编辑：张玉