利用时空三维卷积神经网络和无人机时间序列图像预测高粱的倒伏损伤


发布时间:

2022-02-26

来源:

本站

作者:

PhenoTrait

  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

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。