背景

水稻作為全球主要糧食作物之一，在養(yǎng)活世界人口方面具有重要地位。然而，隨著人口增長和耕地資源減少，提升水稻單位面積產(chǎn)量成為解決糧食安全的重要途徑。在傳統(tǒng)水稻育種過程中，高產(chǎn)品種的篩選依賴人工測量產(chǎn)量和生物量，但這種方法耗時費力、效率低且難以大范圍應(yīng)用。此外，受氣候變化和環(huán)境因素影響，產(chǎn)量差異顯著，增加了高產(chǎn)品種篩選的復雜性。  

近年來，隨著無人機（UAV）和高光譜成像技術(shù)的發(fā)展，農(nóng)業(yè)高通量表型檢測成為可能。高光譜成像可以同時獲取作物的光譜和空間信息，實現(xiàn)對生長狀態(tài)、養(yǎng)分水平及倒伏等性狀的無損監(jiān)測和精準評估。然而，單一基于植被指數(shù)或傳統(tǒng)統(tǒng)計模型的方法在動態(tài)環(huán)境下穩(wěn)定性差，無法滿足育種過程中對高精度、快速分類的需求。  

作者信息：

蘇軍，福建農(nóng)林大學蛋白組學研究中心，博士生導師

期刊來源：Plant Phenomics

研究內(nèi)容

該研究結(jié)合無人機高光譜影像和倒伏特征，利用XGBoost機器學習算法，構(gòu)建水稻產(chǎn)量分類模型。旨在開發(fā)一種低成本、高通量、非破壞性的方法，實現(xiàn)大范圍高產(chǎn)水稻品種的快速篩選，提升水稻育種效率，并為精準農(nóng)業(yè)和農(nóng)業(yè)智能化提供新的技術(shù)手段。

實驗設(shè)計

本研究在江蘇省南京市農(nóng)業(yè)試驗基地開展，選取多個水稻品種作為研究對象，數(shù)據(jù)采集時間為水稻灌漿中后期。使用大疆M600 Pro六旋翼無人機作為飛行平臺，搭載江蘇雙利合譜科技有限公司生產(chǎn)的176波段高光譜相機（GaiaSky-Vis&Nir）（圖1(a)，a-1）。在測量前，需在直射陽光下校準曝光時間。采集一張白板和兩張黑背景圖像。拍攝白板圖像時，將漫反射標準板垂直于鏡頭前方放置（圖1(a)，a-2）。兩張黑背景圖像（圖1(a)，a-3和a-4）按照制造商規(guī)范拍攝，分別使用鏡頭蓋關(guān)閉并采用常規(guī)或增加曝光時間的方式獲取。高光譜相機的白板和黑背景曝光時間分別為0.9秒和1.0秒。為進行輻射校準，將反射率分別為20%、40%和60%的參考面板放置在田間，并在圖像處理中作為標準使用（圖1(b)）。該高光譜相機的分辨率為960×1057像素，在90米飛行高度下可提供4.5厘米的空間分辨率（圖2(c)）。高光譜相機為線傳感器，波長范圍為400至1000 nm，光譜分辨率（半高寬）為3.5 nm，每張圖像的曝光時間為7秒。水稻的光譜曲線與周圍土壤的光譜曲線存在顯著差異（圖1(d)）。

圖1：高光譜相機校準與圖像采集。(a) 在陽光下使用標準白板校準曝光時間（a-1），包括拍攝白板圖像（a-2）、暗背景圖像（a-3）以及增加曝光時間后的暗背景圖像（a-4）。(b) 反射率分別為20%、40%和60%的參考反射面板。(c) 圖像采集時無人機飛行高度為90米。(d) 示例樣本區(qū)域及其對應(yīng)的水稻和土壤光譜曲線

研究方法

采集得到的高光譜影像首先進行了黑白板校正、輻射校正與大氣校正。隨后，剔除了光譜中的噪聲波段，提取感興趣區(qū)域（ROI）的平均光譜反射率，確保所用光譜數(shù)據(jù)準確代表水稻冠層信息。此外，計算了多種常用植被指數(shù)（如NDVI、GNDVI和OSAVI等），為后續(xù)建模提供更加豐富和直觀的作物生長狀態(tài)指標。

為了進一步提高水稻產(chǎn)量分類模型的表現(xiàn)，研究結(jié)合了倒伏特征，通過對無人機影像的分析，提取出倒伏程度（輕度、中度、重度）及倒伏位置分布情況。

將經(jīng)過預處理的光譜數(shù)據(jù)、植被指數(shù)以及倒伏特征數(shù)據(jù)整合在一起（圖2），并根據(jù)水稻品系進行標記。進行了兩種分析：品系內(nèi)分析和品系間分析。在品系內(nèi)分析中，從每個品系中隨機選取兩個重復樣本作為訓練數(shù)據(jù)，而將第三個重復樣本用作測試數(shù)據(jù)（圖3(a)）。在品系間測試中，從每個類別中選擇一個品系作為測試樣本，其余10個品系則被用作訓練樣本?？傮w而言，類別之間共有2（A類）×7（B類）×4（C類）=56種排列組合（圖3(b)）。為了降低測試誤差并提高驗證方法的可行性，這56種訓練集和測試集均被逐一分析。

圖2：高光譜和RGB圖像處理流程及數(shù)據(jù)集構(gòu)建。從抽穗期獲取的原始圖像經(jīng)過多種失真校正后得到修正數(shù)據(jù)。提取參考光譜，并去除噪聲和背景。在網(wǎng)格單元和后續(xù)感興趣區(qū)域（ROI）選擇后，使用隨機像素計算植被指數(shù)。從成熟期提取的倒伏統(tǒng)計數(shù)據(jù)與光譜數(shù)據(jù)結(jié)合，形成訓練和測試集

圖3：模型建立的樣本組合。圖中展示了用于品系內(nèi)分析（a）和品系間分析（b）的重復樣本和品種排列的示意圖

基于篩選后的特征，研究將水稻樣本按照產(chǎn)量標準分為高產(chǎn)、中產(chǎn)和低產(chǎn)等級，并采用XGBoost（極端梯度提升算法）構(gòu)建產(chǎn)量分類模型。并通過網(wǎng)格搜索方法確定了XGBoost算法的最佳參數(shù)。構(gòu)建了3×3的混淆矩陣來分析預測結(jié)果，并計算了精確率和召回率。

結(jié)果

鑒于倒伏標注對于更準確的產(chǎn)量估算具有重要意義，測試是否可以不依賴人工標注，通過自動倒伏表型識別實現(xiàn)準確估算。為獲得足夠的訓練樣本，使用 RGB 相機（成本低于高光譜相機）采集了100 張倒伏圖像和 83 張非倒伏圖像。所有圖像被調(diào)整為統(tǒng)一尺寸（224 × 224）。隨后，從無人機航拍圖像中裁剪出倒伏區(qū)域和非倒伏區(qū)域（ROI），作為訓練數(shù)據(jù)集。最后，我們采用遷移學習、圖像增強技術(shù)，并使用基于 ImageNet 預訓練權(quán)重的 ResNet50 模型，結(jié)合 Adam 優(yōu)化器進行模型訓練。模型的批次大?。╞atch size）為 8，學習率為 0.0001，訓練輪數(shù)（epoch）為 30，總迭代次數(shù)為 600。將訓練好的模型應(yīng)用于39 個實驗地塊中 13 個品種的三次重復實驗進行倒伏識別（如圖4所示）。結(jié)果顯示，僅有2個倒伏單元被誤判為非倒伏單元，倒伏識別準確率達到了94.87%，這表明深度學習技術(shù)完全可用于水稻倒伏的自動識別。

圖4. 利用微調(diào)技術(shù)實現(xiàn)水稻倒伏的自動識別。(a) 倒伏檢測模型的訓練數(shù)據(jù)，其中包含100張倒伏圖像和83張非倒伏圖像。(b) 來自39個實驗田塊的高光譜數(shù)據(jù)的偽彩色圖像（波段77、50和18）。根據(jù)種植區(qū)域截取感興趣區(qū)域（ROIs），以建立測試數(shù)據(jù)集，其中包含14張倒伏圖像和25張非倒伏圖像。(c) 模型在訓練數(shù)據(jù)上的混淆矩陣。(d) 模型在測試數(shù)據(jù)上的混淆矩陣

對五種機器學習算法進行了測試和比較，這些算法包括LDA（線性判別分析）、高斯核支持向量機（SVM）、AdaBoost、隨機森林（RF）和XGBoost。測試結(jié)果顯示，XGBoost的性能優(yōu)于其他四種方法（圖5）。

圖5：五種分類器（包括LDA、SVM、AdaBoost、RF和XGBoost）的測試結(jié)果

結(jié)論

該研究結(jié)合無人機高光譜影像數(shù)據(jù)與水稻倒伏特征，構(gòu)建了基于XGBoost算法的水稻產(chǎn)量分類模型。研究結(jié)果表明，倒伏特征在模型中具有重要作用，單獨使用倒伏特征時模型準確率最高為69.32%，而將高光譜數(shù)據(jù)與倒伏特征結(jié)合后，模型分類準確率顯著提升。通過對不同算法的比較，XGBoost算法表現(xiàn)最佳，具有更高的預測準確性和泛化能力。此外，研究還利用深度學習方法實現(xiàn)了水稻倒伏的自動識別，準確率達到94.87%，為無人機高通量表型分析和智能化水稻育種提供了技術(shù)支撐。整體而言，該研究為大規(guī)模高產(chǎn)水稻品種篩選與精準農(nóng)業(yè)生產(chǎn)提供了一種高效、低成本、非破壞性的遙感監(jiān)測方法，并建議未來結(jié)合多傳感器與更多紋理及形態(tài)特征，進一步提升模型的適用性和智能化水平。