CN112183292B - 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 - Google Patents
基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 Download PDFInfo
- Publication number
- CN112183292B CN112183292B CN202011005867.8A CN202011005867A CN112183292B CN 112183292 B CN112183292 B CN 112183292B CN 202011005867 A CN202011005867 A CN 202011005867A CN 112183292 B CN112183292 B CN 112183292B
- Authority
- CN
- China
- Prior art keywords
- drought
- crop
- model
- phenotype
- field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 244000037666 field crops Species 0.000 title claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 37
- 230000008641 drought stress Effects 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 24
- 239000002028 Biomass Substances 0.000 claims abstract description 19
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 230000006872 improvement Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000005096 rolling process Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 12
- 235000007164 Oryza sativa Nutrition 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 235000009566 rice Nutrition 0.000 claims description 9
- 238000009395 breeding Methods 0.000 claims description 8
- 230000001488 breeding effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 230000001066 destructive effect Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 230000035882 stress Effects 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 230000011514 reflex Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 229920000742 Cotton Polymers 0.000 claims description 3
- 208000005156 Dehydration Diseases 0.000 claims description 3
- 241000209140 Triticum Species 0.000 claims description 3
- 235000021307 Triticum Nutrition 0.000 claims description 3
- 240000008042 Zea mays Species 0.000 claims description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 3
- 235000005822 corn Nutrition 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims 2
- 244000299507 Gossypium hirsutum Species 0.000 claims 1
- 240000007594 Oryza sativa Species 0.000 claims 1
- 238000012252 genetic analysis Methods 0.000 abstract description 3
- 230000006461 physiological response Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 241000209094 Oryza Species 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000219146 Gossypium Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000036579 abiotic stress Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004790 biotic stress Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，针对作物在干旱胁迫下的生理响应，提取了以下具体表型：(1)使用深度卷积神经网络估算卷叶指数LRS，用于指示作物叶片对干旱胁迫的响应程度；(2)基于数字表面模型DSM提取的地上部分体积AGV，用于指示作物生物量，以及使用经验线性法建模得到的鲜重FW、干重DW、含水量PWC；(3)用于指示作物叶片相对含水量的综合抗旱评估指标LWI。并且，使用高频次的无人机图像数据得到上述表型性状的时序变化，揭示作物在干旱胁迫下的动态响应，并评估其抗旱能力。最后，结合作物种质资源的基因测序数据进行遗传分析，定位到潜在的抗旱基因用于后续的功能验证和遗传改良。
Description
技术领域
本发明属于农业自动化领域，具体涉及一种水稻表型提取分析方法，尤其涉及一种基于低空遥感的大田作物干旱表型提取与抗旱性评估方法。
背景技术
作物育种研究对于逐渐加剧的气候变化和粮食安全问题至关重要。在作物抗旱育种试验中，需要获取大量候选品种的表型性状，用于筛选出抗旱品种，并结合基因组数据进行遗传分析，获取潜在的抗旱基因用于遗传改良。在大田环境下，干旱表型获取的传统方法一般为人工测量，例如人工卷叶评级早在1980年就被用于描述水稻对干旱胁迫的响应(O’Toole and Cruz，1980)。但是人工测量的工作量大、时效性差、主观性强(Ghosal et al.，2018)，无法满足大群体的高通量表型的应用需求。
近年来大量研究专注于开发基于图像的表型性状，极大地提高了表型通量，这些方法主要适用于温室环境(Yang et al.，2014)，在复杂的大田环境下无法快速部署使用。针对复杂的大田环境，现有的自动化表型平台包括龙门吊、田间机器人等(www.lemnatec.com)，但是这类地面平台成本高昂且效率较低，因此需要进一步开发高效的、适用性强的大田表型工具。
轻型无人机的快速发展降低了其应用成本，无人机平台灵活高效、便于部署，尤其适合大田环境的作物表型获取。通过搭载高清单反相机，在大田作物上空贴地飞行，可以快速采集大量高分辨率图像，用于高精度的表型信息提取。深度学习技术在图像分类、目标检测、图像分割等计算机视觉任务中的效果明显优于传统方法，在植物表型中深度学习算法可以用于对各种生物和非生物胁迫的分类、量化和预测(Singh et al.，2016；Pound etal.，2017)。但是结合无人机图像的深度学习应用较少，尤其是基于大田环境下的多时期、高通量无人机图像数据，使用卷积神经网络量化作物在干旱胁迫下的响应。
本方法通过多旋翼无人机平台搭载高清单反相机，拍摄大田作物的高分辨率图像，进而使用深度学习与计算机视觉算法高效获取大田作物表型信息。针对作物在干旱胁迫下的生理响应，提取了以下具体表型性状：(1)用于指示作物叶片对干旱胁迫响应程度的卷叶指数(leaf rolling score，LRS)；(2)用于指示作物生物量的地上部分体积(aboveground volume，AGV)，以及使用经验线性法建模得到的鲜重FW、干重DW、含水量PWC；(3)用于指示作物叶片相对含水量的综合性抗旱评估指标(leaf water index，LWI)。除此之外，使用高频次的无人机图像数据得到上述表型性状的时序变化，从而更深入地解释各作物品种在干旱胁迫下的动态响应模式，并评估其抗旱性强弱。最后，结合作物种质资源的基因测序数据进行遗传分析，定位到潜在的抗旱基因用于后续的基因功能验证和作物遗传改良研究。
发明内容
(一)要解决的技术问题
为了克服现有技术中大田作物干旱表型获取效率低下，难以量化作物对干旱胁迫的动态响应这一问题，本发明提供了一种基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，实现了大田作物的高通量、动态干旱表型数据获取和分析。
(二)技术方案
本发明为了解决其技术问题所采用的技术方案，提供了一种基于低空遥感的大田作物干旱表型提取与抗旱性评估方法。
一种基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于，包括如下步骤：
步骤A，使用无人机平台搭载高清单反相机，对大田作物种质资源进行高通量、高频次的数据采集，用于提取连续变化的动态表型数据；
步骤B，在田间进行人工卷叶评级，获得卷叶指数LRS；
步骤C，在人工卷叶评级相应的时间同步拍摄大田作物图像，用于构建自动卷叶打分模型的数据集；
步骤D，在抽穗期之前选取部分田块，对生物量鲜重FW、干重DW和含水量PWC进行有损测量，在破坏性取样之前采集一次无人机图像数据用于生物量建模；
步骤E，使用Agisoft PhotoScan软件拼接无人机高清图像，得到正射影像DOM和数字表面模型DSM；
步骤F，选取与人工卷叶打分相对应的作物田块，并勾画出面积相同的矢量面，将整个作物田块的正射影像DOM裁剪成以不同品种的小田块为单位的图像数据集，每一个时期的每一个田块都有人工卷叶指数LRS与其对应；
步骤G，将各期图像裁剪为相同的大小，并使用过采样的方法进行多次随机裁剪，在数据增广的同时，通过控制裁剪得到的图像数量，使数据集中各卷叶等级的图像分布均衡；
步骤H，模型构建，使用Keras深度学习库进行卷积神经网络的构建与训练，用于卷叶自动打分；
步骤I，模型训练与验证，使损失函数下降并趋于稳定，并根据验证集的损失函数保存精度最高的模型；
步骤J，卷叶自动打分模型测试：将训练好的卷叶打分模型用于新一年的数据，结合相应的人工卷叶打分数据，通过模型在新数据集上的泛化能力测试模型的鲁棒性；
步骤K，生物量建模，根据数字表面模型DSM提取得到的地上部分体积量AGV，对有损测量的鲜重FW、干重DW和含水量PWC建立经验线性回归模型；
步骤L，综合性表型性状的计算：结合上述卷叶指数LRS，以及建模得到的植被含水量PWC，计算得到叶片相对含水量LWI，用于综合评估干旱和水分胁迫对作物叶片含水量的影响；
步骤M，将卷叶自动打分模型与生物量估算模型应用于大田抗旱育种试验，评估不同作物品种的抗旱能力。
更具体地，步骤A的数据采集涵盖干旱胁迫前、胁迫中，以及胁迫后的恢复期；
更具体地，步骤B中，从干旱胁迫开始直到胁迫后的恢复期，每天早上和傍晚在田间进行人工卷叶评级，按照卷叶严重程度将其评定为1至5五个等级，1级为未出现卷叶，2级为超过20％的叶片发生卷曲，3级为超过40％的叶片发生卷曲，4级为超过60％的叶片发生卷曲，5级为超过80％的叶片发生卷曲，3人分别凭经验和主观感受进行卷叶评级，然后取其平均值作为该品种的作物田块在该时刻的卷叶等级；
更具体地，步骤H中的模型构建，使用Keras深度学习库Tensorflow后端进行卷积神经网络的构建与训练，用于卷叶指数自动打分，利用VGG16基础模型结构，去掉原模型的全连接层，添加一个全局平均池化层和三个大小分别512、512、1的全连接层，并在新添加的全连接层之间添加20％的dropout正则化；模型的最后一个全接层即为卷叶指数的输出；
更具体地，步骤I中的模型训练与验证，将随机裁剪和类别均衡之后的数据集按8∶2的比例划分为训练集和验证集，使用Keras中的DataGenerator进行实时数据增强与训练批次的生成，其中实时数据增强包括随机旋转、水平翻转、垂直翻转；使用MSE作为损失函数，使用Adam优化器进行参数更新和优化，设置batch size为256，每一轮训练10个批次，训练与验证过程交替进行，一共训练300轮，使损失函数下降并趋于稳定，并将验证集的MSE损失作为模型监视器，只在验证集的MSE损失值减小时，才更新模型文件；
更具体地，步骤L的作物叶片相对含水量综合指标LWI的定义是基于卷叶指数LRS和含水量PWC的相对量PWC_R，用相对含水量PWC_R与卷叶指数LRS的比值作为叶片相对含水量LWI，这一综合指标可以有同一套图像数据获取，并且能够用于在干旱胁迫的不同时期综合评估作物叶片的响应情况和水分含量；
更具体地，步骤M的大田抗旱试验过程中，使用干旱胁迫实验中拍摄的多期数据，对作物响应干旱胁迫的动态过程进行高频次的表型监测，根据表型性状的动态变化，揭示作物在整个干旱胁迫周期内的响应模式，从而反映不同品种的抗旱能力强弱；
更具体地，在大田抗旱试验之后，还包括步骤N，结合试验中用到的作物种质资源的基因测序数据，将得到的作物表型用于全基因组关联分析，定位到与抗旱性有关的数量性状位点；
更具体地，全基因组关联分析重点对待能够被多时期的表型性状共同定位到的位点，从中选取候选基因用于抗旱作物育种和遗传改良研究。
更具体地，上述方法应用的作物包括水稻、小麦、玉米和棉花。
(三)有益效果
本发明基于发明人在本领域多年的技术积累和研发，提供了一种基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，该方法实现了基于无人机遥感和深度学习的高通量、动态时序表型数据提取与分析。相比现有技术而言，具备以下技术优势：(1)使用卷积神经网络高效且准确地量化作物叶片对干旱胁迫响应；(2)基于卷叶、生物量等多维度、时序表型数据综合评估作物品种的抗旱性；(3)将高通量表型测量结果与作物种质资源的基因测序数据进行关联分析，可得到候选基因位点用于功能验证和遗传改良。
附图说明
图1为本发明中用到的深度卷积神经网络结构图。
图2为本发明中用到的卷叶自动打分模型性能测试结果图。
图3为本发明中用到的生物量鲜重、干重、含水量建模结果。
具体实施方式
本发明为了解决其技术问题所采用的技术方案，提供了一种基于低空遥感的大田作物干旱表型提取与抗旱性评估方法。
一种基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于，包括如下步骤：
步骤A，使用无人机平台搭载高清单反相机，对大田作物种质资源进行高通量、高频次的数据采集，用于提取连续变化的动态表型数据；
步骤B，在田间进行人工卷叶评级，获得卷叶指数LRS；
步骤C，在人工卷叶评级相应的时间同步拍摄大田作物图像，用于构建自动卷叶打分模型的数据集；
步骤D，在抽穗期之前选取部分田块，对生物量鲜重FW、干重DW和含水量PWC进行有损测量，在破坏性取样之前采集一次无人机图像数据用于生物量建模；
步骤E，使用Agisoft PhotoScan软件拼接无人机高清图像，得到正射影像DOM和数字表面模型DSM；
步骤F，选取与人工卷叶打分相对应的作物田块，并勾画出面积相同的矢量面，将整个作物田块的正射影像DOM裁剪成以不同品种的小田块为单位的图像数据集，每一个时期的每一个田块都有人工卷叶指数LRS与其对应；
步骤G，将各期图像裁剪为相同的大小，并使用过采样的方法进行多次随机裁剪，在数据增广的同时，通过控制裁剪得到的图像数量，使数据集中各卷叶等级的图像分布均衡；
步骤H，模型构建，使用Keras深度学习库进行卷积神经网络的构建与训练，用于卷叶指数自动打分；
步骤I，模型训练与验证，使损失函数下降并趋于稳定，并根据验证集的损失函数保存精度最高的模型；
步骤J，卷叶自动打分模型测试：将训练好的卷叶打分模型用于新一年的数据，结合相应的人工卷叶打分数据，通过模型在新数据集上的泛化能力测试模型的鲁棒性；
步骤K，生物量建模，根据数字表面模型DSM提取得到的地上部分体积量AGV，对有损测量的鲜重、干重和含水量建立经验线性回归模型；
步骤L，综合性表型性状的计算：结合上述卷叶指数LRS，以及建模得到的植被含水量PWC，计算得到叶片相对含水量LWI，用于综合评估干旱和水分胁迫对作物叶片含水量的影响；
步骤M，将卷叶自动打分模型与生物量估算模型应用于大田抗旱育种试验，评估不同作物品种的抗旱能力。
更具体地，步骤A的数据采集涵盖干旱胁迫前、胁迫中，以及胁迫后的恢复期；
更具体地，步骤B中，从干旱胁迫开始直到胁迫后的恢复期，每天早上7：00左右和傍晚17：00左右在田间进行人工卷叶评级，按照卷叶严重程度将其评定为1至5五个等级，1级为未出现卷叶，2级为超过20％的叶片发生卷曲，3级为超过40％的叶片发生卷曲，4级为超过60％的叶片发生卷曲，5级为超过80％的叶片发生卷曲，3人分别凭经验和主观感受进行卷叶评级，然后取其平均值作为该品种的作物田块在该时刻的卷叶等级；
更具体地，步骤H中的模型构建，使用Keras深度学习库Tensorflow后端进行卷积神经网络的构建与训练，用于卷叶指数自动打分，利用VGG16基础模型结构，去掉原模型的全连接层，添加一个全局平均池化层和三个大小分别512、512、1的全连接层，并在新添加的全连接层之间添加20％的dropout正则化；模型的最后一个全接层即为卷叶指数的输出；
更具体地，步骤I中的模型训练与验证，将随机裁剪和类别均衡之后的数据集按8∶2的比例划分为训练集和验证集，使用Keras中的DataGenerator进行实时数据增强与训练批次的生成，其中实时数据增强包括随机旋转、水平翻转、垂直翻转；使用MSE作为损失函数，使用Adam优化器进行参数更新和优化，设置batch size为256，每一轮训练10个批次，训练与验证过程交替进行，一共训练300轮，使损失函数下降并趋于稳定，并将验证集的MSE损失作为模型监视器，只在验证集的MSE损失值减小时，才更新模型文件；
更具体地，步骤L的作物叶片相对含水量综合指标LWI的定义是基于卷叶指数LRS以及含水量PWC的相对量PWC_R，用相对含水量PWC_R与卷叶指数LRS的比值作为叶片相对含水量LWI，这一综合指标可以有同一套图像数据获取，并且能够用于在干旱胁迫的不同时期综合评估作物叶片的响应情况和水分含量；
更具体地，步骤M的大田抗旱试验过程中，在使用干旱胁迫实验中拍摄的多期数据，对作物响应干旱胁迫的动态过程进行高频次的表型监测，根据表型性状的动态变化，揭示作物在整个干旱胁迫周期内的响应模式，从而反映不同品种的抗旱能力强弱；
更具体地，在大田抗旱试验之后，还包括步骤N，结合试验中用到的作物种质资源的基因测序数据，将得到的作物表型用于全基因组关联分析，定位到与抗旱性有关的数量性状位点；
更具体地，全基因组关联分析重点对待能够被多时期的表型性状共同定位到的位点，从中选取候选基因用于抗旱作物育种和遗传改良研究。
更具体地，上述方法应用的作物包括水稻、小麦、玉米和棉花。
以水稻为具体应用对象，本发明获得了如下数据和结果。
(1)基于深度学习的卷叶自动评分模型性能测试
将步骤I中训练完成的卷叶自动评分模型用于大田水稻干旱实验，在三个不同程度的干旱胁迫期得到的卷叶指数LRS与人工评分结果之间的相关性分别为0.86，0.89，0.88；在5分制单位下的均方根误差RMSE分别为0.93，0.87，0.86如图2。该结果证明了深度卷积神经网络用于水稻卷叶自动评分的有效性和高精度。
(2)基于无人机遥感的大田水稻生物量建模
根据无人机图像拼接得到的数字表面模型DSM计算地上部分体积量AGV，然后使用经验线性法，与人工有损测量的生物量鲜重、干重、含水量之间建立回归方程。回归模型效果如图3，地上部分体积AGV与鲜重、干重、含水量的回归系数分别为0.79，0.75，0.77，线性回归模型的相对误差分别为9.05％，12.08％，8.91％。
表1生物量建模结果
本申请中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于，包括如下步骤：
步骤A，使用无人机平台搭载高清单反相机，对大田作物种质资源进行高通量、高频次的数据采集，用于提取连续变化的动态表型数据；
步骤B，在田间进行人工卷叶评级，获得卷叶指数LRS；
步骤C，在人工卷叶评级相应的时间同步拍摄大田作物图像，用于构建自动卷叶打分模型的数据集；
步骤D，在抽穗期之前选取部分田块，对生物量鲜重FW、干重DW和含水量PWC进行有损测量，在破坏性取样之前采集一次无人机图像数据用于生物量建模；
步骤E，使用Agisoft PhotoScan软件拼接无人机高清图像，得到正射影像DOM和数字表面模型DSM；
步骤F，选取与人工卷叶打分相对应的作物田块，并勾画出面积相同的矢量面，将整个作物田块的正射影像DOM裁剪成以不同品种的小田块为单位的图像数据集，每一个时期的每一个田块都有人工卷叶指数LRS与其对应；
步骤G，将各期图像裁剪为相同的大小，并使用过采样的方法进行多次随机裁剪，在数据增广的同时，通过控制裁剪得到的图像数量，使数据集中各卷叶等级的图像分布均衡；
步骤H，模型构建，使用Keras深度学习库进行卷积神经网络的构建与训练，用于卷叶自动打分；具体地，模型构建使用Keras深度学习库Tensorflow后端进行卷积神经网络的构建与训练，用于卷叶指数自动打分，利用VGG16基础模型结构，去掉原模型的全连接层，添加一个全局平均池化层和三个大小分别为512、512、1的全连接层，并在全连接层之间添加20％的dropout正则化；模型的最后一个全接层即为卷叶指数的输出；
步骤I，模型训练与验证，使损失函数下降并趋于稳定，并根据验证集的损失函数保存精度最高的模型；
步骤J，卷叶自动打分模型测试：将训练好的卷叶打分模型用于新一年的数据，结合相应的人工卷叶打分数据，通过模型在新数据集上的泛化能力测试模型的鲁棒性；
步骤K，生物量建模，根据数字表面模型DSM提取得到的地上部分体积量AGV，对有损测量的鲜重FW、干重DW和含水量PWC建立经验线性回归模型；
步骤L，综合性表型性状的计算：结合上述卷叶指数LRS，以及建模得到的植被含水量PWC，计算得到叶片相对含水量LWI，用于综合评估干旱和水分胁迫对作物叶片含水量的影响；
步骤M，将卷叶自动打分模型与生物量估算模型应用于大田抗旱育种试验，评估不同作物品种的抗旱能力。
2.根据权利要求1所述的基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于：步骤A的数据采集涵盖干旱胁迫前、胁迫中，以及胁迫后的恢复期。
3.根据权利要求2所述的基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于：步骤B中，从干旱胁迫开始直到胁迫后的恢复期，每天早上和傍晚在田间进行人工卷叶评级，按照卷叶严重程度将其评定为1至5五个等级，1级为未出现卷叶的健康状态，2级为超过20％的叶片发生卷曲，3级为超过40％的叶片发生卷曲，4级为超过60％的叶片发生卷曲，5级为超过80％的叶片发生卷曲，3人分别凭经验和主观感受进行卷叶评级，然后取其平均值作为该品种的作物田块在该时刻的卷叶等级。
4.根据权利要求1所述的基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于：步骤I中的模型训练与验证，将随机裁剪和类别均衡之后的数据集按8∶2的比例划分为训练集和验证集，使用Keras中的DataGenerator进行实时数据增强与训练批次的生成，其中实时数据增强包括随机旋转、水平翻转、垂直翻转；使用MSE作为损失函数，使用Adam优化器进行参数更新和优化，设置batch size为256，每一轮训练10个批次，训练与验证过程交替进行，一共训练300轮，使损失函数下降并趋于稳定，并将验证集的MSE损失作为模型监视器，只在验证集的MSE损失值减小时，才更新模型文件。
5.根据权利要求1所述的基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于：步骤L的作物叶片相对含水量综合指标LWI的定义是基于卷叶指数LRS和含水量PWC的相对量PWC_R，用相对含水量PWC_R与卷叶指数LRS的比值作为叶片相对含水量LWI，这一综合指标由同一套图像数据获取，用于在干旱胁迫的不同时期综合评估作物叶片的响应情况和水分含量。
6.根据权利要求1所述的基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于：步骤M的大田抗旱试验过程中，使用干旱胁迫实验中拍摄的多期数据，对作物响应干旱胁迫的动态过程进行高频次的表型监测，根据表型性状的动态变化，揭示作物在整个干旱胁迫周期内的响应模式，从而反映不同作物品种的抗旱能力强弱。
7.根据权利要求1所述的基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于：在大田抗旱试验之后，还包括步骤N，结合试验中用到的作物种质资源的基因测序数据，将得到的作物表型用于全基因组关联分析，定位到与抗旱性有关的数量性状位点。
8.根据权利要求6所述的基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于：全基因组关联分析重点对待能够被多时期的表型性状共同定位到的位点，从中选取候选基因用于抗旱作物育种和遗传改良研究。
9.根据权利要求1-8中任意一项所述的基于低空遥感的大田作物干旱表型提取与抗旱性评估方法，其特征在于：其应用的作物包括水稻、小麦、玉米和棉花。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011005867.8A CN112183292B (zh) | 2020-09-18 | 2020-09-18 | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011005867.8A CN112183292B (zh) | 2020-09-18 | 2020-09-18 | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183292A CN112183292A (zh) | 2021-01-05 |
| CN112183292B true CN112183292B (zh) | 2022-05-17 |
Family
ID=73955268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011005867.8A Active CN112183292B (zh) | 2020-09-18 | 2020-09-18 | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183292B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114467722A (zh) * | 2022-01-20 | 2022-05-13 | 上海辰山植物园 | 绿墙自动浇灌控制方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809148A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院遥感与数字地球研究所 | 基于遥感时空谱融合的作物干旱识别及风险评估方法 |
| CN107894418A (zh) * | 2017-10-31 | 2018-04-10 | 华中农业大学 | 基于机器视觉的大田水稻卷叶程度测量方法 |
| CN108629494A (zh) * | 2018-04-19 | 2018-10-09 | 三峡大学 | 干旱等级评估方法及系统 |
| CN110163472A (zh) * | 2019-04-11 | 2019-08-23 | 中国水利水电科学研究院 | 大范围极端干旱应急监测与影响评估方法及系统 |
| WO2019215582A1 (en) * | 2018-05-06 | 2019-11-14 | Weedout Ltd. | Methods and systems for weed control |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7534933B2 (en) * | 2000-08-18 | 2009-05-19 | University Of Connecticut | Transgenic plants overexpressing a plant vacuolar H + -ATPase |
| US10570404B2 (en) * | 2015-07-01 | 2020-02-25 | Board Of Trustees Of Michigan State University | Enhanced stability engineered WRINKLED1 transcription factor |
| CN109086826B (zh) * | 2018-08-06 | 2021-05-07 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
-
2020
- 2020-09-18 CN CN202011005867.8A patent/CN112183292B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809148A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院遥感与数字地球研究所 | 基于遥感时空谱融合的作物干旱识别及风险评估方法 |
| CN107894418A (zh) * | 2017-10-31 | 2018-04-10 | 华中农业大学 | 基于机器视觉的大田水稻卷叶程度测量方法 |
| CN108629494A (zh) * | 2018-04-19 | 2018-10-09 | 三峡大学 | 干旱等级评估方法及系统 |
| WO2019215582A1 (en) * | 2018-05-06 | 2019-11-14 | Weedout Ltd. | Methods and systems for weed control |
| CN110163472A (zh) * | 2019-04-11 | 2019-08-23 | 中国水利水电科学研究院 | 大范围极端干旱应急监测与影响评估方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| UAV-Based High Throughput Phenotyping in Citrus Utilizing Multispectral Imaging and Artificial Intelligence;Yiannis Ampatzidis 等;《Remote Sensing》;20190217;第11卷(第410期);1-19 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183292A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113919448B (zh) | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 | |
| Arya et al. | Deep learning: As the new frontier in high-throughput plant phenotyping | |
| Miao et al. | Automatic stem-leaf segmentation of maize shoots using three-dimensional point cloud | |
| CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
| Sonohat et al. | Three-dimensional reconstruction of partially 3D-digitized peach tree canopies | |
| Ninomiya | High-throughput field crop phenotyping: current status and challenges | |
| CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
| CN113204061B (zh) | 一种构建格点风速订正模型的方法及装置 | |
| CN113326863B (zh) | 建筑结构健康状况检测方法、系统及修缮方案确定方法 | |
| CN112418498A (zh) | 用于智能温室的温度预测方法及系统 | |
| CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
| Diniz et al. | Forecasting frost risk in forest plantations by the combination of spatial data and machine learning algorithms | |
| CN112183292B (zh) | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 | |
| CN115860581A (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
| CN116663960A (zh) | 基于气候变化下生境可达性和可用性的生态网络构建方法 | |
| Lu et al. | Image classification and identification for rice leaf diseases based on improved WOACW_SimpleNet | |
| Liu et al. | PocketMaize: an android-smartphone application for maize plant phenotyping | |
| CN110991714A (zh) | 一种农作物倒伏灾情监测方法及系统 | |
| CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
| Menezes et al. | Pseudo-label semi-supervised learning for soybean monitoring | |
| Adams et al. | Phenotypic trait extraction of soybean plants using deep convolutional neural networks with transfer learning. | |
| Xing et al. | Traits expansion and storage of soybean phenotypic data in computer vision-based test | |
| CN115345488A (zh) | 一种湿地生态系统服务评估方法、装置、服务器及介质 | |
| CN115420688A (zh) | 一种基于物联网的农业灾害信息遥感提取损失评估方法 | |
| CN114202212A (zh) | 一种防化装备数据采集及分析评估方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |