利用近端成像光譜對水稻NPK脅迫進行特征化及鑒別
Plant Phenomics | 東北農業(yè)大學利用近端成像光譜對水稻NPK脅迫進行特征化及鑒別
水稻是世界上重要的大田作物之一，對糧食安全和全球高質量發(fā)展有重要意義。但由于各種脅迫嚴重影響作物生長，成為影響水稻產量和質量的重要制約因素。其中養(yǎng)分脅迫，如NPK脅迫會誘發(fā)水稻植株外部形態(tài)、生化組分含量、光合作用、酶活性、分生組織的功能等發(fā)生相應變化，造成減產，嚴重情況下甚至會造成絕產。因此，為了能夠及時估計異質性并防止對作物生產力和環(huán)境的負面影響，亟需一種可靠的方法能夠監(jiān)測作物生長、生理和生產參數的微小變化，還應該能夠識別這些變化的主要原因，以優(yōu)化后續(xù)作物管理和資源投入。王金峰教授團隊針對此實際需求，開展了水稻營養(yǎng)脅迫研究。
2024年7月，Plant Phenomics在線發(fā)表了東北農業(yè)大學王金峰課題組題為Characterization and Identification of NPK Stress in Rice Using Terrestrial Hyperspectral Images 的研究論文。
圖1試驗地點與試驗區(qū)塊排列
研究建立了水稻14個NPK養(yǎng)分脅迫條件的高光譜數據庫。陸地近端成像高光譜相機（SPECIM-IQ）采集了420張水稻脅迫圖像，提取并分析了14種脅迫模式下具有代表性的光譜反射曲線，并利用主成分分析脅迫光譜多樣性。其中，從脅迫處理A (N0P0K2) 到脅迫處理N (N2P1K1），葉片在NPK單一或復合脅迫下的反射率在3個PCs上表現出極其復雜的模式(圖2)。圖2中 B (N0P2K2) - C (N1P2K2) - F (N2P2K2) - K (N3P2K2) 顯示了葉片在0 ~ 3個N水平脅迫下的反射率變化。不同N脅迫下的PC1表現相似，但PC2和PC3表現出不同的模式，特別是在550nm附近和VIS區(qū)域。圖2中D(N2P0K2)-E(N2P1K2)-F(N2P2K2) -G(N2P3K2)和H(N2P2K0)-I(N2P2K1) -F(N2P2K2)-J(N2P2K3)分別顯示了P和K脅迫葉片在0 ~ 3個水平上的光譜多樣性。P脅迫在PC2的750 ~ 900nm區(qū)域表現出類似的規(guī)律，K脅迫在PC2的900 ~ 950nm區(qū)域表現出類似的規(guī)律。
圖2 前三個主成分（PCs）解釋了從不同的營養(yǎng)脅迫類型和水平中獲得的不同光譜區(qū)域的最高方差比
開發(fā)了一個基于高光譜成像的深度學習架構SHCFTT來訓練和驗證水稻脅迫模式的識別。圖3詳細描述了該網絡的架構。該系統(tǒng)主要有四個部分組成部分：無監(jiān)督特征提取模塊、光譜空間特征提取模塊、高斯加權特征標記器和變壓器編碼器模塊。消融試驗顯示了各模塊的作用，并與經典的SVM、1D-CNN和3D-CNN進行了比較。SHCFTT模型在不同建模策略和不同年份下的總準確率為93.92%~100%，表明該方法對提高水稻養(yǎng)分脅迫識別的準確性具有積極作用。
本研究不僅對水稻養(yǎng)分脅迫鑒別具有積極的作用，用于田間作物健康狀況和精準農業(yè)的監(jiān)測與決策。而且是在強烈的田間實際場景下具有高度多樣性的養(yǎng)分脅迫的典型案例研究。為高光譜成像作物表型研究和精準農業(yè)田間信息感知的發(fā)展做出了貢獻。
圖3 用于水稻養(yǎng)分脅迫模態(tài)識別的SHCFTT模型架構
通訊作者：王金峰，工學博士（作物學博士后），教授，博士生導師，東北農業(yè)大學機械工程一級學科帶頭人，黑龍江省北方寒地現代農機裝備技術重點實驗室主任，工程學院副院長。現為國家涉農領域高層次人才，黑龍江省D類高層次人才，中國農業(yè)機械學會編輯工作委員會副主任委員、中國農業(yè)機械學會青委會副秘書長、全國高�；Q性與測量技術基礎研究會理事、黑龍江省青年科技工作者協會理事，黑龍江八一農墾大學學報編委、南方農機學報編委，《Computers and Electronics in Agriculture》《Food Control》《農業(yè)機械學報》《IJABE》等10余種SCI/EI檢索期刊審稿專家。主要從事無人農場信息感知與裝備、水田側深施肥、田埂修筑、水田除草、液態(tài)深施肥等方面的基礎理論及關鍵技術與裝備研究。
論文鏈接：
https://doi.org/10.34133/plantphenomics.0197
——推薦閱讀——
Grain Protein Content Phenotyping in Rice via Hyperspectral Imaging Technology and a Genome-Wide Association Study
https://doi.org/10.34133/plantphenomics.0200
Plant Phenomics | 南京農業(yè)大學聯合江蘇省農業(yè)科學院基于成像高光譜技術和GWAS分析的水稻籽粒蛋白質含量表型研究
DC2Net: An Asian soybean rust detection model based on hyperspectral imaging and deep learning
https://doi.org/10.34133/plantphenomics.0163
Plant Phenomics | DC2Net：一種基于高光譜成像和深度學習的亞洲大豆銹病診斷模型
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、�？l(fā)布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
《植物表型組學》（Plant Phenomics）是由南京農業(yè)大學創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄�？祁Ｎò睯CR2023影響因子為7.6，位于農藝學一區(qū)（1/125名），植物科學一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：王金峰
排版：許怡瑤（上海交通大學）
審核：孔敏、王平
