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。其中養分脅迫，如NPK脅迫會誘發水稻植株外部形態、生化組分含量、光合作用、酶活性、分生組織的功能等發生相應變化，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境的負面影響，亟需一種可靠的方法能夠監測作物生長、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，以優化后續作物管理和資源投入。王金峰教授團隊針對此實際需求，開展了水稻營養脅迫研究。
2024年7月，Plant Phenomics在線發表了東北農業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試驗地點與試驗區塊排列
研究建立了水稻14個NPK養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區域表現出類似的規律，K脅迫在PC2的900 ~ 950nm區域表現出類似的規律。
圖2 前三個主成分（PCs）解釋了從不同的營養脅迫類型和水平中獲得的不同光譜區域的最高方差比
開發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。該系統主要有四個部分組成部分：無監督特征提取模塊、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分脅迫識別的準確性具有積極作用。
本研究不僅對水稻養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的監測與決策。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田間信息感知的發展做出了貢獻。
圖3 用于水稻養分脅迫模態識別的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，中國農業機械學會編輯工作委員會副主任委員、中國農業機械學會青委會副秘書長、全國高校互換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 | 南京農業大學聯合江蘇省農業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、專刊發布會等高質量活動。
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）是由南京農業大學創辦的英文學術期刊，于2019年1月正式上線發行。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。科睿唯安JCR2023影響因子為7.6，位于農藝學一區（1/125名），植物科學一區（13/265名），遙感一區（6/62名）。2023年中科院期刊分區位于農林科學大類一區。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
