寫在前面的
① 水稻高產栽培是解決世界范圍內日益增長的糧食需求的有效途徑，而對高產水稻進行正確分類是育種的關鍵。
② 然而，在育種項目中人工測量耗時、成本高、產量低，這限制了在大規模現場表型的應用。
③ 因此，研究者開發了一種低成本、高通量表型分析和無損檢測的方法，將無人機高光譜測量和深度學習相結合，以提高水稻育種效率。
研究背景
水稻是世界上主要的栽培作物之一，是許多國家的主要糧食來源。地球水稻的種植面積僅占耕地總面積的7%，卻養育著地球21%的人口。近年來，糧食生產增長速度明顯放緩，而世界一些地區的糧食需求卻在增加。
在中國，預計到2030年，對大米生產的需求將增加約20%，巨大的需求遇到了巨大的挑戰，勞動力人口減少，耕地質量下降，水資源短缺，氣候變化等。因此，選育高產水稻品種，提高單位產量，是解決糧食需求缺口的有效途徑。
在水稻育種過程中，準確地預測產量是高產品種篩選的關鍵，而迄今為止，該工作很大程度上依賴于人為經驗評估，存在主觀隨意性和不能規模化等限制。因此，高通量表型分型系統正在迅速發展，在許多育種項目中，遙感工具如RGB相機和多光譜、高光譜、熒光和熱傳感器都被用于數據采集。隨著無人機技術和光譜成像技術的進步，基于無人機的高光譜相機在農業生產中的應用越來越廣泛。
基于無人機的高光譜圖像數據采集
近日，Plant Phenomics在線發表了寧夏農林科學院農作物研究所、福建農林大學林學中`心、中科院地理信息研究所合作的題為Classification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature的研究論文。
研究者首先按照畝產將13個寧夏北方區試中早粳中熟組水稻劃分為高產、中產和低產三個類別。而后利用DJI M600 Pro無人機，配備GaiaSky-Vis&Nir高光譜相機采集高光譜圖像，并結合水稻后期倒伏特征，借助機器學習算法(XGBoost)構建水稻產量類別檢測模型。該模型對在試驗區的13個水稻品種產量進行預測，結合實際的產量進行比較發現該模型對高產品種的識別具有很高的準確度。
▲試驗區分布圖
該高光譜相機的分辨率為960×1057像素，在飛行高度為90m時的空間分辨率為4.5cm，其波長范圍從400到1000nm，光譜分辨率為3.5nm，每張圖像的曝光時間為7s。水稻光譜曲線與周圍土壤不同。在數據采集前，研究者們對農田進行了檢查，確保稻田中只有水稻，沒有其他雜草，避免干擾高光譜數據。
高光譜圖像預處理工作流程包括數據校準、噪聲，背景去除和ROI的選擇。研究者還進行了隨機非重復采樣、植被指數計算和數據降維。將高光譜數據、植被指數和倒伏特征組合成一個數據庫，然后將數據分為訓練庫和測試庫。
▲高光譜處理流程及各種分析策略的模型評估
由于倒伏標記對更好地估計產量有重要意義，本研究同時設計了基于深度學習的倒伏檢測模型來對水稻的倒伏特征進行量化，并獲得了較高的倒伏預測準確度。結果表明，利用深度學習技術實現水稻倒伏的自動識別是可行的。
▲利用微調技術自動識別水稻倒
Gaia-Vis&Nir作為針對植被、農作物(小麥、玉米)等理化、生理指標長期監測系統，采用了高靈敏度、高光譜分辨率、寬光譜范圍的探測器。在ARM 系統下對探測器、溫度傳感器、制冷系統、采集系統、轉鏡結構、電子Shutter、輔助拍攝區域視頻監控等功能的控制。
反射光譜測量的是植被生化組分等對入射光譜的吸收信息，能夠反演植物群體的生化組分濃度信息。通過獲取植被冠層在350nm- 1700nm范圍內的反射光譜信息，可反映植被冠層的生長狀態及生化組分信息。
例如，利用作物水分敏感波段960nm/1450nm處的反射率可判斷作物葉片、冠層的含水量關系。綜合考慮葉片內部結構、葉片水分含量以及干物質等的影響，利用1600nm與820nm的反射率比值建立與等效水厚度EWT(Equivalent Water Thickness)的相關性。
▲Gaia-Vis&Nir植被冠層可見&近紅外反射光譜測試、太陽光誘導葉綠素熒光測試系
掃一掃，立刻溝通
