【高通量表型分析】基于无人机系统的植物育种高通量表型分析

      在植物育种计划中使用UAS获得高通量表型(HTP)数据已得到普及。原始数据的完整性和质量对于确保预测工具的准确性和对数据的正确解释至关重要。无人机系统(UASs)提高了收集精细时空分辨率数据的能力，这些数据以前是通过传统方法无法获得的。

      本研究总结了基于UAS的http(UAS- http)的高质量UAS数据采集、处理和分析的标准操作流程。植物育种者可以按照这些程序在其种质改良和品种开发计划中实施UAS-HTP系统。无人机系统为基础的高通量表型有潜力使大型的快速评估育种跨越时空，提供高品质的苗圃小地块的时空分辨率测量，能够提高监测和量化领域的能力数据从多个育种苗圃获得并改进遗传增益，获得精确的表型信息的能力可以取代冗长而主观的育种评级需要具有高度可靠表型信息的图和特定的基因型。考虑到育种者的方程遗传增益，提高了UAS-HTP系统的遗传性能通过提高选择  强度和选择精度来获得收益直接或间接地作用于方程的所有分量。

      整个UAS图像处理流程分为三个层次，如图1所示，利用不同传感器收集原始图像的数据与UAS系统平台数据输入到Level 0。然后使用SfM算法处理Level 0数据生成Level 1地理空间数据产品例如数字高程模型DEM、正射影图、三维点云数据。Level 2产品表示相关的生物作物特征，如CH, CC，CV，以及来自RGB和多光谱图像的各种植被指数，如归一化差植被植被指数NDVI、土壤调节植被指数NDVI、土壤调节植被指数NDVI绿色指数ExG。

图1 无人机系统UAS的图像处理流水线对获得的红、绿、蓝三色的RGB原始图像和多光谱传感器进行处理并归一化植被指数NDVI，在处理过程中多光谱图像可能需要进行辐射校准

      从UAS收集的Level 0图像需要进行处理以生成合并的Level 1数据，比如正立体图和曲面模型。其中处理方法主要有两种:拼接法和SfM算法。拼接法侧重于组合Level 0的数据产生一个高分辨率图像。由于拼接法只专注于用最小的代价合并相邻的图像，往往不能生成高精度的标注参考拼接图像，并且不能校正由于镜头安装在传感器上导致的几何误差。然而，SfM利用相机位置(经度、高度和高度)和gcp到形成规则调整来生成校正图像，也称为Level 0数据图像。在此过程中，精确的传感器外部方向参数(EOPs)，如传感器曝光位置，以及传感器估计方向和内部方向参数(IOPs)，如主点和失真系数，并生成准确的地理参考地理空间数据产品，如3D点云、dem和正交图像，这些都是SfM过程的结果。

图2 作物冠层高度估计图例。数字高程模型(DEM，地面高程+作物高度)图像，通过数字地形模型(DTM，地面高程)进行调整，得到冠层高度模型(CHM，作物高度估算)

      冠层特征和植被指数可以直接或间接评价小麦品种或育种品系(基因型)的各种表型特征。植物生长分析可以使用多个颞叶基于uas的冠层特征来评估基因型.为了立林，早季活力，冬季生存，春绿，茎伸长，籽粒灌浆期，和衰老。使用生长方程进行简单计算获取增长率、相对增长率等参数比率可以作出(Hunt，1983)，或更复杂的概念通过拟合非线性回归模型得到模型可以用来获得几个生长参数评估基因型，通过逻辑函数分析植物生长的功能，如图3所示;Richard函数和Gompertz函数(Yin et al.，2003)。此外，RGB和基于多光谱的指数都可以用于评估因病害、籽粒灌浆造成的叶面积损失持续时间和衰老速度。单个表型性状或多个性状的组合都可能有助于评估干旱对冠层生长影响的基因型或者进行产量预测。识别特征很重要具体到环境或作物条件，并评估其适应性，多位置条件稳定性和适应性UAS-based特征。

图3 使用无人机系统获得的多时相冠层覆盖度(%)进行生长分析

      开发自动化的UAS数据处理管道从数据收集到决策的平滑数据流的用户友好平台将最大限度地利用uas-http并支持实时决策。要在任何育种计划中实施UAS-HTP，它重要的是建立一个顺利的数据收集，数据处理，数据共享，数据分析，决策支持端口平台。基于web的协作门户称为UASHUB (https://uashub.tamucc.edu/)是为可视化，分析和解释第1级和2级数据和3级数据产品。UASHUB还促进了项目之间的数据共享和科学家之间协作。在线数据管理功能使sci科学家能够上传和下载原始和处理过的地理空间数据产品到他们的工作站作进一步分析。此外，UASHUB还配备了几个工具，包括图像裁剪，地块边界网格生成，地理标记、作物生长分析和基因型entry com对比，帮助研究人员快速执行分析任务和有效的。

      当前UAS图像处理流水线是半自动化的，因为我们使用gcp进行地理位置参考，Agisoft Metashape软件生成正立体图，在house Python代码生成植物属性，以及QGIS提取表型特征的软件。Texas A&M AgriLlife目前正在努力改善流水线以促进接近实时收集数据的可视化、分析和决策。

图4 Texas A&M AgriLlife 无人机系统为高通量表型开发自动化图像处理管道的工作流程

      本文研究总结了基于UAS的http(UAS- http)的高质量UAS数据采集、处理和分析的标准操作流程。我们方法优势，（1）UAS-HTP系统能够提高监测和量化领域的能力数据并改进遗传增益。（2）UAS-HTP系统通过提高选择强度和选择精度提高了UAS-HTP系统的遗传性能。（3）建立一个的数据收集，数据处理，数据共享，数据分析，决策支持端口平台UASHUB (https://uashub.tamucc.edu/)为可视化，分析和解释第1级和2级数据和3级数据产品。UASHUB促进了项目之间的数据共享和科学家之间协作，帮助研究人员快速有效的执行分析任务。

来源：Bhandari, Mahendra, et al. "Unmanned aerial system‐based high‐throughput phenotyping for plant breeding." The Plant Phenome Journal 6.1 (2023): e20058.