岑海燕：多尺度植物表型数字化及应用前景

gecccn

岑海燕（浙江大学生物系统工程与食品科学学院研究员，副系主任，博士生导师）

  一、植物表型数字化在智慧农业发展中的需求
       在这里从智慧育种与精细农业两个方面来讲植物表型数字化在智慧农业发展中有什么应用和需求。
       在育种领域中，对绝大多数植物的全基因组测序已经基本完成，但基因的功能注释还没有达到相应水平，因而限制了作物育种的发展。其中最主要的原因是缺乏精确的植物表型数据。植物的表型是由环境和基因共同决定的，如果在育种领域，能高通量地精准获取表型数据，通过筛选一些与优良性状相关性高的功能基因，那就能够通过分子育种精确地培育具有特定表型的植物，最终获得高产优质的作物。
       在精细农业方面，田间生产过程中需要实现精准化的管理。如果可以在作物的全生长周期实时、动态获取植物生长的表型信息，就可以通过分析处理这些信息制定相应的管理策略，比如什么时候灌溉、施肥、是否需要喷药等。
二、植物表型研究领域
       结合传感技术、信息科学和计算机技术，比如high throughput phenotyping（高通量植物表型获取技术）、无人机、图像传感器等，都需要通过一段时间的实践应用去验证这些技术将来能否被有效利用。
       通过谷歌学术（Google Scholar）搜索的植物表型和表型组学的相关文献发表情况看，植物表型研究正处于快速增长阶段。从近十年发表的关于表型组学的论文分布上来看，主要集中在GENETICS HEREDITY领域。未来还需要将其他各领域的优势发挥出来。

       再来看一下表型组学，基因组学和转录组学十年间发表文章数量比较。十年来，植物基因组学论文数量曲线明显是高于植物表型组学和转录组学，其中植物表型组学相关发文数一直最低。

       近期浙江大学发布了三大研究计划：量子计算与感知会聚研究计划、生态文明与环境科技创新汇聚研究计划、农业设计育种会聚研究计划。这些计划希望将不同学科领域的人才会聚到一起来突破领域内的关键技术壁垒。其中农业设计育种会聚研究计划中就包括了高通量植物表型技术研究。
  三、表型分析技术的发展
       在植物表型技术的发展中，表型检测技术原本就存在，如使用米尺人工测量植株均高，这是传统的表型检测方法，而未来需要的植物表型技术是高通量的、高信噪比、高自动化、高精度的植物表型信息获取技术。在这种需求下，目前用的最多的是光学传感技术，如RGB成像、高光谱/多光谱成像、叶绿素荧光技术、热红外成像、近红外成像、核磁共振成像、CT成像等，国内外也通过这些传感技术的集成开发出了很多高通量植物表型平台。获取精准的表型数据对生产环节很重要。当然在这个方面涉及到很多问题，比如传感器的性能，直接影响获取数据的质量，从表型本身出发，植物表型的获取是有时空性、动态变化性和异质性的。异质性是指同一个植株不同的叶位表型参数是不同的，或者同一叶片叶绿素的分布、组织结构的分布也是有差异性的。
       除此之外还有数据的准确性，由于受周围环境的影响，传感器得到的同一个植株在不同的环境下的表型参数是不同的。在表型的检测中，从传感器的角度来说需要考虑空间时间分布，这是多尺度的表型信息获取。从植物本身的细胞、结构、组织、器官、个体等角度来讲，对于不同层次的表型获取，需要考虑的问题也是不同的。将这些因素考虑在内获得的表型数据才是真正有用的数据，减少数据获取的误差，提高表型数据的性状，最终才能够将这项技术应用到生产实践中。
  四、植株和叶片的植物表型分析
        在这方面我们做了很多工作，首先是在作物植株和叶片水平上进行表型分析。在叶面层面，利用不同光学仪器去检测植物表型，研究光在叶片组织中是怎样传输的。光照射到叶片表面上，大概有5%以下的光从表面反射回去，这部分是不携带与植物内表型相关的数据，还有一部分是光穿透到叶片内部被吸收了，另一部分以漫反射或者透射的形式出来的这部分光，携带了植物内部的表型信息。这个研究主要运用了高光谱散射技术获取空间分布的漫反射光谱信息，再将获取的漫反射光谱信息跟光的辐射传输模型拟合得到光的吸收和散射系数，这两个系数是生物最基本的光学特性。吸收与化学成分相关，散射跟组织内部结构相关，这两个系数可以用来模拟光在植物体中的传输，包括散射特性，这些特性的研究有助于设计一些可靠的光学传感器。在植株层面，我们试着改变检测器角度，发现同一个植株不同角度的反射光谱差异是非常大的。此外，我们还分析了检测器角度对植物氮素诊断的影响。
  五、田间植物表型分析
       室内的研究最终也是为田间表型分析做准备。我们组织了一个团队专门进行田间表型信息获取，分成飞行操控小组、数据处理与管理小组、传感器小组、地面实验小组、机理研究小组。现在主要是通过多旋翼无人机遥感平台来进行油菜和水稻冠层水平的田间作物表型参数获取。
       油菜实验设置在浙江大学西区农业试验站试验田。获取了油菜开花期不同阶段的花分数和株高。株高是一个比较重要的参数，虽然可以基于RGB图像计算株高，但这里我们通过将光谱和结构参数融合来提高预测精度，从而获取更为精确的株高信息。这个数据的精度优于或与人工测量相当。此外，还利用图像分割和光谱建模来实现全生长期的覆盖度估算。
       水稻表型实验是国家重点研发计划项目的部分研究内容。我们利用获取的不同施肥水平下的水稻表型数据进行了水稻产量的估算，结果显示不同生长期的光谱指数与产量存在一定相关性；抽穗期光谱指数预测产量结果较好；全生长期光谱指数融合预测产量精度最高。
       在获取田间表型数据时，环境的影响因素很多。例如，RGB图像的颜色很容易受到光照环境和相机设备的影响，造成在不同时间点获取的图像颜色值不同。这些影响在后期数据处理中不利于图像分割，而利用深度学习可以很好地实现颜色的自动校正。通过计算将每个输入图像的颜色校准矩阵（CCM）输入到K-means算法中，这个算法利用CCM为每个输入图像分配标签，然后将标记的图像应用于训练和矫正模型，最后通过卷积神经网络和聚类算法模型评估CCM的准确性。
  六、总结
       最后感谢团队的努力与大家的支持。相信随着智慧农业的高速发展，植物表型数字化及相关的应用与研究发展会越来越好。我们的实验也还在不断拓展完善，后期也希望能带给大家更多的分享。