人工智能无人机表型揭示培育耐密度大豆品种的关键性状

一个研究小组开发了一个先进的框架，将无人机 (UAV) 表型与时空深度学习和动态建模相结合，以评估大豆的密度耐受性。

　　

该研究利用两个生长季节收集的时间序列数据，准确重建了冠层生长轨迹，并确定了关键的中间性状——特别是中期叶面积指数（LAI）动态——可以强烈预测高种植密度下的产量表现。

随着全球粮食需求持续增长，培育适合密植生长的大豆品种对于实现可持续生产力至关重要。然而，传统的田间表型分析方法受限于低时间分辨率和不连续建模，无法捕捉作物冠层发育和产量稳定性的动态变化。现有的机器学习模型通常忽略作物生长的时间依赖性，导致其生物学解释能力较差。为了应对这些挑战，科学家们正在探索基于无人机的表型分析和时间序列深度学习，以量化叶面积指数 (LAI)、株高 (PH) 和冠层盖度 (CC) 等冠层性状。然而，目前仍未找到一个将时间建模与生理解释相结合的密植综合框架。

中国农业大学马云涛团队于2025年6月24日在Plant Phenomics 上发表的一项 研究（DOI：10.1016/j.plaphe.2025.100083）为加速培育耐密度大豆品种、推进精准农业提供了有力工具。 

本研究采用基于无人机 (UAV) 的高通量表型分析、时空深度学习和动态建模相结合的综合方法，评估大豆对高种植密度的耐受性。研究人员在中国黑龙江省进行了为期两年（2022-2023 年）的田间试验，测试了高密度（50 × 10?? 株/公顷）和低密度（30 × 10?? 株/公顷）处理下的 208 个大豆基因型。使用 DJI Mavic 3M 无人机，每季拍摄 15-18 次多光谱和 RGB 图像。收集了产量、叶面积指数 (LAI)、株高 (PH) 和冠层覆盖度 (CC) 的真实数据，用于训练和验证四种预测模型——随机森林 (RF)、循环神经网络 (RNN)、长短期记忆网络 (LSTM) 和时空残差网络 (ST-ResNet)。ST-ResNet 模型的准确率最高（R2 = 0.90；RMSE = 0.23 m2 m?2），通过时空特征融合捕捉冠层的连续生长。利用 P 样条动态模型对得到的 LAI 时间序列数据以及无人机获取的 PH 和 CC 进行拟合，以生成平滑的生长曲线，并提取 15 个量化不同阶段冠层发育速率的中间性状。混合效应模型调整了基因型、密度和年份效应，而相关性和 SHAP 分析则将这些中间性状与密植条件下的产量稳定性联系起来。结果表明，基于无人机的PH值估算结果与田间测量值高度吻合（R2 = 0.90；RMSE = 0.05 m），证实了遥感方法的可靠性。冠层覆盖动态显示，在出苗后28至55天期间，品种间存在显著差异，表明早期生长势存在基因型差异。在所有提取的性状中，中期叶面积指数（ΔMeanLAI-mid）与产量对密度的响应相关性最强（r = 0.51），表明其是密度耐受性的关键指标。早期叶面积指数的增加（ΔLAItPH15+14d）和成熟期冠层持久性（ΔMeanCC-maturity）也有助于提高产量。这种集成的无人机-深度学习-动态建模框架能够准确量化冠层生长模式，提供可解释的生理指标，并为培育耐密植大豆品种建立一个高效、可扩展的平台。

本研究展示了如何将基于无人机的时间序列表型分析与深度学习和动态建模相结合，实现对密植条件下大豆生长的高精度、可解释的量化分析。通过识别与产量稳定性相关的特定阶段冠层性状，该框架为致力于培育高产、空间高效品种的育种家和农学家提供了宝贵的决策支持工具。此外，将该框架应用于玉米或小麦等其他作物，可以增进对密度相关生理机制的理解，并为气候和资源约束下的适应性育种策略提供参考。