基于多源传感器数据与机器学习的豌豆耐盐性高通量评估新方法

为解决传统耐盐性筛选方法效率低、主观性强的问题，研究人员利用无人机搭载RGB和MS传感器获取豌豆表型数据，结合CatBoost和LightGBM算法构建了豌豆耐盐性评分体系(PSTS)。研究证实多源数据融合显著提升AGB(R2=0.70)和SPAD值(R2=0.60)的估算精度，为盐碱地作物育种提供了高效可靠的筛选工具。

　　

随着全球盐碱地面积持续扩大（占灌溉耕地20%），开发耐盐作物品种成为保障粮食安全的关键策略。豌豆(Pisum sativum L.)因其生育期短、耐盐性适中等特点，成为盐碱地开发的潜力作物。然而传统耐盐性筛选依赖人工测量，存在效率低下、主观性强等问题，难以满足大规模育种需求。

中国农业科学院作物科学研究所的研究团队创新性地将无人机遥感与机器学习相结合，在《Plant Stress》发表的研究中建立了豌豆耐盐性高通量评估体系。通过搭载RGB和MS传感器的无人机获取开花期和结荚期豌豆表型数据，提取冠层覆盖度(CC)、株高(PH)等结构特征，结合纹理信息和光谱数据，采用CatBoost、LightGBM等四种算法估算地上生物量(AGB)和叶绿素含量(SPAD)。基于最优估算数据构建的豌豆耐盐性评分(PSTS)与地面实测数据高度吻合(R2=0.61)，实现了耐盐豌豆品种的快速精准筛选。

关键技术包括：1) 无人机航拍获取RGB和多光谱(MS)图像；2) 使用Pix4Dmapper进行图像拼接和辐射校正；3) 提取8种纹理特征和21种植被指数；4) 采用五折交叉验证评估CatBoost、LightGBM等四种机器学习算法；5) 通过主成分分析(PCA)和隶属函数构建PSTS评分体系。实验涵盖18个豌豆品种在正常与盐碱地块的对照种植。

研究结果：

1. 盐胁迫对豌豆表型的影响
   盐处理使豌豆PH降低46%，CC下降61%，AGB从10.5 t/ha锐减至3.1 t/ha，SPAD值降低30%。表明盐胁迫显著抑制豌豆生长发育。

2. 豌豆AGB估算
   多源数据融合使CatBoost算法取得最优AGB估算效果(R2=0.70，RMSE=1.59 t/hm²
   )。MS传感器因近红外波段优势，精度显著高于RGB传感器(R2提升0.06-0.10)。

3. 豌豆SPAD值估算
   LightGBM结合多源数据实现最佳SPAD估算(R2=0.64)，MS传感器植被指数（如MTCI、NDRE）与SPAD相关性达0.55，显著优于RGB特征(R2=0.23-0.29)。

4. 耐盐性综合评价
   基于估算数据构建的PSTS评分成功鉴定出0804-5、唐豌3号等耐盐品种，与地面评估结果一致性达80%。

该研究开创性地将多源遥感与集成学习算法应用于豆科作物耐盐性评估，解决了传统方法通量低、周期长的瓶颈问题。CatBoost和LightGBM在不同表型参数估算中的优异表现，为作物逆境生理研究提供了算法选择新依据。建立的PSTS评分体系可直接应用于育种实践，对加速盐碱地适生品种选育具有重要实践价值。未来通过引入环境因子数据和深度学习模型，有望进一步提升评估系统的稳定性和普适性。