基于时空深度学习与动态建模的大豆耐密植表型分析：无人机高通量表型技术揭示冠层发育关键调控机制

为解决传统表型方法时间分辨率不足和动态建模连续性差的问题，研究人员整合时空深度学习(ST-ResNet)与动态建模技术，通过无人机高通量表型平台量化大豆冠层参数动态变化，构建叶面积指数(LAI)时间序列预测模型(R2=0.90)，提取15个中间性状(如ΔMeanLAI-mid)，发现其与耐密植产量指数(ΔYield)显著相关(r=0.51)，为耐密植品种选育提供高精度、可解释的分析框架。

　　

在全球粮食需求激增的背景下，提高大豆单产成为关键挑战。传统育种依赖人工测量冠层参数，存在效率低、时间分辨率不足等问题，难以捕捉动态生长过程与产量形成的关联。尤其在高密度种植条件下，冠层竞争加剧导致产量波动，但调控机制尚不明确。如何量化冠层发育速率与耐密植性的关系，成为育种领域亟待解决的难题。

中国的研究团队在《Plant Phenomics》发表研究，创新性地将无人机高通量表型与时空深度学习结合，构建了覆盖大豆全生育期的动态生长模型。研究在黑龙江齐齐哈尔黑土区开展两年田间试验（2022-2023），测试208个大豆品种在30万株/公顷（低密）和50万株/公顷（高密）下的表现。通过18次无人机航拍获取多光谱影像，采用ST-ResNet模型预测LAI时间序列（精度R²=0.90），结合P样条拟合提取15个中间性状，解析冠层动态与产量稳定的内在联系。

关键技术方法
研究采用DJI Mavic3M无人机采集RGB和多光谱影像（绿/红/红边/近红外波段），地面控制点校正精度达0.02米。通过支持向量机(SVM)分割植被像素计算冠层覆盖度(CC)，基于数字高程模型(DEM)差异提取株高(PH)。对比随机森林(RF)、长短时记忆网络(LSTM)和时空残差网络(ST-ResNet)的LAI预测性能，最优模型通过五折交叉验证优化。动态建模采用P样条拟合时间序列曲线，提取早期（t_PH15+14天）、中期（LAI_max）和成熟期性状，利用混合模型校正环境变异，结合SHAP值解析性状贡献。

研究结果

4.1 无人机表型参数验证
株高(PH)估计与实测值高度一致（R²=0.90，RMSE=0.05米），冠层覆盖度(CC)动态显示基因型间显著差异：早期（0-28天）变异小，快速生长期（28-55天）变异扩大，成熟期（96天后）衰退速率差异显著。

4.2 LAI预测模型性能
ST-ResNet显著优于传统方法，其时空特征融合能力使LAI预测误差（RMSE=0.23 m²/m²）比RF降低38%。LSTM和RNN保持时序连续性，而RF在早期阶段出现违背生物学规律的异常高估。

4.3 动态生长曲线特征
P样条拟合揭示三阶段模式：PH呈"S"型增长，CC快速饱和后进入长平台期，LAI在中期（60天）出现二次增长峰。曲线斜率分析发现，高密条件下ΔMean_LAI-mid（中期LAI均值变化比）与ΔYield相关性最强。

4.4 耐密植性状关联分析
早期性状LAI_tPH15+14d（r=0.40）和中期ΔMean_LAI-mid（r=0.51）对产量稳定性贡献最大。SHAP分析揭示非对称效应：部分品种通过提升成熟期CC维持产量，而多数依赖中期LAI扩张。

4.5 耐密植品种特征
最优基因型组合表现为：早期快速建立冠层（高ΔLAI_tPH15+14d），中期高效利用光资源（高ΔMean_LAI-mid），成熟期延缓衰老（高ΔMean_CC-maturity）。这种"早-中-晚"协同调控模式使高产群体耐密性提升17%。

结论与意义
该研究开创了时空深度学习与作物生长动态模型的融合范式，突破传统单时间点表型的局限。通过ΔMean_LAI-mid等性状量化冠层竞争适应能力，证明中期光合面积维持是耐密植关键。无人机每年208个品种的筛查效率较人工提升20倍，为设计"理想株型"提供可解释参数。未来可拓展至玉米、小麦等作物的多逆境（干旱、盐碱）动态表型分析，推动智慧育种进入4.0时代。