在双季稻种植系统中，实验性增温条件下提高谷物蛋白质含量的生理机制

《Crop and Environment》：Physiological mechanisms for increased grain protein content under experimental warming conditions in double rice cropping system

本研究基于无人机多光谱影像和机器学习算法，开发了大豆成熟度分类的高通量方法。通过融合计算机视觉（CNN模型）与植物水分含量（PWC）动态特征，构建了多模态融合模型。结果表明，融合模型在验证集上达到83%的分类精度，显著优于单独的计算机视觉模型（71%）和PWC模型（79%）。研究揭示了PWC与叶、茎、荚的水分含量存在强相关性（R2＞0.86），为精准农业和育种优化提供了新工具。

　　大豆作为全球最重要的油料作物和饲料作物，其遗传改良对于提高作物产量和适应性至关重要。传统的大豆成熟度评估方法依赖人工观察，不仅费时费力，还存在主观性，难以满足现代农业育种对高通量、高精度的需求。因此，开发基于无人机（UAV）多光谱影像和机器学习技术的高通量表型分析算法，对于加速大豆育种进程具有重要意义。本研究通过采集UAV多光谱影像和植物含水量（PWC）数据，对30种大豆品种的成熟过程进行分类，将成熟分为四个阶段：不成熟（即R5阶段前）、晚荚充实（即R5到R6阶段）、生理成熟（即R7阶段）和收获成熟（即R8阶段）。通过比较三种分类方法的性能：基于计算机视觉的UAV颜色特征模型、基于PWC的模型以及融合计算机视觉和PWC动态的多模态模型，发现多模态融合模型在分类准确率上表现最佳，验证了其在不同大豆品种中分类的鲁棒性。

### 大豆成熟度评估的重要性

大豆成熟度的准确评估不仅关系到最终的收获时间，还直接影响到产量和品质。在成熟过程中，植物的营养和碳水化合物逐渐从营养组织转移到种子，伴随着水分含量的下降和叶片与荚果颜色的变化。因此，准确判断成熟阶段对于合理安排收获时间、减少因过早或过晚收获造成的损失至关重要。生理成熟阶段的植物含水量较高，容易发生霉变并增加干燥成本，而收获成熟阶段的植物含水量显著降低，此时才是适宜进行机械收割的时机。为了实现高通量和高精度的大豆成熟度分类，研究团队利用UAV多光谱影像和机器学习方法，探索了基于颜色特征、植物含水量以及两者的融合模型在大豆成熟度分类中的应用效果。

### 传统方法的局限性与高通量技术的潜力

传统的大豆成熟度评估方法主要依赖人工观察，通常通过颜色变化来判断成熟阶段。这种方法虽然直观，但存在明显的不足：首先，评估过程需要大量人力和时间，尤其是在大规模育种试验中，难以满足高效评估的需求；其次，不同品种的大豆在成熟阶段的叶片和荚果颜色变化存在较大差异，导致颜色特征分类方法在实际应用中容易出现误判。例如，某些品种在生理成熟和收获成熟阶段的叶片颜色变化不明显，容易被误认为处于同一成熟阶段。此外，由于大豆成熟过程受到多种环境因素的影响，如空气温度、湿度和土壤条件，颜色变化可能受到外部干扰，例如病害或绿茎综合征，进一步增加了分类的难度。

为了解决上述问题，近年来，遥感技术逐渐成为大豆成熟度评估的重要手段。与卫星和有人飞机相比，无人机具有更高的灵活性和空间分辨率，可以实时获取作物的多光谱数据，为作物表型分析提供强有力的支持。例如，一些研究已经证明，利用UAV多光谱影像提取的颜色指数（CIs）、植被指数（VIs）和纹理指数（TIs）可以有效用于大豆成熟度分类。然而，这些方法在区分特定成熟阶段时仍面临挑战，尤其是在遗传多样性较大的品种中。因此，本研究引入了植物含水量（PWC）作为分类指标，试图通过多模态融合方法提升分类的准确性和效率。

### UAV多光谱影像与植物含水量（PWC）的结合

植物含水量是作物成熟过程中的重要生理指标，随着成熟阶段的推进，PWC逐渐下降。例如，在晚荚充实阶段，PWC下降至约60%；在生理成熟阶段，PWC进一步降低至50%到30%；而在收获成熟阶段，PWC则低于30%。这种清晰的PWC变化趋势表明，PWC可以作为大豆成熟阶段划分的重要依据。通过UAV多光谱影像，可以提取与PWC相关的植被指数和纹理指数，进而构建PWC预测模型。研究发现，基于UAV提取的植被指数和纹理指数构建的PWC预测模型在训练集上的R2值高达0.95，而在验证集上达到0.86，显示出较高的预测能力。

### 多模态融合模型的优势

为了进一步提升大豆成熟度分类的准确性，研究团队提出了多模态融合模型，该模型结合了基于UAV的颜色特征和PWC数据。通过将UAV颜色特征与PWC信息融合，模型的分类准确率得到了显著提高。在验证集中，多模态融合模型的准确率达到0.83，优于单独使用颜色特征或PWC数据的模型。这一结果表明，多模态融合模型能够有效克服单一特征分类的局限性，为大豆成熟度分类提供了更全面的信息支持。

此外，研究还发现，PWC与荚果含水量、茎含水量和叶含水量之间存在显著的相关性。这进一步证明了PWC在作物成熟过程中作为生理指标的可靠性，同时也为利用PWC进行大豆成熟度分类提供了理论依据。例如，PWC与荚果含水量的相关性高达0.98，而与茎含水量的相关性也达到0.92，显示出PWC在反映植物整体水分状况方面的有效性。

### 模型性能的评估与优化

在本研究中，三种分类方法的性能均得到了评估。其中，基于计算机视觉的颜色特征模型在区分不成熟与成熟植物方面表现良好，但在识别具体成熟阶段时仍存在一定的局限性。这主要是由于不同品种在成熟阶段的叶片颜色变化存在较大差异，导致模型在某些阶段的识别能力不足。相比之下，基于PWC的模型在分类准确率上显著优于计算机视觉模型，特别是在区分晚荚充实、生理成熟和收获成熟阶段时表现更为出色。这表明，PWC作为生理指标，能够更准确地反映大豆成熟过程中的水分变化，从而提升分类的准确性。

多模态融合模型在所有分类方法中表现最佳，不仅在准确率、召回率和F1分数上均优于其他方法，而且在验证集中的误分类率最低。这说明，将计算机视觉与PWC信息相结合，能够更全面地捕捉大豆成熟过程中的特征变化，从而提高分类的鲁棒性和可靠性。此外，研究还发现，PWC与多种生理参数之间存在强相关性，这为未来研究提供了新的思路，即可以利用这些相关性进一步优化成熟度分类模型。

### 未来展望与研究方向

尽管本研究取得了一定的成果，但仍有进一步优化的空间。首先，多模态融合模型的鲁棒性仍需在更多品种和不同生态环境下进行验证，以确保其广泛适用性。其次，随着遥感技术的不断发展，未来可以考虑将高光谱数据纳入分类模型，以获取更丰富的光谱信息，从而提升分类精度。例如，一些研究已经表明，高光谱数据在作物水分含量预测和成熟度分类中具有更高的分辨率和准确性。

此外，UAV数据采集的效率和准确性也受到多种因素的影响。例如，飞行高度和拍摄时间的选择会影响影像的空间分辨率和数据质量，而飞行时间的限制（如电池容量不足）可能影响其在大规模育种试验中的应用。因此，未来的研究可以进一步优化UAV的飞行参数，以提高数据采集的效率和质量。同时，可以探索将多模态数据与其他环境数据（如土壤湿度、气温等）相结合，以构建更加全面的大豆成熟度评估系统。

### 结论

综上所述，本研究通过结合UAV多光谱影像和植物含水量数据，开发了一种高通量的大豆成熟度分类方法。该方法不仅能够有效区分不成熟与成熟植物，还能够在具体成熟阶段的分类中取得较高的准确率。特别是多模态融合模型，通过整合颜色特征和PWC信息，显著提升了分类的精度和鲁棒性，为大豆育种提供了新的技术支持。未来，随着遥感技术的不断进步，以及机器学习算法的持续优化，大豆成熟度分类将更加高效和精准，为实现作物高产、优质和可持续发展提供有力保障。