基于无人机多光谱平台与CNN-BiLSTM-Attention模型的棉花黄萎病抗性种质高通量筛选技术研究

针对棉花黄萎病(VW)抗性种质传统筛选效率低、成本高的问题，研究团队通过无人机多光谱平台采集150个棉花品种五个生育期的数据，结合层次分割分析筛选NDVI作为关键指标，开发了CNN-BiLSTM-Attention模型（R2=0.92），利用多时期叶绿素含量反演VW感染程度（R2=0.96），结合ISODATA聚类实现抗性种质高效分类，为棉花育种提供创新技术支撑。

　　

棉花被称为"白色黄金"，但其生产长期遭受黄萎病(Verticillium wilt, VW)的威胁。这种被称为棉花"癌症"的土传病害，能导致叶片黄化、维管束堵塞，造成产量下降30%-80%。传统防治依赖化学药剂，但存在环境污染和效率低下问题；而人工观察法更受制于主观性强、通量低的局限。如何实现棉花VW抗性种质的高通量、精准筛选，成为育种领域亟待突破的瓶颈。

中国新疆的研究团队创新性地将无人机(UAV)多光谱遥感与深度学习相结合，在昌吉实验基地对150个棉花品种开展纵向研究。通过五个关键生育期的数据采集，发现归一化植被指数(NDVI)与叶绿素含量显著相关，并开发出融合注意力机制的CNN-BiLSTM模型，其叶绿素预测精度达R²=0.92。研究首次证实多时期叶绿素动态比单时期数据更能准确反映VW感染程度(R²=0.96)，结合ISODATA聚类算法成功实现抗性等级分类。该成果发表于《Computers and Electronics in Agriculture》，为作物抗病育种提供了可推广的技术范式。

关键技术包括：1) UAV多光谱平台获取冠层光谱数据；2) 层次分割法筛选NDVI等关键植被指数；3) 开发1D-CNN、CNN-BiLSTM等四种深度学习模型对比；4) 基于ISODATA算法的多维叶绿素聚类分析。

【实验设计】
在新疆昌吉建立3亩试验田，设置VW病原菌接种区与对照区，采集150个品种五个生育期（苗期至铃期）的多光谱数据，结合实验室叶绿素荧光测定构建数据集。

【叶绿素含量估算】
层次分割显示NDVI对叶绿素预测贡献度最高(%IncMSE=16.28)。CNN-BiLSTM-Attention模型表现最优，其双向LSTM层捕捉时间序列特征，注意力机制聚焦关键生育期，较传统模型精度提升18%。

【VW感染机制】
研究发现V.dahliae侵染后第10天叶绿素含量显著下降，与维管束堵塞导致的光合作用抑制相关。多时期叶绿素动态可反映病原菌从根部向冠层的扩散进程。

【结论】
该研究建立了"光谱特征-叶绿素含量-抗性等级"的定量反演链条，证实：1) 多时期监测比单时期诊断更可靠；2) ISODATA聚类在抗性分级中优于K-means++等算法；3) UAV平台结合深度学习可实现亩级规模的种质高通量筛选。这项技术将传统3个月的人工评估缩短至7天，为抗病育种提供了数字化解决方案。

讨论部分强调，该方法可扩展至其他维管束病害研究，未来通过集成RGB传感器有望进一步降低成本。研究获得国家重点研发计划(2022YFF1001400)等6项基金支持，相关技术已由武汉Greenpheno科技公司实现应用转化。