基于无人机多光谱平台的棉花黄萎病抗性种质高通量筛选技术研究

为解决棉花黄萎病(VW)抗性种质传统筛选效率低、成本高的问题，研究人员利用无人机(UAV)多光谱平台结合深度学习模型，通过监测棉花冠层叶绿素含量时间序列，开发了高效精准的抗性评估方法。研究筛选出NDVI为最优植被指数，构建的CNN-BiLSTM-Attention模型叶绿素预测R2达0.92，结合ISODATA聚类实现150个品种抗性分级，为棉花育种提供创新技术支撑。

　　

棉花被称为"白色黄金"，其生产却长期遭受"棉花癌症"——黄萎病(Verticillium wilt, VW)的威胁。这种由大丽轮枝菌(Verticillium dahliae)引起的土传病害，能通过堵塞木质部导管导致叶片黄化、减产甚至绝收。传统依赖人工观察的抗病品种筛选方法效率低下，而化学防治又面临环境污染难题。如何实现大规模田间抗性种质的高通量精准筛选，成为困扰育种家的关键瓶颈。

中国新疆的科研团队创新性地将无人机(UAV)遥感技术与人工智能相结合，在《Computers and Electronics in Agriculture》发表了一项突破性研究。团队在3亩试验田中设置病区与对照区，利用UAV搭载多光谱传感器采集150个棉花品种五个生育期的冠层数据。通过层次分割分析筛选关键植被指数，对比四种深度学习模型性能，最终建立基于时序叶绿素含量的抗性分级体系。

研究主要采用三大核心技术：1) UAV多光谱平台实现田间高通量表型采集；2) 层次分割法筛选NDVI等关键植被指数；3) 构建1D-CNN、CNN-BiLSTM等混合模型进行叶绿素反演。实验设计涵盖人工接种病区与空白对照，确保数据可靠性。

【Estimation of chlorophyll content based on CNN and CNN hybrid model】
层次分割分析揭示NDVI对叶绿素反演的贡献度最高(%IncMSE=16.28)。在四种模型中，引入注意力机制的CNN-BiLSTM-Attention表现最优(R²=0.92)，其通过双向长短期记忆网络捕捉时序特征，结合注意力机制强化关键节点识别。

【Changes in cotton canopy chlorophyll reflect the degree of Verticillium dahliae infection】
多时期叶绿素反演显示，VW侵染导致棉花光合器官损伤呈现明显时序特征。病原菌通过降解根系细胞壁、分泌毒素等途径影响叶绿素合成，这种生理变化能被多光谱传感器精准捕获。

【Conclusion】
研究证实多时期叶绿素反演比单时期更准确评估病情(R²=0.96)。ISODATA聚类在抗性分级中优于K-means等方法，成功将150个品种划分为高抗、中抗、感病三类。该技术体系单日可完成20亩田间检测，效率较人工提升50倍以上。

这项研究开创了"天空地"一体化的抗病种质筛选新模式：无人机实现宏观监测，多光谱捕捉生理变化，深度学习解析隐藏规律。不仅为棉花抗病育种提供技术标杆，其构建的CNN-BiLSTM-Attention框架更可推广至其他作物病害监测。随着新疆棉花主产区试点推广，该技术有望改写传统育种流程，为保障全球棉花产业安全提供中国方案。