基于无人机影像与图像分割的棉蚜危害高通量量化及棉花抗损伤品系筛选

《Agriculture》：UAV-Based Digital Phenotyping for Quantification of Cotton Jassid (Amrasca biguttula) Injury and Identification of Putatively Resistant Cotton Lines

　　

摘要

准确、高通量地量化昆虫引起的作物损伤对作物育种和田间管理至关重要，但传统的目视评估方法费时费力且主观性强。本研究评估了利用无人机（UAV）影像量化不同棉花群体和多个时间点上棉蚜危害严重程度的方法。研究人员通过植被指数、图像分割方法和源自无人机影像的汇总统计量的组合，共生成了241个预测变量。相关性分析表明，基于超额红光（ExR）和超额红光减绿（ExGR）指数衍生出的指标是危害严重程度的最强预测变量，相关系数最高达0.64。与未分割影像相比，图像分割处理提高了预测变量与人工评分之间的关联度，其中基于IsoCluster的预测变量达到了最强的相关性。对分割精度的定量评估表明，Segment Anything Model v3（SAM3）提供了最精确的冠层划分，揭示了分割保真度与下游性状预测能力之间的差异。整合关键预测变量的多变量回归模型与人工评分取得了显著的一致性（Pearson r = 0.75，均方根误差（) = 0.79），而考虑基因型和田间变异的双向效应模型进一步提高了样本内一致性（r = 0.82， = 0.69）。纳入非线性冠层面积项改进了模型拟合效果，反映了冠层结构对危害程度增加的阈值响应特征。所得模型结合人工评分，鉴定出若干表现出持续降低的棉蚜相关损伤的候选品系。这些结果表明，基于无人机的表型鉴定提供了一种可扩展的、客观的方法来量化棉蚜危害，并支持对棉花种质资源进行高通量评估，以筛选出损伤减轻的候选材料用于后续的抗性评价。