精确三维记录：整合地基LiDAR数据与三维分割网络提取小麦群体三维性状及遗传分析

《Plant Phenomics》：Accurate 3D Recording: Integrating Ground-Based LiDAR data and 3D Segmentation Network to Extract 3D Traits and Analyze Genetics in Wheat Populations

　　

本研究提出了一种基于地基激光扫描（terrestrial laser scanning, TLS）的多生长时期提取流程，以解决当前从小麦群体三维（3D）点云中获取三维表型性状的不足。研究人员提出了三维小麦点云分割网络（3D Wheat Point-seg Net, 3D WP-seg Net），这是一个新颖的三维点云分割网络，集成了SA-CrossAttention模块，以应对地块级小麦点云数据中复杂结构、背景噪声、非均匀点分布以及尺度变化带来的困难。利用该技术成功提取了常见表型参数，如地块高度（plot height）、冠层面积（canopy area）和体积（volume）。此外，通过融合质心（centroid）与切片骨架化（slice-skeletonization）算法，提出了两个新表型参数：地块延伸距离（plot extension distance, PED）和倒伏角（lodging angle, PLA）。研究人员创建了一个名为三维性状分析（3D Trait Analysis）的软件平台，以促进多传感器三维数据处理和性状提取。随后，利用提取的群体水平性状进行了全基因组关联研究（genome-wide association study, GWAS），以发现与这些新表型相关的潜在基因。在不同传感器系统下，3D WP-seg Net的分割准确率分别达到93.1%、88.3%和92.5%，同时预测与实测地块高度之间显示出强相关性（R² = 0.954）。此外，在染色体1A、2A和4A上发现了四个与延伸距离相关的候选基因，在染色体2D、3A和7A上发现了五个控制地块倒伏角的推定基因。本研究建立的多时期小麦群体三维表型分析框架，提高了点云分割和性状量化的准确性，同时为重要群体水平性状的遗传分析提供了一种新的高效方法。

**三维点云驱动的小麦群体表型解析：从精准分割到遗传位点挖掘——基于《Plant Phenomics》论文的深度解读**

**1. 研究背景与问题**

小麦是全球最重要的粮食作物之一，其表型特征反映了对环境和管理措施的适应。传统表型鉴定依赖人工测量，耗时费力且易出错。二维（2D）图像分析缺乏深度信息，难以准确描述冠层结构、体积和空间关系。三维（3D）成像技术，特别是地基LiDAR（Light Detection and Ranging, 激光雷达），能够获取高精度点云数据，精确捕捉作物复杂结构。然而，现有方法在小麦群体尺度上面临三大挑战：一是复杂田间环境中点云分割精度不足，二是缺乏针对群体结构的新型3D表型参数，三是表型数据与遗传分析的整合不紧密。因此，本研究旨在开发一套自动化框架，整合地基LiDAR点云与深度学习分割网络，提取传统及新型3D性状，并通过全基因组关联分析（GWAS）挖掘候选基因，为小麦精准育种和田间管理提供支撑。该论文发表于《Plant Phenomics》。

**2. 主要关键技术方法（不超过250字）**

研究人员采用了两类LiDAR传感器获取点云数据：FARO Focus S系列地基激光扫描仪（TLS）和LiBackpack D50背包式移动激光扫描系统（MLS），采集拔节期、开花期、灌浆期和成熟期的小麦冠层点云。实验材料为120个自然小麦品种（来自黄淮海平原和长江中下游地区），在南京白马教学与科研基地设置了高氮（N240）和零氮（N0）两种氮肥处理，共480个独立小区。预处理阶段通过分块分割、半径平面检测及手动精修分离冠层点。核心分割网络为3D WP-seg Net，基于PointNet++架构并引入SA-CrossAttention模块（包含跨切片注意力机制CSAM），实现高精度二值分割。表型提取综合了P95高度分位数、凸包算法、体素化、质心定位和切片骨架化算法，并开发了3D Trait Analysis软件平台。GWAS分析采用FarmCPU模型，并使用Wheat660基因分型芯片（含409,976个高质量SNP位点）。

**3. 研究结果**

**3.1 利用3D Trait Analysis应用程序收集小麦群体的3D表型信息**
该软件集成了数据加载、地块分割、外行提取、性状分析、图表可视化和数据导出六大模块，实现了从点云输入到表型参数输出的全流程自动化，并支持多类型统计图表生成。

**3.2 3D WP-seg Net与其他分割模型的性能比较**
与PointNet++、PointTransformer v3、DGCNN等六种模型相比，3D WP-seg Net在精确率（95.1%）、MIoU（92.9%）、召回率（93.6%）和F1分数（94.3%）四项指标上均最优，且收敛速度更快。

**3.3 消融实验验证改进模块的有效性**
用SA-CrossAttention层替换原始集合抽象层后，模型在精确率、MIoU、召回率和F1分数上均显著提升，证实该模块对提高复杂点云分割性能的关键作用。

**3.4 3D WP-seg Net在不同传感器衍生3D数据上的泛化能力**
在TLS、MLS和无人机多视角重建数据上，模型分别达到93.1%、88.3%和92.5%的精确率，表明其在不同精度和噪声水平的点云源上均保持稳健分割性能。

**3.5 性状精度的评估与分析**
随机选取240个小区，对比模型预测值与手动测量值：地块高度（plot height）R²=0.954，RMSE=2.15 cm；冠层面积（canopy area）R²=0.834；冠层体积（canopy volume）R²=0.736。TLS数据估算体积略高于MLS，因MLS受扫描角度和点云密度限制。

**3.6 利用高相关性性状参数进行分类预测**
相关性分析显示PED与PLA显著正相关（P<0.01）。基于随机森林将N240处理下拔节期小区分为高、中、低三类，并通过Sankey图展示从拔节期到灌浆期分类间的动态转变，反映茎秆伸长和叶片扩展引起的结构变化。

**3.7 利用表型参数预测候选基因**
对PED和PLA进行GWAS分析：PLA在染色体2D、3A和7A上鉴定出5个F-box家族候选基因；PED在染色体1A、2A和4A上鉴定出4个候选基因（包括MYB转录因子、翻译起始因子IF-2、bHLH转录因子和扩展蛋白），这些基因与细胞壁修饰、激素调控及细胞延伸相关。

**4. 讨论与结论总结**

**讨论部分要点：** 3D WP-seg Net相比传统方法和现有深度学习网络，在处理小麦地块级点云时具有显著优势，SA-CrossAttention模块提升了细粒度结构捕获能力。SLICING算法在轻度至中度倒伏时效果良好，但在完全倒伏时因点云重叠导致骨架提取偏差。未来可拓展至其他作物并改进器官级表型提取。

**结论部分翻译：** 本研究提出了一种基于地基LiDAR数据的小麦多生长时期3D性状提取方法。首先，提出了专门针对小麦地块场景的3D分割网络——3D WP-seg Net，其精确率达到95.1%，MIoU为92.9%，召回率为93.6%，F1分数为94.3%。其次，通过融合切片骨架化和质心定位技术，引入了两种新表型性状：延伸距离和倒伏角。进一步开发了3D Trait Analysis软件平台以支持多传感器点云处理和性状分析。最终，通过全基因组关联分析发现了9个与这些新性状显著相关的候选基因。本研究提出的3D性状提取方法成功提高了地基LiDAR数据在小麦群体分析中的应用精度，并通过引入新表型指数和全基因组关联分析鉴定出与重要小麦生长性状相关的候选基因，为精准农业和小麦育种提供了新的研究工具与理论基础。