《Agricultural Research》：High-Throughput Phenotyping of Faba Bean Crop Using Remote Sensing Technologies and Data Analytics: A Systematic Assessment of Status and Trends Over Past Decade
编辑推荐：
蚕豆（Vicia faba L.）是温带地区广泛栽培的重要豆科作物，兼具人类食用、动物饲料、干草生产及覆盖作物等多重用途。提升蚕豆生产力，有赖于对决定作物表现与产量的形态学和生理学性状进行精准表征。尽管常规表型鉴定方法已经可用，但其通常受限于成本高、精度有限以
蚕豆（Vicia faba L.）是温带地区广泛栽培的重要豆科作物，兼具人类食用、动物饲料、干草生产及覆盖作物等多重用途。提升蚕豆生产力，有赖于对决定作物表现与产量的形态学和生理学性状进行精准表征。尽管常规表型鉴定方法已经可用，但其通常受限于成本高、精度有限以及时空覆盖不足。近年来，高通量表型组学（high-throughput phenotyping, HTP）方法显示出克服上述限制的潜力。HTP整合传感器、无人空中与地面平台以及成像系统，可在高时空分辨率下实现作物性状的快速、无损监测。尽管HTP的应用日益增加，但尚无研究针对蚕豆对这些方法开展全面比较与系统综合，因此本研究即以此为目标，重点关注先进传感技术与数据分析方法，包括机器学习（machine learning, ML）和深度学习（deep learning, DL）。
研究人员对2015—2025年间初始检索得到的381篇文献进行了系统评估，最终纳入24篇同行评审论文，据此识别了基于HTP的蚕豆表征研究趋势、性能基准及集成挑战。结果表明，2021年后蚕豆HTP研究显著增加，其中ML方法主导当前应用，占比37.5%。多数研究仍依赖小规模数据集、单季试验以及有限环境变异，这限制了模型的稳健性与可扩展性。研究同时概述了相关局限、研究空白与未来发展方向，以支持面向蚕豆增产的可靠且可扩展的表型鉴定体系构建。
Introduction
论文首先阐述了蚕豆（Vicia faba L.）作为冷凉季一年生豆科作物的农业与营养价值，指出其蛋白质含量高、固氮能力强，并可通过轮作和间作改善土壤氮素肥力，从而服务于可持续农业生产。正文强调，蚕豆育种面临高产、抗病、广适与遗传稳定性等多重目标，而热、旱、霜冻及病虫害等生物与非生物胁迫会显著制约产量形成，因此亟需对作物生长、结构和组成等性状实施快速、精准且非侵入式监测。在此背景下，随着传感器成本下降以及计算机视觉、自动化和机器学习（ML）的发展，高通量表型组学（HTP）逐渐成为替代传统人工表型调查的重要技术路径。文章进一步概括了RGB、多光谱、高光谱、热红外和三维传感器如激光雷达（LiDAR）在作物表型分析中的通用优势与局限，并指出现有综述尚缺乏针对蚕豆HTP研究的系统梳理，因此本文旨在围绕过去十年的蚕豆HTP技术进展、应用趋势、挑战及前景进行综合评估。
Review method
在研究方法部分，文章依据系统综述报告规范PRISMA构建文献筛选框架，以确保纳入研究在主题相关性、方法学严谨性、实验验证充分性及知识贡献方面满足要求。文献检索流程包括关键词选择、检索式构建、数据库检索、初筛与全文审阅以及最终纳入。作者围绕“高通量表型组学”“精准农业”“蚕豆表型鉴定”“机器学习”“深度学习”“无人机”“无人地面车辆”等核心术语设置布尔逻辑检索式，并在Web of Science、ScienceDirect和Scopus中开展检索。2015—2025年共获得381篇记录，去重并基于题名与摘要初筛后保留171篇，最终经全文评估纳入24篇研究。该部分说明，本综述采取系统化证据整合路径，从而为蚕豆HTP研究现状、技术路线与未来方向提供方法论上较为可靠的综合基础。
Results and discussion
该部分为全文主体，围绕蚕豆生物学基础、胁迫类型、可表型性状以及不同高通量技术路线展开综合讨论，重点归纳各类传感平台与数据分析方法在蚕豆表型鉴定中的适用范围、性能表现及现实限制。
Faba bean morphology and growth cycle
文章首先概述了蚕豆的形态学特征与生长周期，指出其株高通常为0.1–2 m，茎秆粗壮、中空，基部一般少分枝；在15–20 °C适温条件下可于10–14 d完成萌发，而高于27 °C的高温可能诱导落花。叶片为互生羽状复叶，花具有典型蝶形花结构；开花进程主要受积温驱动，冬性类型还涉及春化需求。根系方面，蚕豆形成深根性主根，并具有可形成根瘤的侧根系统，这与其固氮功能密切相关。土壤适宜性上，结构良好的壤土或黏土且pH为6.5–9.0时更利于生长和结瘤。该部分内容为后续遥感监测性状选择提供了生物学基础，即不同生育阶段在冠层结构、叶片状态和荚果成熟度上的变化，决定了可观测表型指标的动态特征。
Biotic and abiotic stresses of faba beans
随后，文章系统梳理了影响蚕豆生产的生物与非生物胁迫。生物胁迫主要包括病害、虫害与杂草，其中病害可造成25%–80%的减产，并降低种子蛋白含量。真菌病害中，蚕豆褐斑病、巧克力斑病和锈病危害尤为突出；病毒病则包括广豆斑驳病毒、豆叶卷曲病毒、蚕豆坏死黄化病毒等，多通过种子和蚜虫传播。杂草和昆虫害虫同样会显著影响产量。非生物胁迫方面，热害、干旱、霜冻、渍涝、盐胁迫及养分缺乏均会扰乱作物生理过程，尤其在开花和灌浆期，高温会降低花粉活力并抑制产量形成；盐胁迫则会削弱生长和固氮能力。该部分强调，理解不同胁迫的发生机制及其表型响应，是开展遥感识别、早期诊断与抗逆育种的前提。
Phenotypic traits of faba beans
在性状层面，文章指出表型鉴定覆盖从细胞到冠层多个尺度，其核心目标是识别与生长、产量和抗逆性相关的关键性状。蚕豆常见监测指标包括种植密度、叶绿素含量、籽粒性状、病虫害、株高、倒伏、荧光、地上部生物量（AGB）、水分状态、籽粒品质、水分和氮素利用效率、冠层结构、杂草覆盖、产量及干旱胁迫响应等。这些性状既服务于育种中的优良基因型筛选，也服务于精准栽培中的管理决策优化。作者通过汇总近十年研究，说明蚕豆表型分析已从单一形态指标逐步转向融合形态、光谱、热学和质构信息的多维性状体系。
Crop phenotyping methods
本节对传统表型方法与高通量表型方法进行了对照。传统方法主要依赖人工测量、实验室检测及作物模型，例如用标尺测株高、通过烘干称重测AGB、收获后测产量，以及采用高效液相色谱（HPLC）或分子标记进行品质与遗传分析。这些方法通常具有破坏性、劳动密集、耗时且主观性较强。与之相比，HTP利用多类型传感器和自动化平台实现快速、非破坏和客观的数据采集，并通过ML或DL从大规模数据中提取表型信息。文中指出，主动式传感器如LiDAR和超声波可获取三维点云用于株高、冠层结构和生物量分析；被动式传感器如多光谱、高光谱、RGB、荧光和热成像则更适于表征生理状态。该节确立了HTP在蚕豆研究中的技术框架。
Remote sensing
文章进一步将遥感界定为蚕豆HTP的核心实现路径，强调其在非接触式监测作物性状及生物、非生物胁迫中的优势。不同平台能够记录从可见光到微波波段的信息，从而识别水分、叶绿素、冠层结构以及病虫害症状等变化。作者将相关传感器分为可见光—短波红外、热红外与荧光、以及合成孔径雷达（SAR）和LiDAR三类，并指出后续重点讨论卫星、无人机（UAV）、无人地面车辆（UGV）和近红外光谱（NIRS）在蚕豆中的应用。
Satellite
卫星遥感部分表明，卫星平台是最早用于大尺度作物高通量监测的手段。文中重点提到Sentinel-2、Landsat-8和Sentinel-1等平台在蚕豆区域尺度监测中的应用。相关研究利用Sentinel-2多光谱波段及归一化植被指数（NDVI）、归一化水分指数（NDMI）和归一化水体指数（NDWI）跟踪蚕豆生长过程，并结合气象因子分析时空变化。另一类研究将光学影像与SAR数据联合，用于连续季节监测，并显示雷达后向散射指标与NDVI和叶面积指数（LAI）具有较强相关性。该部分说明，卫星数据在区域尺度连续监测方面具有优势，但其精细化表型能力仍受空间分辨率及云覆盖影响。
Unoccupied Ground Vehicle
UGV部分介绍了搭载RGB、多光谱、LiDAR、热红外和高光谱传感器的自主地面机器人在蚕豆田间表型采集中的潜力。文中以“Ladybird”平台为例，指出其在行作试验中能够高效获取株高、冠层活力和冠层闭合度等指标，且与人工测量具有较高一致性。UGV的优势在于近距离、高重复性和高时间效率，尤其适合高精度田间试验监测；但对蚕豆这类低矮、宽展且生长旺盛的作物而言，行间通行和视角遮挡仍是需要关注的问题。
Unoccupied Aerial Vehicle
UAV部分是全文讨论最充分的内容之一。文章先概述了固定翼、多旋翼和垂直起降（VTOL）三类平台的特点，并说明多旋翼因机动性强、操作便捷而更常用于表型监测。传感器方面，UAV可搭载RGB、多光谱、高光谱、热红外以及LiDAR，以实现从结构到生理的多维数据获取。围绕蚕豆，文中总结了少量但具有代表性的研究：RGB与多光谱组合可实现单生育期和多生育期产量估测；高光谱结合集成学习可提高产量预测精度；基于正射镶嵌影像的株高估测与地面实测高度一致；消费级RGB影像对AGB和产量预测同样表现较好。进一步地，多源传感器融合结合特征选择与ML方法可改善株高、AGB和产量估测，其中RGB、冠层结构、植被指数（VI）与纹理特征的联合使用通常优于单一传感器，而热红外在某些性状特别是干重估测中的边际贡献较小。总体上，该部分表明UAV多传感器平台正成为蚕豆HTP最具可扩展性的技术路线。
NIR Spectroscopy
近红外光谱（NIRS）部分主要集中于种子品质和营养成分表征。文章指出，NIRS通过分析化学键对红外光吸收的差异，可快速、无损预测蛋白质、油分、油酸、酚类物质、抗氧化能力以及vicin和convicin等成分含量。相关研究采用偏最小二乘回归（PLS）、弹性网络（EN）和Bayes B（BB）等统计模型，并通过交叉验证获得较高预测精度，尤其蛋白质含量预测效果稳定。文章还指出，对样品进行研磨及采用Savitzky–Golay平滑、向量归一化和多元散射校正等预处理方法有助于提升模型性能。该部分说明，NIRS虽然不属于典型的空—地遥感成像方式，但在蚕豆品质性状高通量分析中具有重要补充价值。
Machine Learning (ML) Methods
在数据分析层面，文章详细讨论了ML方法在蚕豆HTP中的作用。ML能够基于标注数据开展分类与回归任务，从传感器数据中提取模式并建立性状预测模型。文中概述了监督学习与无监督学习的基本框架，以及主成分分析（PCA）等降维方法的辅助作用。具体算法包括偏最小二乘回归（PLSR）、K最近邻（KNN）、支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）、岭回归（RR）和XGBoost等。综合已有蚕豆研究可见，集成学习和回归模型通常优于单一模型；多源数据融合以及引入株高、冠层覆盖度、光谱特征、热学特征和纹理信息，通常可显著提高产量、生物量和收获指数（HI）估测精度。作者特别强调，随着生育进程推进，模型预测性能一般提升，表明表型可分辨信息在后期冠层发育阶段更为丰富。
Deep Learning (DL) Methods
相较于ML，DL能够通过多层网络自动学习判别特征，减少人工特征工程依赖。文章介绍了卷积神经网络（CNN）在图像分类、目标检测和识别中的优势，并提及Vision Transformer（ViT）、Swin Transformer、DETR和RT-DETR等视觉Transformer模型的发展。不过在蚕豆领域，DL应用仍然较少。现有研究主要集中在病害识别和植株计数：例如YOLOv8被用于蚕豆锈病严重度分级，表现出较高精度和较快推理速度；CNN模型可对巧克力斑病、蚕豆瘿病、锈病及健康叶片进行分类；基于YOLO系列模型的UAV RGB影像分析可实现多品种蚕豆群体的自动识别与苗数估计。该部分表明，DL在复杂背景、小目标识别和多类别病害诊断方面具有明显潜力，但当前证据基础仍较有限。
Conclusions, challenges, and future scope
结论部分指出，2015—2025年间真正聚焦蚕豆HTP的同行评审研究仅24篇，说明该领域虽在2021年后明显升温，但总体仍处于发展初期。现有证据表明，基于地面或UAV平台的RGB、多光谱、高光谱和热成像结合ML/DL，可有效提升蚕豆性状表征、产量估测、病害检测和胁迫监测能力；其中多传感器融合、集成学习和多性状联合建模通常优于单一数据源或单一模型。然而，环境变异、云层、风、光照、土壤背景、杂草干扰、品种间生长差异、小目标检测难题以及平台参数和采集时序选择，都会影响模型泛化能力。文章据此提出，未来应构建多年、多地点、大样本和高异质性数据集，拓展DL及ML-DL混合方法在叶、茎、根多部位病害监测中的应用，并发展实时UGV监测系统与更稳健的多模态融合框架，以推动蚕豆高通量表型组学向大规模、精准化和可持续应用方向发展。
