《The Plant Phenome Journal》：Bayesian optimized color filter: A fast method for segmentation of plant phenotypes from 3D point cloud images
编辑推荐：
多光谱三维（3D）成像为植物表型分析提供了巨大的应用潜力，但植物器官的人工分割仍然是育种计划中的瓶颈。研究人员针对蚕豆（Vicia faba L.）点云开发了一种基于颜色的滤波工作流程，通过贝叶斯优化（Bayesian optimization）对光谱指数和宽
多光谱三维（3D）成像为植物表型分析提供了巨大的应用潜力，但植物器官的人工分割仍然是育种计划中的瓶颈。研究人员针对蚕豆（Vicia faba L.）点云开发了一种基于颜色的滤波工作流程，通过贝叶斯优化（Bayesian optimization）对光谱指数和宽带亮度（broadband brightness）的下阈值与上阈值进行优化。与最大化几何分割精度不同，该方法选择阈值的目标是最大化保留点与产量相关性状之间的相关性，从而优于人工滤波，减少用户工作量，并实现决策标准化。
在多光谱3D点云中，贝叶斯优化恢复了指数特异性的阈值范围，这些阈值范围可产生较强的样本内相关性，其中与籽粒产量的相关系数为 r = 0.72，与粒数为 r = 0.61，与荚数为 r = 0.53，与秸秆生物量为 r = 0.72。最高相关性分别出现在：秸秆生物量为收获期，籽粒产量为收获前41天（DBH），粒数为收获前33天，荚数为收获前34天。纵观整个生长季，基于绿色度的指数和宽带亮度指标与籽粒产量的联系始终强于色素比值指数或水分状态指数。对于秸秆生物量和荚数，色素比值指数表现出持续较低的相关性。
通过贝叶斯优化对与性状相关的冠层信号进行定向筛选，可实现对蚕豆中光谱信号与产量相关性状之间关系的可靠、无损评估。该工作流程并非通过优化几何精度，而是通过优化阈值以最大化性状相关性，因此可支持在干旱胁迫条件下更早且更具成本效率地识别高表现基因型，并有助于强化育种计划中的高通量表型分析。这使得与目标性状最相关的冠层信号能够被更快速地识别出来。
该文发表于《The Plant Phenome Journal》，围绕蚕豆（Vicia faba L.）在干旱胁迫背景下的高通量数字表型分析展开，核心目标是解决多光谱三维（3D）点云中植物器官难以高效、标准化分割的问题。研究背景在于，干旱是限制作物产量和农业可持续性的关键环境因子，而蚕豆作为兼具高蛋白和固氮能力的重要豆科作物，对干旱较为敏感，不同基因型间又存在明显的响应差异，因此需要精确、可扩展的表型鉴定手段以支撑抗旱育种。传统表型调查往往耗时、主观且难以适用于大规模筛选；尽管遥感和3D成像推动了无损、高通量表型组学发展，但如何从多光谱3D点云中提取与目标农艺性状真正相关的冠层信号，仍受到环境变异、器官重叠和冠层结构复杂性的限制。为此，研究人员提出一种不同于经典几何分割的思路：不以几何分割精度最大化为目标，而是以“保留点数与最终产量相关性状的统计相关性最大化”为准则，通过贝叶斯优化（Bayesian optimization）自动确定各光谱指数阈值范围，从而实现面向性状关联的冠层信号筛选。
研究人员在Justus Liebig University的Droughtspotter XXL平台上开展试验，纳入80个遗传多样的蚕豆基因型，包括育种材料与登记品种，并采用3次重复随机区组设计，在受控灌溉与称重监测条件下形成干旱相关表型数据。研究的结论表明，基于贝叶斯优化的颜色滤波工作流程能够在多光谱3D点云中恢复不同指数的最佳阈值窗口，并获得强于未过滤点云和人工滤波的样本内相关性。归一化差异植被指数（NDVI）在籽粒产量、粒数和秸秆重方面表现最稳定，最佳相关系数分别达到 r = 0.72、0.61 和 0.72；荚数的最高相关性则表现为NDVI、Hue和植物衰老反射指数（PSRI）在不同发育阶段的阶段性优势。研究还显示，绿色度相关指数与亮度指标在整个生长季中总体优于色素比值类和水分状态类指数。该研究的重要意义在于，为育种中的无损、早期、低成本性状筛选提供了可标准化的数字表型方法，也为识别与目标性状最相关的冠层光谱信号提供了新的技术路径。
就主要技术方法而言，研究人员首先基于双PlantEye F600多光谱扫描仪采集51 d的容器尺度多光谱3D点云，样本来源为80个蚕豆基因型、共240个容器重复单元。随后从原始PLY点云中解析坐标、RGB与近红外（NIR）波段信息，并计算NDVI、GLI、NPCI、PSRI、NDWImod、CImod、MSImod、Hue、饱和度与亮度等逐点指数。其后，研究人员以保留点数与产量、粒数、荚数和秸秆重的Pearson相关系数最大化为目标，按“指数×日期”独立执行贝叶斯阈值优化。为验证滤波结果，还对10个随机扫描进行人工荚标注，并以体素化交集百分比和Dice重叠（DO）进行比较。此外，研究设置了机器学习基线，采用VIBLUP、再生核希尔伯特空间（RKHS）、贝叶斯Lasso（BL）、随机森林（RF）、极端梯度提升（XGB）和支持向量机（SVM）进行跨时点性状预测。
3.1 Optimal threshold determination
该部分表明，贝叶斯优化可成功为10类光谱或颜色指数确定最优上下阈值，并据此最大化保留点数与农艺性状之间的相关性。结果显示，籽粒产量的最佳相关性由41 DBH的NDVI获得，阈值范围为0.602–0.868，r = 0.72；CImod、Lightness、Saturation等也表现较强，但均不及NDVI。秸秆重方面，0 DBH的NDVI在0.144–0.290范围内达到r = 0.72，1 DBH的GLI亦接近此水平。荚数的最优结果较为异质，在34 DBH时NDVI达到r = 0.53，而27 DBH的Hue与PSRI也达到相同水平。粒数在33 DBH时由NDVI取得最高相关性r = 0.61。整体而言，NDVI是最稳定的单一指标，而荚数更依赖发育阶段变化下的多指标互补。
3.2 Overlap between filtered and labeled point clouds
该部分通过人工标注验证了滤波策略对目标器官相关信息的保留能力。研究人员对10个随机扫描手工标记荚区域，并与基于Hue阈值的过滤点云进行空间重叠分析。结果显示，过滤后平均仅保留原始点云的57.86%，即实现约42%的数据压缩，但体素化后仍可覆盖90.14%的人工标注荚点。虽然Dice overlap均值仅为0.12，但这是由于过滤点集远大于标注荚点集导致的类别不平衡效应，因此交集百分比（IsP）更能反映标签保留情况。人工标注平均仅恢复46.4个荚，而收获实测为117.8个，说明严重遮挡限制了人工标注完整性。人工标注荚数与收获荚数的相关性为0.57，仅略高于Hue过滤代理的0.53，提示优化滤波在高遮挡场景下具有实际应用价值。
3.3 Correlation of raw point-cloud density with yield traits
该部分分析了未进行任何分割时，原始点云总点数与产量相关性状的关系。结果显示，不同性状在不同DBH存在峰值相关，但整体低于优化滤波后的结果。未过滤条件下，籽粒产量最高相关性出现在42 DBH，r = 0.64；粒数在33 DBH达到r = 0.53；荚数在34 DBH达到r = 0.45；秸秆重在6 DBH达到r = 0.56。时间动态上，籽粒产量相关性呈双峰型，粒数和荚数表现为明显的中期峰值，而秸秆重则在接近收获期增强。该结果说明冠层密度本身包含一定生物学信息，但基于相关性优化的光谱阈值筛选可更稳定地提取与性状相关的冠层信号。
3.4 Seasonal correlations between optimized indices and yield-related traits
该部分从全季尺度比较不同指数的相关性分布。对于籽粒产量，Saturation的中位相关性最高，为0.529，NDVI、Lightness、GLI和MSImod紧随其后，表明绿色度和宽带亮度类指标在整个生长季与产量关系更紧密。对于粒数，NDVI中位相关性最高，为0.438，MSImod和GLI次之。对于荚数，MSImod的中位相关性最高，为0.402，但与CImod、GLI、Hue、Lightness、NDVI、PSRI和Saturation差异不显著，仅NDWImod显著较低。对于秸秆重，GLI中位相关性最高，为0.470，而NDVI取得全体最高单次相关值0.723。总体说明，与冠层绿色度、亮度和结构状态相关的指标在季节尺度上优于单纯的色素比值或水分状态指标。
3.5 Temporal profile of correlations with filter bounds
该部分进一步展示了各指数在逐日尺度上的相关性轨迹及其对应优化阈值边界的动态变化。对于籽粒产量，相关性在41–38 DBH显著升高，NDVI峰值约0.72，且最优窗口随成熟推进由较高NDVI区间逐渐收缩至较低范围。对于粒数，最佳关联集中于35–30 DBH区间，NDVI在33 DBH达到0.61，Lightness、GLI、CImod和MSImod也提供补充信息。对于荚数，相关性呈非对称钟形曲线，在35–21 DBH间最高，NDVI和CImod在较早时期较强，而Hue和PSRI在27 DBH达到约0.53，提示荚部色彩变化和衰老进程具有较高判别价值。对于秸秆干物质，相关性自鼓粒期后持续升高，并在收获期达到最高，NDVI、GLI、PSRI、NPCI和MSImod均显示较强关联。该部分表明，最优阈值并非固定不变，而是随着物候进程发生系统性转移，支持物候感知型的表型监测策略。
3.6 Prediction accuracy across pre-harvest time point
该部分以机器学习模型作为比较基线，评估不同收获前时间点的预测能力。结果显示，各模型对籽粒产量、粒数、荚数和秸秆重的预测精度均具有明显时间依赖性。产量在39 DBH达到最佳平均预测精度0.54，其中RKHS最高为0.57；粒数最佳时点为49 DBH，平均精度0.46；荚数在31 DBH表现最佳，平均精度0.40，单模型SVM达到0.54；秸秆重在37 DBH平均精度0.30，RKHS最高0.47。总体上，这些交叉验证预测精度通常低于基于优化阈值方法得到的最强样本内相关性，说明相关性导向的阈值优化在本数据集中更有效地捕捉了与性状相关的冠层信号；但对于荚数，最佳机器学习模型与Hue代理的表现接近。
讨论部分指出，指数与性状相关性的峰值时间与蚕豆关键生理、物候阶段密切一致。荚数在34–27 DBH达到较高相关性，是因为此时荚已充分膨大而叶片开始衰老，荚与叶之间的光谱对比增强；产量相关性在40–41 DBH达到最高，对应种子灌浆初期，冠层仍保持较高光合活性，而荚器官在结构与光谱上已更突出；秸秆重则在接近收获期表现最佳，因为此时叶片衰老脱落，茎秆和残余荚壳主导扫描信号。研究人员认为，这些结果强调了按物候阶段选择采样时间的重要性，也说明了针对作物特异性进行阈值校准的必要性。论文还讨论了向无人机（UAV）平台迁移的可能性与限制，包括空间分辨率、光照条件、传感器标定差异和观测几何对指数分布的影响；同时指出该方法在蚕豆中表现优异，部分原因是蚕豆花、荚和营养器官之间具有较明显的颜色对比，而在小麦等器官光谱差异较弱的作物中，直接迁移并不容易，可能需要融合3D结构特征或高光谱信息，并进行跨物种验证。
研究结论部分可译为：本研究表明，当采用贝叶斯分割框架对蚕豆光谱指数进行相关性优化后，可在关键物候阶段支持对冠层信号进行性状特异性的筛选。指数—性状相关性的时间分析显示，产量相关性状的最高关联出现在荚、种子或秸秆在冠层中同时具有结构优势和光谱可区分性的时期。这种动态模式强调了在数字表型分析中开展物候感知型数据采集和作物特异性校准的关键作用。尽管由于蚕豆器官对比明显，基于指数的分割方法在该作物中表现出较强关联，但其向其他作物的直接迁移仍受物种特异的形态与生理差异限制。尽管如此，通过整合3D结构特征、高光谱波段等附加模态，并调整指数边界，可促进该方法在光谱差异更细微作物中的稳健应用。该工作流程能够早期、无损地识别与产量相关性状有关的冠层信号，从而加快品种筛选，并有望支持更高效、可扩展的作物改良。总体而言，本研究有助于在豆科作物育种中更精确且更具生物学基础地解释遥感数据，并为将先进表型工具拓展至多种作物提供了实用策略。
