大豆分枝夾角是決定其冠層結(jié)構(gòu)的主要因素。準(zhǔn)確、高效地測(cè)量大豆分枝夾角對(duì)鑒定和利用耐密植株型大豆品種至關(guān)重要。傳統(tǒng)的測(cè)量方法主要依靠人工操作，不僅耗時(shí)耗力，還存在一定的主觀性，難以準(zhǔn)確量化不同材料之間的細(xì)微差異。激光雷達(dá)技術(shù)在作物三維表型研究領(lǐng)域已取得了顯著成果，具有對(duì)光照不敏感等優(yōu)勢(shì)。但是，大豆株型結(jié)構(gòu)復(fù)雜，當(dāng)前的三維表型提取方法難以滿足其復(fù)雜分枝結(jié)構(gòu)參數(shù)提取的要求。本研究圍繞大豆耐密植株型鑒定需求，聚焦分枝夾角表型提取的挑戰(zhàn)，進(jìn)行了系統(tǒng)的算法開(kāi)發(fā)和應(yīng)用研究。
 

2024年5月，Plant Phenomics 在線發(fā)表了南京農(nóng)業(yè)大學(xué)前沿交叉研究院AiPhenomics課題組題為SCAG: A stratified, clustered, and growing-based algorithm for soybean branch angle extraction and ideal plant architecture evaluation的研究文章。
 

一、研究貢獻(xiàn)

1. 構(gòu)建了一個(gè)高精度、多品種的大豆植株點(diǎn)云開(kāi)放數(shù)據(jù)集Soybean3D

針對(duì)適用于田間大豆植株結(jié)構(gòu)參數(shù)提取數(shù)據(jù)集匱乏的問(wèn)題，本研究基于地基LiDAR采集兩年大豆植株骨架結(jié)構(gòu)三維點(diǎn)云數(shù)據(jù)，選擇單年的152株不同品種大豆材料樣本構(gòu)建Soybean3D數(shù)據(jù)集，并根據(jù)樣本點(diǎn)云質(zhì)量和植株三維結(jié)構(gòu)復(fù)雜程度分成了簡(jiǎn)單、中等、復(fù)雜三個(gè)數(shù)據(jù)組，分別包含50、51和51個(gè)大豆品種。該數(shù)據(jù)集分辨率高、材料之間結(jié)構(gòu)差異明顯，遺傳多樣性豐富，有望推動(dòng)大豆植株結(jié)構(gòu)參數(shù)高通量表型算法的開(kāi)發(fā)。目前該數(shù)據(jù)集已公開(kāi)發(fā)布于AiPhenomics的GitHub網(wǎng)站 https://github.com/Jinlab-AiPhenomics/SCAG_PlantAngleExtractor，可免費(fèi)獲取應(yīng)用于非商業(yè)用途。
 

表1 Soybean3D數(shù)據(jù)集概況

2. 開(kāi)發(fā)了一個(gè)準(zhǔn)確、穩(wěn)健和可遷移的分枝夾角提取方法SCAG

受大豆主莖生長(zhǎng)與分枝形成的生物學(xué)過(guò)程啟發(fā)，提出了一種基于點(diǎn)云分層、聚類和生長(zhǎng)的大豆分枝夾角檢測(cè)和提取算法（SCAG），在分枝檢測(cè)和角度計(jì)算方面取得了顯著成效。
 

圖1 SCAG算法流程

通過(guò)對(duì)比SCAG算法與支持向量機(jī)（Support vector machine, SVM）和點(diǎn)密度閾值（Density-based, DB）方法，證明SCAG算法的分枝檢測(cè)效果最佳（召回率、精確率和F-score分別為0.81、0.73和0.77），其F-score比另外兩種方法平均提高了42.67%。同時(shí)，基于SCAG提取的分枝角度與手動(dòng)測(cè)量值之間的相關(guān)系數(shù)r=0.84。此外，SCAG算法還能有效應(yīng)用于玉米（r=0.95）和蕃茄（r=0.94）等作物的分枝角度提取。
 

表2 SCAG與其他算法比較結(jié)果
 

圖3 SCAG算法在其他作物上有較好的遷移性

3. 發(fā)掘了潛在的耐密株型鑒定新指標(biāo)AHR和ALR

利用SCAG算法對(duì)3218株大豆單株點(diǎn)云數(shù)據(jù)進(jìn)行分枝夾角等三維表型性狀的精準(zhǔn)計(jì)算。基于數(shù)據(jù)質(zhì)量控制，篩選出55個(gè)品種，用于進(jìn)一步挖掘耐密植株型的新鑒定指標(biāo)。通過(guò)組合分析，本實(shí)驗(yàn)構(gòu)建了11個(gè)潛在指標(biāo)，并依據(jù)其遺傳力和重復(fù)性，最終確定了角高比（AHR）和角長(zhǎng)比（ALR）兩個(gè)性狀。這兩個(gè)新性狀在評(píng)估大豆耐密植潛力上展現(xiàn)出一定潛力，為大豆種植和育種提供了新的思路。
 

圖4 AHR和ALR在遺傳力以及重復(fù)性上均優(yōu)于CHR

4. 開(kāi)發(fā)了一個(gè)植株分枝夾角分析軟件

本實(shí)驗(yàn)已經(jīng)將SCAG算法封裝成軟件，并與源代碼一起上傳到了GitHub賬號(hào)（https://github.com/Jinlab-AiPhenomics/SCAG_PlantAngleExtractor）。我們相信開(kāi)源代碼將有助于算法的不斷迭代升級(jí)。此外，我們還開(kāi)發(fā)了一個(gè)用戶友好的軟件，也可以下載、安裝和使用，只需將自己的作物點(diǎn)云文件上傳到軟件中并點(diǎn)擊計(jì)算夾角按鈕，就可以得到點(diǎn)云分枝夾角數(shù)據(jù)，具體操作請(qǐng)參考上述 GitHub存儲(chǔ)庫(kù)中的說(shuō)明。該軟件支持單株和多株樣本同時(shí)進(jìn)行分枝夾角提取，以及自定義參數(shù)設(shè)置。

二、研究總結(jié)

分枝檢測(cè)和角度計(jì)算是精確和選擇理想株型的關(guān)鍵，對(duì)于推動(dòng)大豆綠色革命至關(guān)重要。本研究提出了一種新穎的SCAG算法，該算法在分枝檢測(cè)和角度計(jì)算方面均取得了優(yōu)異的結(jié)果，顯著提高了分枝夾角計(jì)算的準(zhǔn)確性和效率。此外，SCAG算法已驗(yàn)證適用于玉米和番茄等不同作物，展現(xiàn)了良好的泛化能力。最后，我們提出了分枝角度的耐密植株型鑒定新指標(biāo)，為大豆耐密植品種選育提供了新的智能決策依據(jù)。同時(shí)，我們期望通過(guò)共享數(shù)據(jù)集和算法，推動(dòng)相關(guān)研究的發(fā)展。
 

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開(kāi)展作者分享會(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開(kāi)放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
編輯：王平
審核：孔敏、金時(shí)超