水分胁迫测量

Workswell与欧洲领先的生命科学研究机构捷克布拉格生命科学大学作物研究所经过多年合作，开发出了世界首款作物水分胁迫指数成像仪WIRIS Agro，它是第一款可用于农业领域精确绘制大面积水分胁迫指数图（CWSI）的机载成像设备。WIRIS Agro成像仪提供了LWIR波段传感器和10倍光学变焦的全高清相机 (1920x1080像素FHD)，结合配套的CWSI分析仪软件，能够在很短的时间内生产出大面积农作物的潜在产量图。水分胁迫(water stress)是植物水分散失超过水分吸收，使含水量下降，植物细胞膨压降低，正常代谢失调的现象。土壤水分亏缺是作物水分胁迫最主要的诱因，重度水分亏缺会严重影响作物生长发育从而最终影响作物产量。因此，诊断作物水分亏缺、寻求适度水分胁迫阈值以谋求最高的水分利用效率一直是农田节水灌溉和精准农业研究中的热点问题。目前，作物水分亏缺指标使用最广泛的是Idso等于1981 年提出的作物水分胁迫指数（Crop Water Stress Index ，CWSI)，CWSI是基于冠层温度和空气湿度关系，同时综合考虑了植物、土壤、大气等各种作用因素的一项综合性水分胁迫指标,其中冠层温度是可以通过遥感手段获取的基本信息之一。因此，随着目前低空轻小型无人机的大量使用，通过无人机平台高速获取大面积的植物群体CWSI图像数据终于成为可能。作物水分胁迫指数成像仪WIRIS Agro可搭载于多种类型无人机平台（如安洲科技生产的A660多旋翼无人机、AVF-1000/2000固定翼无人机等）快速精准地获取大面积植被的水分胁迫值、热红外图像数据以及高清RGB图，可用于作物产量制图、优化灌溉或控制水分利用管理补救措施等方面，是现代农田节水灌溉、精准农业、遗传育种和植物表型研究的无人机测量利器。通过CWSI图像优化马铃薯田灌溉条件如上图：基于土壤传感器数据的马铃薯田优化灌溉作业，右侧WIRIS Agro成像仪的图像所示，一些区域灌溉饱和，而其他区域灌溉不足，因此需要根据获取的CWSI图像，重新更好地定位土壤传感器。WIRIS Agro机载作物水分胁迫指数成像仪的主要用途及优点：① 状态监测评估，监控水分胁迫：使用彩色CWSI地图表述作物的水分利用问题，并可结合NDVI植被指数对作物的生长状况和产量进行研究评估；② 管理灌溉管理：灌溉系统优化，优化土壤传感器的位置和分布；③ 植物表型：WIRIS Agro成像仪可获取不同的植物物种对水分状况的不同反应，为作物遗传育种和植物表型研究提供基础数据；④ 丰富的接口：WIRIS Agro成像仪提供了多种接口，可以与无人机、控制单元、外部GPS传感器等进行广泛的连接。安洲科技可为用户提供多种机载设备飞行测试服务，欢迎联络！

土壤是重要的自然资源，地球上95%的食物来源于土壤，土壤保存了至少四分之一的全球生物多样性，不仅是粮食安全、水安全和更广泛的生态系统安全的基础，更是为人类提供多种服务、帮助抵御和适应气候变化的重要因素。由土壤组成造成的胁迫，例如盐、重金属和养分亏缺是作物减产的主要原因。作物土壤耐逆性是一种复杂性状，涉及植物形态、代谢和基因调控网络等多种遗传和非遗传因素的调控。传统的作物表型研究通常在田间进行，费事费力、劳动密集、低通量、且受研究人员无法控制的自然环境因素的影响。在此情形下，难以获得高精度的表型数据以满足表型组学的研究需求。在过去几十年，已经开发了几种HTP（高通量表型）平台在现场或可控条件下使用，但其运维成本极高。此外，作物表型相关研究通常只关注植物地上部分，而对根系形态数据的获取有限。然而，根系是植物吸收水分和养分的主要途径，也是碳水化合物的储存器官和土壤胁迫的直接感知器官。因此，根系表型是土壤胁迫条件下植物表型研究的重要组成部分。就通量、环境可控性和根系表型获取而言，现有的植物表型平台无法完全满足植物对土壤胁迫响应的表型组学研究的特定需求。基于此，在本文中，来自山东大学生命科学学院和潍坊农科院的一组研究团队描述了其最近开发的高通量植物栽培和表型系统—WinRoots平台。以大豆植物为研究对象，将其暴露在盐胁迫中，证明了土壤盐胁迫条件的一致性和可控性以及WinRoots系统的高通量。他们开发了优化的盐胁迫条件，以及适用于大豆耐盐性的高通量表型指数。此外，高通量多表型分析表明，子叶特征可作为大豆全苗耐盐性的非破坏性指标。在本研究中，Canon EOS 700D数码相机和Resonon Pika L高光谱成像仪分别用于获取RGB和高光谱图像。相机位于植物材料上方1.5 m的可滑动水平导轨上。每天收集大豆冠层和整株幼苗的图像。栽培第九天，获取离体叶片图像，每个品种重复3次。WinRoots系统：高通量根系和整株植物表型平台。系统使用示意图。【结果】盐胁迫相关性状之间的相关分析。（A）盐胁迫相关性状之间的相关矩阵。（B）预测值和观测值之间的回归曲线。大豆盐胁迫相关性状的合成聚类。（A）大豆盐胁迫相关性状的合成聚类剖面图。（B）聚类1和聚类2代表性栽培品种表型。（C）聚类1和聚类2指标比较。【结论】WinRoots系统为幼苗生长提供了均一可控的土壤胁迫条件，可用于土壤胁迫下高通量栽培和表型分析，有助于提供准确多样的土壤胁迫相关的表型数据。因此，WinRoots提供了一种分析诸如土壤胁迫之类的复杂性状的改进方法。HPPA(Hyperimager Plant Phenomics Analysis)高光谱植物表型成像系统由北京依锐思遥感技术有限公司与美国RESONON公司联合研制生产，整合了高光谱成像测量分析、RGB真彩色图像、无线自动化控制系统、线性均匀光源系统等多项先进技术；最优化方式实现大量植物样品的数据采集工作，可用于高通量植物表型成像分析测量、植物胁迫响应成像分析测量、植物生长分析测量、遗传组学与表型组学、遗传育种、生态毒理学研究、性状识别及植物生理生态分析研究等。请点击以下链接，阅读原文：https://mp.weixin.qq.com/s?__biz=MjM5NjE1ODg2NA==&mid=2650311205&idx=3&sn=ffe393bdf01d664cab05b92572691916&chksm=bee1a6da89962fccef8eae610681ac22d2239e59d016db96cd911d103186c3459c4061ca30bf&token=1489736406&lang=zh_CN#rd

双孢蘑菇属于呼吸跃变型，采后极易变软腐烂，通常采后常温下双孢蘑菇1～3 d就会出现失水、开伞或者褐变，冷藏可贮藏5～10 d，因此其货架期较短。此外，双孢蘑菇具有薄且多孔的表皮结构同时又缺乏保护组织，属于典型的机械损伤或瘀伤高敏感性作物。在流通过程中要经历长时间的振动胁迫，导致双孢蘑菇产生不同程度的机械损伤。严重的外部损伤可通过机器视觉技术等手段进行检测。沈阳农业大学信息与电气工程学院的姜凤利和食品学院的孙炳新*等以双孢蘑菇为研究对象，采集室温条件下不同振动胁迫时间的新鲜蘑菇高光谱信息，融合光谱和纹理特征，结合化学计量学方法，对双孢蘑菇的早期机械损伤进行快速预测和判别。1、双孢蘑菇色泽分析从表1可以看出，随着振动时间的延长，蘑菇菌盖的亮度L值逐渐下降，颜色值a、b愈加发黄、发红，体现出双孢蘑菇的颜色值随着振动时间的变化而变化。与蘑菇亮度L变化趋势相反，褐变度持续升高，这可能是因为振动处理加剧膜脂过氧化作用，细胞膜透性升高，导致细胞膜结构破坏，使酚类物质与褐变相关酶广泛接触并反应，从而加剧了褐变的发生。综上所述，说明振动胁迫会加速双孢蘑菇白度值下降和褐变。2、双孢蘑菇光谱特征图3为不同振动时间双孢蘑菇平均光谱曲线，可以看出，原光谱数据在400～450 nm和900～1 000 nm波段范围内存在较大噪声，为了保证后续模型的分类正确率，选择450～900 nm范围内的光谱数据进行后续研究。不同振动时间蘑菇平均反射率光谱曲线显著不同，振动120 s的平均光谱反射率最低，完好无损的最高，表明光谱反射率与L值有关，L值越大，蘑菇表面越明亮，光谱反射率越大，即随着褐变度的增加，双孢蘑菇反射率下降明显。进一步分析，光谱在450～750 nm波段不同损伤程度的双孢蘑菇反射率差异明显。3、光谱数据预处理为了提高光谱数据的信噪比，分别采用SNV、SG以及MSC对原光谱进行处理，原光谱曲线以及3种方法处理后光谱曲线（取3种样本各10个光谱数据）如图4所示。从表2可以看出，经过不同预处理方法后，分类模型的效果有很大差异，其中SG预处理后的建模效果最好，训练集和测试集分类正确率分别达到91.11%和84.44%，因此后续研究均采用SG平滑方法处理实验数据。4、特征提取特征波长提取采用SPA提取特征波长个数与RMSECV对应关系如图5a所示，可见选择的特征波长个数为5时，RMSECV值最小为0.191。最终提取出的5个特征波长依次为465、495、512、540、616 nm，如图5b所示。特征波长主要集中在500～650 nm之间，主要是由于该波段范围对应可见光谱的黄色及黄绿色，振动胁迫导致双孢蘑菇表面颜色逐渐变黄，因此随着褐变度增加光谱反射率呈下降趋势。从图6可以看出，CARS在第59次采样时，获得的变量子集建立的PLS模型RMSECV最小，因此，该子集定为关键变量子集，共包含8个变量。提取的特征波长依次为451、475、484、492、518、545、655、798 nm。与SPA相似，CARS提取的特征波长主要集中在500～650 nm附近范围内，除此之外，798 nm波段主要与蘑菇水分含量有关，由于蘑菇受振动胁迫时间较短，因此水分变化并不明显。纹理特征提取如图7所示，因此本研究采用500 nm波段下的灰度图作为特征图像进行感兴趣区域提取。从180个双孢蘑菇样本灰度图中提取240×240大小感兴趣区域图像作为纹理图像，根据纹理特征参数提取方法提取纹理特征值。5、损伤识别模型基于光谱特征的判别模型从表3可以看出，3种识别模型对完好无损、振动60 s、振动120 s的双孢蘑菇识别效果存在较大差异。从3种模型的检测结果看，在训练集和测试集中，SPA提取特征波长效果均优于CARS，可能是由于CARS特征提取算法选择的波长与双孢蘑菇振动损伤相关性较小，而SPA对于消除原始光谱中的冗余信息效果更为突出。此外，SPA-PLS-DA分类识别率最高，训练集和测试集的平均识别率分别为93.33%和91.11%，SPA-BP模型识别率次之，训练集和测试集平均识别率分别为91.11%和88.89%，可能是因为BP神经网络在训练时神经元反向传递学习过程中，易陷入局部最优解。ELM识别模型分类效果差于PLS-DA和BP，训练集和测试集平均识别率分别为82.96%和71.11%，原因可能是ELM模型权重和偏置在后续训练中不进行更新，使其陷入局部最小值，无法获得最优解。基于纹理特征的判别模型从表4可知，与光谱特征判别模型一致，基于纹理特征判别模型的准确率高低依次为PLS-DA、BP和ELM。PLS-DA识别模型在训练集和测试集中，完好无损双孢蘑菇识别正确率均在90%以上，振动60 s类型、振动120 s类型双孢蘑菇识别正确率均低于90%；BP判别模型的分类效果不理想，训练集和测试集中，3 类双孢蘑菇识别正确率均在90%以下，尤其是测试集中，振动60 s双孢蘑菇识别正确率为53.33%。ELM判别模型平均分类正确率最低，训练集和测试集中仅有振动120 s类型双孢蘑菇识别正确率在80%以上。以上建模结果表明单从外部纹理特征建模并不能准确表达蘑菇的内部信息，识别效果不理想。基于光谱-纹理特征融合的判别模型从表5可以看出，训练集的3种不同损伤程度的双孢蘑菇识别正确率均为97.78%，测试集的完好无损类型和振动120 s类型的双孢蘑菇识别正确率为100%，振动60 s类型识别正确率为86.67%，总体识别率为95.56%。从图8可以看出，测试集的振动60 s出现了识别错误的情况，振动60 s被识别成振动120 s和完好无损类型各1个，识别错误的原因可能是振动60 s类型的部分样本与之相邻两类样本的纹理特征差异较小，且光谱特征区分不够明显，导致测试集发生误判的情况。结 论分析并比较SG、MSC和SNV作为高光谱数据预处理方法的建模效果，确定SG为预处理最佳方法。将处理后的数据采用SPA、CARS方法提取特征波长。基于特征波长下的光谱数据以及全波段光谱数据建立PLS-DA、BP神经网络以及ELM分类模型，最终确定SPA-PLS-DA模型分类效果最好，训练集和测试集总体识别率分别为93.33%、91.11%。利用灰度共生矩阵提取500 nm波段下双孢蘑菇纹理特征参数16个，基于特征值建立双孢蘑菇图像信息的PLS-DA、BP神经网络以及ELM分类模型，通过分析实验结果，确定PLS-DA为最佳分类模型，其中训练集和测试集总体识别率分别为88.89%、86.67%。相比光谱建模效果稍差。融合光谱特征和图像特征，建立PLS-DA双孢蘑菇分类模型，训练集和测试集总体识别率分别为97.78%和95.56%。预测效果优于单一信息建立的判别模型。结果表明，采用光谱-图像融合信息建模可以提高双孢蘑菇损伤程度检测精度。