作为重要的双子叶作物，大豆冠层的形成速度在很大程度上决定了其对光周期的敏感性，进而影响大豆的产量潜力。因此，监测不同基因型大豆的早期活力和冠层发育对于了解大豆产量和品质至关重要。然而，在大规模田间育种试验中评估大豆冠层发育速度既费力又费时。因此，本研究提出利用无人机系统(UAV)的高通量表型分析方法监测和定量描述不同基因型大豆冠层的发育情况。
近日，中国科学院东北地理与农业生态研究所冯献忠团队从中国东北地区收集了200份代表性大豆品种，并利用无人机飞行系统采集了表型数据。为了克服高通量表型研究中遇到的挑战，设计了一个专门用于大豆田间冠层分割的多模态深度学习模型——RIFSeg-Net，并利用红外信息提高无人机拍摄的RGB图像中大豆冠层的分割精度。通过动态建模，利用时间序列无人机图像数据提取并构建了与冠层发育动态相关的五个表型参数。该方法展示了典型的无人机高通量表型解21析过程，提出了对大豆生长模式和动态监测的见解，并成功应用于田间大规模种质资源鉴定，为培育高产大豆品种提供了强有力的工具。
图1. 提出的多模态深度学习模型框架
研究成果近期发表在国际期刊Plant Phenomics上(IF=6.5)。该研究由中国科学院东北地理与农业生态研究所、之江实验室、延边大学共同完成。中国科学院东北地理与农业生态研究所于慧助理研究员为论文第一作者，冯献忠研究员为论文通讯作者。相关工作得到国家自然科学基金、之江实验室、海南崖州湾种子实验室、吉林省自然科学基金项目的资助。
