大豆短柔毛的準確測定對植物育種計劃和品種登記至關重要。目前,大豆短柔毛是通過視覺分類的,這是一項勞動密集型和耗時的活動。此外,三類表型(黃褐色、淺黃褐色和灰色)可能難以從視覺上區(qū)分,尤其是經常出現(xiàn)黃褐色錯誤分類的淺黃褐色類別。本研究的目的是解決植物育種工作流程中的吞吐量和準確性問題,開發(fā)一套區(qū)分短柔毛類別的指標,并測試機器學習(ML)分類方法。
2019年10月15日,在加拿大安大略省圭爾夫市圭爾夫大學埃洛拉研究站,收獲成熟時(R8)大豆地塊(參考試驗)的真彩色航拍圖,顯示了短柔毛顏色的變化。G灰色短柔毛;LT淺黃褐色的短柔毛;T黃褐色的短柔毛。
對高光譜大豆地塊數(shù)據(jù)進行的主成分分析(PCA)確定了與短柔毛類別相關的聚類,而Jeffries-Matusita距離分析表明,所有波段對于短柔毛類別的可分性都很重要。本研究分析了2018年、2019年和2020年的航空影像。使用已知有短柔毛的基因型的60圖試驗(2019年)作為參考數(shù)據(jù),同時使用2018年、2019年和2020年的整場圖像來檢驗分類方法的廣泛適用性。在高分辨率圖像中,紅/藍比值和藍色歸一化差異植被指數(shù)(藍色NDVI)這兩個指數(shù)可有效區(qū)分黃褐色和灰色短柔毛類型。
60 個大豆地塊的平均光譜指數(shù)值(a)藍色 NDVI、(b)藍色 NDVI 偽彩色圖、(c)紅色/藍色指數(shù)和(d)紅色/藍色偽彩色圖。 所有組彼此之間存在顯著差異(ANOVA,p<0.05,Tukey 比較)。
使用支持向量機 (SVM) 徑向基函數(shù) (RBF) 分類器的 ML 方法能夠在存在參考訓練數(shù)據(jù)的圖像上區(qū)分灰色和黃褐色類型(83.1%的準確度和基于像素)。測試的指數(shù)和ML模型多年來沒有推廣到不包含參考訓練面板的圖像,這表明在某些環(huán)境條件下使用航空圖像進行短柔毛分類的局限性。使用航空圖像可以對灰色和黃褐色的短柔毛類型進行高通量分類,但是淺黃褐色的大豆仍然很難分類,可能需要每個田間季節(jié)的訓練數(shù)據(jù)。
機器學習分類結果來自參考測試2019圖像60-地塊短柔毛測試,使用支持向量機和徑向基函數(shù)在脫字符號包中r .(a)2019年來自埃洛拉研究站的三個大豆地塊。顯示用于分類的剩余植物像素的土壤去除掩模。(c)ML算法中的分類像素,圖輪廓顯示了圖的真實短柔毛。(d)按類別劃分的最大似然輸出中60個短柔毛圖的像素計數(shù)。(e)按繪圖像素多數(shù)劃分的60個繪圖的短柔毛試驗結果的混淆矩陣。
來源:Plant Phenomics.Classification of Soybean Pubescence from Multispectral Aerial Imagery.Robert W. Bruce , Istvan Rajcan , and John Sulik
https://spj.sciencemag.org/journals/plantphenomics/2021/9806201/