不結(jié)球白菜生長發(fā)育過程中表型變化2017年8月，上海交通大學黃丹楓教授課題組在Scientific Reports上發(fā)表了結(jié)合表型技術和機器學習，完成對溫室小白菜根區(qū)水分狀態(tài)模型建立與驗證的科研文章：Discrimination of plant root zone water status in greenhouse production based on phenotyping and machine learning techniques。AgriPheno平臺的溫室型高通量表型系統(tǒng)Greenhouse scanalyzer systems支持到該研究。
大家都知道植物對水分脅迫的感知可以為溫室精密灌溉系統(tǒng)提供敏感及直接的參考。然而，植物信息的獲取、闡釋和系統(tǒng)應用仍然不足。黃丹楓教授課題組通過整合表型和機器學習技術，研究并開發(fā)出溫室植物根系水分狀況的辨別方法。他們以小白菜作為研究對象，對小白菜進行不同梯度相對含水量處理：40％，60％和80％。使用隨機森林（Random Forest ,RF），神經(jīng)網(wǎng)絡（Neural Network ,NN）和支持向量機（Support Vector Machine ,SVM）三種分類模型，在不同情況下進行了開發(fā)和驗證，總體精度均達到90％以上。結(jié)果顯示：SVM模型的價值最高，但訓練時間最長。在所有情況下，所有模型的精度均超過85％，在RF模型中觀察到更穩(wěn)定的性能。由前五大貢獻特征開發(fā)的簡化SVM模型的精度降低最大，為29.5％，而簡化的RF和NN模型仍保持約80％。對于實際應用情況，應在模型選擇中綜合考慮運行成本、精度要求和系統(tǒng)反應時間等因素。黃丹楓教授課題組的工作表明，通過表型和機器學習技術，可以區(qū)分植物根系水分狀況，進而達到實施精確灌溉管理的最終目的。
黃丹楓教授課題組利用AgriPheno平臺的溫室型高通量表型系統(tǒng)Greenhouse scanalyzer systems（LemnaTec， Germany）進行小白菜圖像采集與處理。20天生長期分為五個階段：1期，2期，3期，4期和5期，每個階段四天。每株小白菜同時采集近紅外（NIR）和可見光（VIS）兩種類型圖像。采集的圖像被傳送到表型系統(tǒng)的中央數(shù)據(jù)庫LemnaBase中，通過表型系統(tǒng)圖像分析軟件LemnaGrid進行小白菜表型的專門處理。LemnaGrid圖像處理的四個主要步驟：（1）圖像預處理，從LemnaBase提取目標圖像; （2）分割目標植物與圖像背景; （3）特征提取，分析分割結(jié)果和產(chǎn)生表型性狀; （4）后處理，總結(jié)所有目標圖像的特征提取結(jié)果，并導出為“.xls”文件。
不同生長階段小白菜的表型分析
圖形圖像處理流程
黃丹楓教授課題組重點關注NIR近紅外成像下的相對含水量分布、可見光成像下的形態(tài)特征和顏色特征（具體參數(shù)指標敬請閱讀文獻原文）。為了提高建模的效率，黃丹楓教授團隊利用ANOVA檢測方法，剔除37個表型指標中的冗余指標，選取Normsmallpax（二次矩軸最小歸一化指數(shù)）、Circumference（周長）、Roundness（圓度）、Bdrycount（邊界點數(shù)目）、Bdrytoarearatio（邊界點數(shù)目與面積的比值）等5個在根區(qū)水分狀態(tài)上具有顯著性差異的參數(shù)完成模型建立與驗證的工作。
全文閱讀
Doudou Guo, Jiaxiang Juan, Liying Chang, Jingjin Zhang, Danfeng Huang. Discrimination of plant root zone water status in greenhouse production based on phenotyping and machine learning techniques. Sci Rep. 2017; 7: 8303.
人物介紹
黃丹楓教授研究方向主要為設施園藝技術以及蔬菜生理生態(tài)?，F(xiàn)為上海交大現(xiàn)代農(nóng)業(yè)與生物工程中心主任，還曾擔任上海交大農(nóng)業(yè)與生物學院副院長等職務。2006.05-2005.05，作為訪問教授在荷蘭瓦格寧根大學交流學習。作為第一完成人的項目《工廠化育苗關鍵技術創(chuàng)新集成與產(chǎn)業(yè)化示范》曾獲上海市科技進步一等獎。主持過國家863，上海市科委等多個項目。