不結球白菜生長發育過程中表型變化2017年8月，上海交通(tong)大(da)學黃丹楓教授課題組在Scientific Reports上發表(biao)了結(jie)合表(biao)型(xing)技(ji)術(shu)和機器學習，完成對溫室小白菜(cai)根(gen)區水分狀態模型(xing)建立與驗證的科研文章(zhang)：Discrimination of plant root zone water status in greenhouse production based on phenotyping and machine learning techniques。AgriPheno平臺(tai)的溫室型(xing)高通(tong)量(liang)表(biao)型(xing)系統Greenhouse scanalyzer systems支持到該研究。
大家都知道植(zhi)物對(dui)(dui)水分脅迫的(de)(de)(de)(de)(de)感(gan)知可以為(wei)溫室(shi)精(jing)密灌溉(gai)系統(tong)提供(gong)敏感(gan)及直接的(de)(de)(de)(de)(de)參考(kao)。然而，植(zhi)物信息的(de)(de)(de)(de)(de)獲(huo)取、闡釋和系統(tong)應(ying)用仍然不足。黃(huang)丹楓教(jiao)授(shou)課(ke)題組通過整合(he)表型(xing)(xing)和機(ji)器學(xue)(xue)習(xi)(xi)技術(shu)，研究并開(kai)發出溫室(shi)植(zhi)物根系水分狀況的(de)(de)(de)(de)(de)辨(bian)別(bie)方法。他們以小(xiao)白菜(cai)(cai)作為(wei)研究對(dui)(dui)象，對(dui)(dui)小(xiao)白菜(cai)(cai)進行不同梯度(du)相對(dui)(dui)含(han)水量處(chu)理：40％，60％和80％。使用隨機(ji)森林（Random Forest ,RF），神經網(wang)絡（Neural Network ,NN）和支持向量機(ji)（Support Vector Machine ,SVM）三種分類模(mo)(mo)(mo)(mo)型(xing)(xing)，在(zai)(zai)不同情況下(xia)進行了(le)開(kai)發和驗證，總體(ti)精(jing)度(du)均(jun)達到(dao)90％以上。結(jie)果(guo)顯(xian)示：SVM模(mo)(mo)(mo)(mo)型(xing)(xing)的(de)(de)(de)(de)(de)價(jia)值最(zui)高，但訓練時間最(zui)長。在(zai)(zai)所(suo)有情況下(xia)，所(suo)有模(mo)(mo)(mo)(mo)型(xing)(xing)的(de)(de)(de)(de)(de)精(jing)度(du)均(jun)超(chao)過85％，在(zai)(zai)RF模(mo)(mo)(mo)(mo)型(xing)(xing)中(zhong)觀察到(dao)更穩定的(de)(de)(de)(de)(de)性能(neng)。由前五(wu)大貢(gong)獻特征(zheng)開(kai)發的(de)(de)(de)(de)(de)簡化SVM模(mo)(mo)(mo)(mo)型(xing)(xing)的(de)(de)(de)(de)(de)精(jing)度(du)降低最(zui)大，為(wei)29.5％，而簡化的(de)(de)(de)(de)(de)RF和NN模(mo)(mo)(mo)(mo)型(xing)(xing)仍保持約80％。對(dui)(dui)于(yu)實際應(ying)用情況，應(ying)在(zai)(zai)模(mo)(mo)(mo)(mo)型(xing)(xing)選擇中(zhong)綜合(he)考(kao)慮運(yun)行成本(ben)、精(jing)度(du)要求(qiu)和系統(tong)反應(ying)時間等因素。黃(huang)丹楓教(jiao)授(shou)課(ke)題組的(de)(de)(de)(de)(de)工作表明，通過表型(xing)(xing)和機(ji)器學(xue)(xue)習(xi)(xi)技術(shu)，可以區分植(zhi)物根系水分狀況，進而達到(dao)實施精(jing)確灌溉(gai)管理的(de)(de)(de)(de)(de)最(zui)終目的(de)(de)(de)(de)(de)。
黃丹楓教授課題組利用AgriPheno平臺的溫室型高通量表型系統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的中央數據庫LemnaBase中，通過表型系統圖像分析軟件LemnaGrid進行小白菜表型的專門處理。LemnaGrid圖像處理的(de)四個主要步驟：（1）圖像預(yu)處理，從LemnaBase提(ti)取目標(biao)圖像; （2）分割目標植物與圖像背景; （3）特征提取，分析分割結果和產生表型性狀; （4）后處理，總結所有目標圖像的特征提取結果，并導出為“.xls”文件。
不同生長階段小白菜的(de)表型分(fen)析
圖形(xing)圖像處理流程
AgriPheno平臺的溫室(shi)型高(gao)通量(liang)表型系統
黃(huang)(huang)丹楓教(jiao)(jiao)授(shou)課題組重點(dian)關注NIR近紅外成像下的(de)(de)相對含(han)水(shui)量分布、可(ke)見(jian)光成像下的(de)(de)形態(tai)特(te)征和顏色特(te)征（具(ju)體(ti)參(can)數指(zhi)標敬請閱(yue)讀(du)文獻原文）。為了提高建模(mo)的(de)(de)效率，黃(huang)(huang)丹楓教(jiao)(jiao)授(shou)團隊利用ANOVA檢測方法，剔除37個(ge)表型(xing)(xing)指(zhi)標中的(de)(de)冗余指(zhi)標，選取Normsmallpax（二次矩軸最小歸一化指(zhi)數）、Circumference（周長）、Roundness（圓(yuan)度）、Bdrycount（邊界點(dian)數目）、Bdrytoarearatio（邊界點(dian)數目與面積(ji)的(de)(de)比值）等5個(ge)在(zai)根區水(shui)分狀(zhuang)態(tai)上具(ju)有顯著(zhu)性差(cha)異的(de)(de)參(can)數完成模(mo)型(xing)(xing)建立(li)與驗證的(de)(de)工作。
全文閱讀
Doudou Guo, Jiaxiang Juan, Liying Chang, Jingjin Zhang, Danfeng Huang. . Sci Rep. 2017; 7: 8303.
人物介紹
黃丹楓教授(shou)(shou)研究(jiu)方(fang)向主要為(wei)設施園(yuan)藝技(ji)術(shu)以及蔬菜生(sheng)理生(sheng)態。現(xian)為(wei)上海交大(da)現(xian)代農業與生(sheng)物(wu)工程中心主任，還曾擔任上海交大(da)農業與生(sheng)物(wu)學院副院長等(deng)職務。2006.05-2005.05，作為(wei)訪問教授(shou)(shou)在荷蘭(lan)瓦格寧(ning)根大(da)學交流學習。作為(wei)第一完成人(ren)的項目《工廠(chang)化(hua)育苗(miao)關鍵技(ji)術(shu)創新集成與產業化(hua)示范》曾獲(huo)上海市科(ke)技(ji)進步一等(deng)獎。主持過(guo)國家(jia)863，上海市科(ke)委等(deng)多個項目。