Повышение урожайности сои с помощью высокопроизводительного фенотипирования с БПЛА и динамического моделирования

Сою, ценную как масличную и зерновую культуру, ограничивает более низкая урожайность по сравнению с кукурузой и рисом, что подчеркивает необходимость выведения более урожайных сортов.

Однако связь между ранним развитием полога сои и итоговой урожайностью изучена недостаточно. Хотя высокопроизводительный фенотипирование, особенно с использованием БПЛА, повысило эффективность мониторинга, оно сталкивается с проблемами точности анализа данных, в частности сегментации изображений.

В журнале Plant Phenomics опубликовано исследование "Time-Series Field Phenotyping of Soybean Growth Analysis by Combining Multimodal Deep Learning and Dynamic Modelling".

В этой работе оценивалась эффективность модели RIFSeg-Net для сегментации полога сои. Это мультимодальная модель глубокого обучения, специально созданная для анализа мультиспектральных фенотипических данных с БПЛА.

Исследование включало:

• Сравнение точности с известными моделями (FCN, UNet, SegNet).
• Анализ архитектур ResNet в качестве основы для RIFSeg-Net, который показал превосходную точность с ResNet-50.

Далее с помощью ресурсоемкой модели SAM были сегментированы отдельные листья сои для классификации 200 сортов на четыре группы по коэффициенту формы листа. К этим группам применили динамическое моделирование, извлекая пять фенотипических параметров для изучения динамики развития полога. Были выявлены значительные различия в покрытии пологом между подгруппами сои.

Использование БПЛА для сбора высокоточных данных по времени на протяжении репродуктивного цикла сои превосходит традиционный ручной фенотипирование, позволяя проводить крупномасштабные полевые эксперименты. Объединение мультимодальных данных значительно повышает точность сегментации, позволяя автоматически отслеживать динамику покрытия пологом.

Динамическое моделирование на основе S-образной функции роста устанавливает надежные параметры для характеристики генетических различий, подчеркивая решающую роль ранней силы роста для урожайности. Этот подход не только облегчает детальный фенотипический анализ, сфокусированный на ранней силе роста, но и помогает выявить образцы гермоплазмы сои с благоприятными признаками для селекции более продуктивных и устойчивых сортов.

В заключение, исследование демонстрирует потенциал сочетания фенотипирования с БПЛА, передового глубокого обучения и динамического моделирования для эффективного анализа широкого спектра генотипов сои, предоставляя ценную информацию для селекции высокоурожайных сортов.