由甜菜尾孢菌引起的甜菜褐斑病是甜菜作物中最具破壞性的葉面疾病之一，會(huì)使甜菜的產(chǎn)糖率大幅減少，其爆發(fā)的嚴(yán)重與否依賴于天氣條件。在溫暖、多雨以及濕熱的條件下，真菌孢子會(huì)侵染葉片并造成許多毫米級(jí)別大小的褐色斑點(diǎn)。隨后，這些壞死的斑點(diǎn)會(huì)逐漸擴(kuò)張并相互結(jié)合，最終導(dǎo)致葉片干枯脫落。盡管噴灑殺真菌劑能夠有效控制褐斑病的發(fā)展進(jìn)程，但由于殺真菌劑對環(huán)境存在不利影響且價(jià)格高昂，過量噴灑還會(huì)導(dǎo)致真菌產(chǎn)生耐藥性，因此很有必要減少殺真菌劑使用量。

就品種選擇和精準(zhǔn)農(nóng)業(yè)而言，褐斑病癥狀通常由專家目視評估，基于1級(jí)（健康冠層）到9級(jí)（冠層完全壞死）九個(gè)等級(jí)進(jìn)行評估。由于準(zhǔn)確度好、實(shí)施容易，目視評估常常作為標(biāo)準(zhǔn)評估方法。然而由于測量中的主觀性，目視評估可能會(huì)在不同專家之間以及不同評估次數(shù)上存在一些細(xì)微的差異。一個(gè)合適的病害等級(jí)評估方法應(yīng)足夠準(zhǔn)確且能夠復(fù)現(xiàn)，目前已有一些其它的評估方法比目視評估更精確，但仍然是勞動(dòng)密集型的，遠(yuǎn)未達(dá)到進(jìn)行常規(guī)褐斑病等級(jí)評估的高通量要求。

另外，使用傳感器測量可以對目視評估病害癥狀進(jìn)行補(bǔ)充。例如最近愈發(fā)受到關(guān)注的光譜評估，使用反射率測量進(jìn)行病害檢測的有效與否取決于相關(guān)光譜特征的識(shí)別，具體特征由所檢測的目標(biāo)疾病決定�；�于圖像的疾病癥狀評估是基于光譜評估的有效替代方案，使用可見光圖像不但可以基于顏色識(shí)別壞死斑點(diǎn)，還可以在空間分辨率足夠精細(xì)的情況下表征出斑點(diǎn)的大小、形狀和數(shù)量，從而給病害分級(jí)提供關(guān)鍵信息。

為了搭載上述的傳感器，無人機(jī)(UAV)和無人車(UGV)之類的搭載平臺(tái)已能夠滿足育種學(xué)家的高通量要求。這兩種平臺(tái)都有其各自的優(yōu)缺點(diǎn)：無人機(jī)成本較低，通量很高，但對光照和風(fēng)況不夠敏感；相反，無人車可以攜帶有源傳感器，使得傳感器的測量完全獨(dú)立于照明條件，但代價(jià)是較低的通量以及對土壤條件不敏感。

近日，Plant Phenomics在線發(fā)表了法國國家農(nóng)業(yè)食品與環(huán)境研究院(French National Institute for Agriculture, Food, and Environment (INRAE)) Sylvain Jay等人的題為Scoring Cercospora Leaf Spot on Sugar Beet: Comparison of UGV and UAV Phenotyping Systems的研究論文。

該論文對比使用了在被動(dòng)照明條件下使用無人機(jī)平臺(tái)獲取的厘米級(jí)分辨率多光譜圖像，以及在主動(dòng)照明條件下使用無人車平臺(tái)(Fig.3)獲取的亞毫米級(jí)分辨率可見光圖像(Fig.4)，在甜菜田間表型試驗(yàn)中對褐斑病病害等級(jí)進(jìn)行評估。文章詳細(xì)描述了試驗(yàn)規(guī)劃(Fig.1, 2)、數(shù)據(jù)采集和數(shù)據(jù)估計(jì)方法，展示了數(shù)據(jù)分析的最終結(jié)果(Fig.5)，所采集的可見光圖像數(shù)據(jù)能夠很好地代表田間的實(shí)際情況，且所用方法在多數(shù)情況下與用于對照的目視評估結(jié)果有很好的符合度。

利用該文章所述方法，將有望完全取代人工進(jìn)行高通量褐斑病病害等級(jí)評估，提高甜菜育種效率，并實(shí)現(xiàn)更加精準(zhǔn)、高效的抗真菌劑施用。

Fig.1 Microplot experiments as observed from the UAV and conducted in 2016.

Fig.2 Sampling dates for visual scoring (green circles), UAV (orange squares), and Phenomobile UGV (purple diamonds) measurements, for 2016 (left) and 2017 (right).

Fig.3 The Phenomobile system: schematic diagram (a) and measurement head (b).

Fig.4 On the left, original RGB image acquired with the Phenomobile using the four flashes. On the right, results of image processing after SVM classification and morphological operations on the areas delimited in red on the original image.

Fig.5 Variability of Phenomobile-derived GF (left), SD (middle), and SS (right) per image (y-axis) versus their averages per microplot (x-axis).

論文鏈接
https://spj.sciencemag.org/journals/plantphenomics/2020/9452123/

——推薦閱讀——
Monitoring Maize Lodging Grades via Unmanned Aerial Vehicle Multispectral Imagehttps://spj.sciencemag.org/plantphenomics/2019/5704154/
Plant Phenomics | 基于無人機(jī)多光譜影像的玉米倒伏等級(jí)監(jiān)測
Easy MPE: Extraction of Quality Microplot Images for UAV-Based High-Throughput Field Phenotyping
https://spj.sciencemag.org/journals/plantphenomics/2019/2591849/
Plant Phenomics | Easy MPE：基于無人機(jī)高通量表型技術(shù)提取高質(zhì)量田間小區(qū)圖像

About Plant Phenomics
《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被CABI、CNKI和DOAJ數(shù)據(jù)庫收錄。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：王棟（實(shí)習(xí)）
編輯：周燦彧（實(shí)習(xí)）、鞠笑、孔敏
審核：尹歡