农业机械学报

作者：张慧春，周子阳，边黎明，周磊，邹义萍，田野

单位：南京林业大学,南京林业大学,南方现代林业协同创新中心;南京林业大学,南京林业大学,南京林业大学;江苏青好景观园艺有限公司,南京林业大学,

关键词：杨树;干旱胁迫;卷积神经网络;植物表型;多源表型数据;多任务分类模型

基金：国家重点研发计划项目(2023YFE0123600)、国家自然科学基金项目(32171790、32171818)、江苏省农业科技自主创新资金项目(CX(23)3126)、江苏省333高层次人才培养工程项目和江苏省研究生科研与实践创新计划项目（SJCX24_0365)

目前关于不同杨树品种抗旱性的研究主要集中在利用传统测量方法获取形态结构和生理生化表型参数进而分析杨树的抗旱性，依据多源成像传感器提取的表型参数指标确定杨树干旱胁迫等级的方法较为少见。为了阐明杨树耐旱的表型机制、筛选抗旱性树种和明确杨树抗旱等级，本文以杨树不同性别的喜水和耐旱品种为研究对象，在杨树苗期进行梯度干旱胁迫处理，通过热红外以及RGB多源成像传感器获取杨树冠层温度参数与颜色植被指数表型数据，并建立基于1DCNN的多任务分类模型划分杨树苗期品种抗旱等级与干旱胁迫等级等2个分类任务，探究杨树性别与生长时间对杨树干旱胁迫响应机制的影响。结果表明，以27组数据变量降维后的4个特征作为模型变量，与传统机器学习算法SVM、RF、XGBoost相比，本文提出的1DCNN多任务分类模型在杨树品种抗旱等级分类与单株干旱胁迫等级分类2个任务中的模型分类精度皆达到最优，分类准确率分别为81.8%和62.3%；引入杨树的性别和生长时间后共6个特征作为模型的输入变量后，杨树苗期品种抗旱等级与干旱胁迫等级的分类精度显著提高，1DCNN多任务分类模型在2个分类任务中的准确率分别达到93.5%与76.6%，模型分类准确率分别提高11.7个百分点与14.3个百分点。研究结果表明，通过热红外与RGB成像传感器获取多源表型数据，并建立1DCNN多任务分类模型对实现杨树干旱胁迫等级评估的可行性，同时表明杨树的性别和生长时间作为模型输入变量能够有效提升模型的分类精度，可为筛选杨树抗旱性品种提供新的思路与方法。

来源：2024年第9期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第9期