Genotype-Aware Prediction of Soybean Seed Composition from Multimodal UAV Imagery of the Standing Crop
Vasit Sagan · Kristen Rhodes · Sourav Bhadra 等 9 人
用无人机多模态影像与基因型数据训练CNN，预测大豆八种种子成分。
372份大豆样本，多光谱/热红外/LiDAR影像加基因型与播后天数，端到端CNN
蔗糖预测最优(R²=0.80)，基因型与播期提升精度，多光谱最稳健。
可探索基因型-表型-环境交互建模，并迁移至其他作物与多时相早期预测。
基于多模态无人机影像与基因型信息的大豆籽粒成分无损预测研究，方法新颖、数据扎实，对智慧育种与精准农业有参考价值。
地理空间人工智能（GeoAI）将多模态遥感与深度学习相结合，以在大尺度上对复杂农业系统进行建模。在该框架下，对当季未收获作物进行准确且无损的种子成分预测，对于育种和精准农业至关重要。本研究开发了一种端到端的卷积神经网络（CNN）框架，利用基于无人机（UAV）的多传感器影像以及相关的基因型和物候元数据，估算八种种子性状（蛋白质、油分、蔗糖、纤维、淀粉、灰分、复杂碳水化合物和简单碳水化合物）。研究在2020—2021两个生长季内，从密苏里州两块田地共采集372份大豆样本，无人机飞行在从营养生长期到生殖生长期的四个时间点获取了多光谱（MSI）、热红外（THR）和激光雷达（LDR）数据。CNN模型以单日期和多日期配置进行训练，并将基因型（GEN）和播种后天数（DAS）作为附加特征纳入。蔗糖的估算精度最高（R² = 0.80），其次为简单碳水化合物（R² = 0.70）和淀粉（R² = 0.55），且GEN和DAS的加入带来了显著提升。纳入早期采集数据的多日期模型往往与后期或全日期组合的表现相当，甚至更优。在各模态中，MSI提供了最稳健的估算结果，而LDR或THR的附加价值有限。与易受多重共线性影响的特征工程流程不同，这种从图像到性状的方法能够实现大豆种子成分的自动化、可扩展预测，用于当季田块尺度的评估。