面向植物抗旱性研究的多源表型信息采集和分析技術(shù)

張慧春 楊琨琪 李楊先 邊黎明 郝明灼

(1.南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院， 南京 210037； 2.南京林業(yè)大學(xué)林學(xué)院， 南京 210037； 3.南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心， 南京 210037)

0 引言

干旱是全球最普遍和最嚴(yán)重的自然災(zāi)害，全球每年因干旱造成經(jīng)濟(jì)損失達(dá)80億美元，遠(yuǎn)超其他氣象災(zāi)害[1]。近些年，全球氣溫不斷上升，各地區(qū)水資源逐漸匱乏，嚴(yán)重影響植物的生長(zhǎng)和產(chǎn)量。干旱環(huán)境中，植物自身進(jìn)化出一系列自我保護(hù)和適應(yīng)與抵制不利環(huán)境脅迫的機(jī)制，其表型特征會(huì)發(fā)生顯著改變，來(lái)盡可能降低逆境環(huán)境對(duì)其生長(zhǎng)發(fā)育的影響[2-5]，例如，植物可通過(guò)降低株高來(lái)縮短地下水分到達(dá)地上部分的距離，有利于水分的上下傳輸?shù)萚6]。表型是指受基因和環(huán)境決定或影響的復(fù)雜植物性狀，包括生長(zhǎng)、發(fā)育、耐性、抗性、生理、結(jié)構(gòu)、產(chǎn)量等。可測(cè)量的表型參數(shù)分為形態(tài)結(jié)構(gòu)表型參數(shù)和生理生化表型參數(shù)，其中形態(tài)結(jié)構(gòu)參數(shù)包括植物高度、葉形態(tài)、根形態(tài)、生物量、果實(shí)特征；生理表型參數(shù)包括葉片水分利用率、葉綠素、細(xì)胞膜透性、光合速率等[7-11]。因此，研究植物在干旱脅迫下的表型變化，解析植物對(duì)不同環(huán)境變化的適應(yīng)機(jī)制，將會(huì)有助于在應(yīng)對(duì)全球氣候變化時(shí)培育耐旱品種，對(duì)保障農(nóng)林可持續(xù)發(fā)展具有重要意義。

植物生長(zhǎng)過(guò)程中受多種因素共同作用，因此干旱等逆境造成的植物表型性狀體現(xiàn)出復(fù)雜性。盡可能多的獲取植物的表型參數(shù)有助于實(shí)時(shí)了解植物在干旱脅迫下的長(zhǎng)勢(shì)，從而對(duì)植物的生長(zhǎng)發(fā)育進(jìn)行指導(dǎo)管理。隨著圖像處理技術(shù)的迅速發(fā)展,表型圖像采集的方法種類也愈來(lái)愈多，成像傳感器的應(yīng)用越來(lái)越廣泛。每種成像方式都從植物獲取某些信息，不同的成像方法可以提供同一植物不同方面的信息[12]。植物具有特殊的變異性、隨機(jī)性和復(fù)雜性，它的生長(zhǎng)發(fā)育、生理生化變化都受到各種因素影響，完整而豐富的植物表型信息無(wú)法依賴某一個(gè)傳感器來(lái)獲取，單獨(dú)從某一種圖像中也無(wú)法得到全面的表型信息。在植物表型研究中通過(guò)多個(gè)傳感器的協(xié)同來(lái)獲取多源表型信息，并采用一定的數(shù)據(jù)關(guān)聯(lián)性分析，可以得到植物的形態(tài)表型參數(shù)及生理參數(shù)。因此，構(gòu)建表型信息采集平臺(tái)，使用多個(gè)傳感器采集同一目標(biāo)植物的信息，經(jīng)過(guò)適當(dāng)處理，將采集的多源表型信息關(guān)聯(lián)分析、綜合互補(bǔ)，是獲取準(zhǔn)確客觀的植物表型信息的有效方法。

簸箕柳(SalixsuchowensisCheng)是楊柳科柳屬植物，基因組大小為356 Mb，具有易繁殖、速生豐產(chǎn)和輪伐期短等特點(diǎn)，是重要的生物質(zhì)能源和造林用材樹種[13]。本文以模式樹種楊樹的姐妹屬植物簸箕柳苗木為研究對(duì)象，構(gòu)建一套多源信息采集系統(tǒng)，對(duì)獲取到的表型信息進(jìn)行關(guān)聯(lián)分析，實(shí)時(shí)、連續(xù)監(jiān)測(cè)簸箕柳苗木的生長(zhǎng)狀況，指導(dǎo)抗性育種中水分的施用和抗旱基因型的快速篩選，以期為簸箕柳苗木的抗旱性表型指標(biāo)篩選提供研究平臺(tái)和技術(shù)支撐[14-15]。

1 材料與方法

1.1 供試材料

供試材料選取直徑(4±0.2) mm、高度(12±0.3) cm的40段簸箕柳枝條進(jìn)行扦插式種植，以南京林業(yè)大學(xué)林區(qū)有機(jī)土壤為基質(zhì)，放入花盆(直徑10 cm，高11.5 cm)中，并置于人工氣候箱(RXZ型，寧波江南制造廠)中培養(yǎng)，人工氣候箱的環(huán)境參數(shù)設(shè)置如下：相對(duì)濕度65%、溫度28℃、光照強(qiáng)度278 μmol/m2、晝夜時(shí)間比16∶8。扦插種植第12天，將長(zhǎng)勢(shì)相同的簸箕柳分為2組，每組20株。其中一組20株進(jìn)行正常施水處理，另一組20株進(jìn)行干旱脅迫處理。正常施水處理組，通過(guò)水分控制模塊與稱量模塊，保持每盆總質(zhì)量為950 g。干旱脅迫處理試驗(yàn)分2個(gè)階段進(jìn)行，第1階段是從第26天開始到第42天結(jié)束，每4 d隨機(jī)選取2株進(jìn)行破壞性取樣，第26天第1次取樣測(cè)量，16 d共記錄5次，共計(jì)10株，每次將取樣得到的植株立即稱量以獲得植株鮮質(zhì)量(Fresh weight，F(xiàn)W)，之后將該植株置于70℃的電熱恒溫鼓風(fēng)干燥箱(DHG-9101-2SA型)中保存24 h，稱量獲取植株干質(zhì)量(Dry weight，DW)。干旱脅迫試驗(yàn)第2階段是從扦插后第42天開始到第62天結(jié)束，剩余未進(jìn)行破壞性取樣的10株植物繼續(xù)在培養(yǎng)箱中生長(zhǎng)并每2 d進(jìn)行成像。這一階段不進(jìn)行破壞性取樣，直至試驗(yàn)結(jié)束。

1.2 多源表型信息采集平臺(tái)設(shè)計(jì)與圖像獲取

本文構(gòu)建的多源表型信息采集平臺(tái)由圖像采集模塊(GO-5000C-PGE型，分辨率2 560像素×2 048像素，LM8HC-SW定焦鏡頭)、熱成像儀(FLIR T460型，熱靈敏度小于0.03℃@+30℃)、自動(dòng)稱量模塊、水分精確控制模塊、光源及平臺(tái)框架組成，如圖1所示。其中平臺(tái)框架的尺寸為1 m×1 m×1.5 m，目標(biāo)植物位于平臺(tái)中心處。圖像采集模塊中2個(gè)垂直擺放的CCD 相機(jī)從不同角度采集植物形態(tài)結(jié)構(gòu)表型信息。熱成像儀用于獲取植物的冠層熱成像圖像。自動(dòng)稱量、水分精確控制模塊主要包括壓力傳感器、A/D轉(zhuǎn)換芯片、繼電器、電磁閥、水泵等器件。自動(dòng)稱量模塊獲取植株的質(zhì)量。水分精確控制模塊根據(jù)獲取的植株質(zhì)量信息與預(yù)先設(shè)定的質(zhì)量之間的差值來(lái)精確施加定量的水分。光源用于確保拍攝環(huán)境的穩(wěn)定可靠，盡量減少噪點(diǎn)對(duì)后期圖像處理的影響。

圖1 多源表型信息采集平臺(tái)Fig.1 Multi-source phenotypic information collection platforms1.水分精確控制模塊和自動(dòng)稱量模塊 2.圖像采集模塊 3.目標(biāo)植物 4.平臺(tái)框架 5.光源 6.熱成像儀

1.3 圖像處理算法

1.3.1彩色圖像處理算法

為了便于提取彩色圖像中植株信息，需要將彩色圖像中植株部分分割出來(lái)。目前較為成熟的目標(biāo)分割多采用圖像處理技術(shù)，該方法可以通過(guò)閾值分割算法實(shí)現(xiàn)前景和背景的分離，實(shí)現(xiàn)目標(biāo)識(shí)別，圖2為利用圖像處理技術(shù)檢測(cè)簸箕柳的流程圖。但是該方法受光照不均、反光或背景復(fù)雜等因素影響，存在最優(yōu)閾值求解困難、適應(yīng)性差、分割效率低下等缺點(diǎn)。

圖2 圖像處理算法分割簸箕柳效果Fig.2 Effect drawings of image processing algorithm segmentation of Salix suchowensis Cheng

針對(duì)傳統(tǒng)圖像處理技術(shù)存在的缺點(diǎn)，本文提出了一種新的自動(dòng)圖像分割算法，在對(duì)目標(biāo)圖像進(jìn)行自動(dòng)分割之前，基于目標(biāo)檢測(cè)算法YOLO v3(You only look once v3)對(duì)目標(biāo)區(qū)域進(jìn)行定位與識(shí)別[16-20]，定位與識(shí)別到圖像中植物與紅色標(biāo)定板區(qū)域并設(shè)置為感興趣區(qū)域(Region of interest，ROI)，再基于顏色信息分割出植物和紅色標(biāo)定板，圖3為利用YOLO v3檢測(cè)簸箕柳的方法示意圖。

考慮到簸箕柳葉片和莖的生長(zhǎng)具有隨機(jī)性，且深度學(xué)習(xí)算法需要大量的數(shù)據(jù)，本文使用CCD相機(jī)采集簸箕柳圖像共3 600幅，其中90%用于訓(xùn)練，10%用于測(cè)試。所有的訓(xùn)練和測(cè)試均在處理器為AMD Ryzen 7 2700，內(nèi)存16 GB，GPU為NVIDIA 1660Ti的臺(tái)式計(jì)算機(jī)上完成，并使用Tensorflow 1.6.0的深度學(xué)習(xí)框架進(jìn)行訓(xùn)練。使用基于動(dòng)量的隨機(jī)梯度下降法來(lái)訓(xùn)練數(shù)據(jù)，動(dòng)量設(shè)置為0.9，初始學(xué)習(xí)率設(shè)為0.001，共訓(xùn)練了200個(gè)周期(epoch)。模型在前15個(gè)epoch中迅速擬合，損失值快速減少，到達(dá)第100個(gè)epoch后逐漸穩(wěn)定。為了避免模型出現(xiàn)過(guò)擬合，本文選用第100個(gè)epoch的模型權(quán)值進(jìn)行試驗(yàn)。

圖3 利用YOLO v3檢測(cè)簸箕柳圖像方法示意圖Fig.3 Image method schematic of Salix suchowensis Cheng detected by YOLO v3

利用輸出的目標(biāo)檢測(cè)模型進(jìn)行試驗(yàn)，可以檢測(cè)到簸箕柳和紅色標(biāo)定板區(qū)域。設(shè)置圖中簸箕柳和紅色標(biāo)定板為感興趣區(qū)域，其中的紅色標(biāo)定板為了提取表型參數(shù)而設(shè)立[21]。為了便于提取圖像中的信息，通過(guò)2G/(R+B)和2R/(R+B)這2種色彩參數(shù)將2個(gè)感興趣區(qū)域轉(zhuǎn)換為單波段圖像[22]，并通過(guò)超綠色灰度算法對(duì)簸箕柳區(qū)域進(jìn)行灰度化處理。經(jīng)過(guò)超綠色灰度化處理后的圖像包含噪點(diǎn)，為獲取去噪后簸箕柳的精確圖像，本文采用了形態(tài)學(xué)操作中的開運(yùn)算對(duì)圖像進(jìn)行降噪處理。之后利用邊緣檢測(cè)算法對(duì)圖像中的簸箕柳邊緣提取、標(biāo)注和連通，從而獲取到簸箕柳的分割圖像。CCD相機(jī)采集的簸箕柳圖像分割過(guò)程及效果如圖4所示。

圖4 CCD相機(jī)采集的簸箕柳圖像分割過(guò)程示意圖Fig.4 Image segmentation processing diagrams of Salix suchowensis Cheng by CCD camera

對(duì)比使用傳統(tǒng)圖像處理算法與本文提出的自動(dòng)圖像分割算法對(duì)采集到的圖像中簸箕柳進(jìn)行分割的效果，如圖5所示。由圖5可知，基于傳統(tǒng)圖像處理算法會(huì)因?yàn)槿~片尺寸不同、花盆材料反光、背景復(fù)雜等原因，存在閾值設(shè)定不合理造成簸箕柳圖像出現(xiàn)葉片局部斷裂、邊界輪廓不連續(xù)、整體模糊、分割不完全等現(xiàn)象，影響了后期植物表型參數(shù)的精準(zhǔn)提取。而本文先基于目標(biāo)檢測(cè)算法YOLO v3對(duì)目標(biāo)區(qū)域進(jìn)行定位與識(shí)別，再通過(guò)圖像處理算法進(jìn)行圖像處理，避免了傳統(tǒng)圖像處理算法分割時(shí)出現(xiàn)的問(wèn)題，由此可見本文算法適應(yīng)性更好，精度更高，提升了識(shí)別算法的魯棒性，提高了表型數(shù)據(jù)的獲取效率，保證了數(shù)據(jù)的客觀準(zhǔn)確性。

圖5 兩種算法的簸箕柳圖像分割效果對(duì)比Fig.5 Comparison of two algorithms for image segmentation effect of Salix suchowensis Cheng

1.3.2紅外熱圖像處理算法

采用紅外熱成像檢測(cè)技術(shù)來(lái)檢測(cè)簸箕柳不斷散發(fā)出的熱輻射能，用于研究簸箕柳體內(nèi)水分與冠層溫度之間的關(guān)系。采集簸箕柳紅外熱圖像過(guò)程中，由于圖像對(duì)比度較小以及噪聲的存在，使得圖像中很多細(xì)節(jié)比較模糊。采用直方圖均衡算法進(jìn)行圖像增強(qiáng)，經(jīng)過(guò)直方圖均衡化后的簸箕柳熱紅外圖像去除了周圍的環(huán)境溫度，突出了簸箕柳的紅外熱成像信息。但是周圍仍然存在比較明顯的噪聲，為獲取準(zhǔn)確的冠層信息，需要去除周圍的噪聲，采用中值濾波算法去除直方圖均衡化后的紅外熱圖像噪聲，并通過(guò)Matlab中人工交互式選區(qū)的方法去除花盆區(qū)域，最后將圖像轉(zhuǎn)換為二值化圖像，圖6為紅外熱成像儀采集的簸箕柳圖像處理效果。在FLIR Tools軟件中將整幅紅外熱圖像的溫度信息導(dǎo)出，每個(gè)像素點(diǎn)都對(duì)應(yīng)著其所在位置的溫度信息。通過(guò)提取二值化圖像中白色區(qū)域(即像素值為1)的像素位置，然后將這些像素位置所對(duì)應(yīng)的溫度信息提取出來(lái)并計(jì)算平均值，便可以將冠層溫度提取出來(lái)。

圖6 紅外熱成像儀采集的簸箕柳圖像處理效果Fig.6 Image processing flows of Salix suchowensis Cheng by infrared thermal image

2 植物表型參數(shù)提取

2.1 投影葉面積與株高

經(jīng)過(guò)圖像分割得到簸箕柳圖像后，通過(guò)像素計(jì)數(shù)法計(jì)算側(cè)視投影葉面積(Projected area，PA)所占像素區(qū)域面積。繪制簸箕柳圖像的最小包圍矩形，利用已知尺寸(2 cm×2 cm)的紅色正方形標(biāo)定板進(jìn)行比例縮放，從而得到植株投影葉面積與株高，為了減小誤差，結(jié)果取2個(gè)角度所得的平均值。簸箕柳的側(cè)視投影葉面積計(jì)算方法為

(1)

式中SPA——實(shí)際簸箕柳的側(cè)視投影葉面積，cm2

Slabel——標(biāo)定板實(shí)際面積，取4 cm2

Nlabel——二值圖像中標(biāo)定板投影區(qū)域像素?cái)?shù)

Nplant——二值圖像中簸箕柳投影區(qū)域像素?cái)?shù)

簸箕柳的株高計(jì)算方法為

(2)

式中Hplant——實(shí)際簸箕柳的株高，cm

Clabel——標(biāo)定板的實(shí)際周長(zhǎng)，8 cm

2.2 葉片數(shù)量

本文對(duì)原始的霍夫直線變換算法進(jìn)行改進(jìn)，首先在簸箕柳的二值化圖像中使用直線檢測(cè)算法識(shí)別到簸箕柳的莖，之后根據(jù)識(shí)別到的2條直線設(shè)置左、右距離從而限定出莖的范圍，將線段內(nèi)的所有像素點(diǎn)去除，便可以將莖去除。并基于二值圖像尋找簸箕柳葉片輪廓，并將每一個(gè)輪廓用彩色顯示出來(lái)。最后通過(guò)骨架提取算法將簸箕柳骨架提取出來(lái)。在骨架提取的基礎(chǔ)上，對(duì)葉片數(shù)量(Leaf number，LN)進(jìn)行提取，圖7e中紅色圈內(nèi)為有交點(diǎn)的葉片，如果葉片發(fā)生了交叉，則交叉的葉片為一個(gè)區(qū)域。如果葉片沒有交叉，則單獨(dú)的葉片為一個(gè)區(qū)域。葉片數(shù)量的計(jì)算方法為：所有的葉片區(qū)域數(shù)目加交點(diǎn)個(gè)數(shù)。普通非交點(diǎn)處像素周圍最多有2個(gè)值為1的像素點(diǎn)，而交點(diǎn)周圍的像素值為1的點(diǎn)至少有3個(gè)(如圖7e中細(xì)節(jié)放大圖)。因此檢測(cè)交點(diǎn)的方法為：遍歷骨架提取二值化圖像的所有像素點(diǎn)，如果像素值為1，則此處為白色，然后遍歷該像素點(diǎn)周圍的8個(gè)像素點(diǎn)。如果有3個(gè)像素的值為1，則此處為交點(diǎn)。此算法可能會(huì)在交點(diǎn)處檢測(cè)到2個(gè)點(diǎn)，保留1個(gè)即可。該葉片數(shù)量提取算法面對(duì)一般情況的葉片交叉具有較好的魯棒性，基本滿足葉片數(shù)目提取需求。

圖7 簸箕柳去莖處理及骨架提取效果圖Fig.7 Flow charts of stem removal and skeleton extraction of Salix suchowensis Cheng

2.3 耗水量和水分利用效率

耗水量可以定義為蒸騰、土壤水分蒸發(fā)蒸騰損失總量或系統(tǒng)總水量的輸入[23]，是研究植物體內(nèi)水分的一個(gè)重要表型參數(shù)。水分利用效率是灌溉和耐旱研究的重要指標(biāo)，通常定義為生物量積累與耗水量的比值[24]。本試驗(yàn)中水分利用效率定義為每單位水分損失所產(chǎn)生的地上部分干物質(zhì)量[25]。

平臺(tái)的稱量模塊、水分精確控制模塊和估測(cè)的簸箕柳植株鮮質(zhì)量和植株干質(zhì)量，可以用來(lái)估算每株簸箕柳的日耗水量(即土壤水分蒸發(fā)蒸騰損失總量(Evapotranspiration，ET))和水分利用效率(Water use efficiency，WUE)。

ET=[mi，after-mFW,i-(mi+1,before-mFW,i+1)]/T

(3)

WUE=(mDW,i+1-mDW,i)/(TET)

(4)

式中ET——土壤水分蒸發(fā)蒸騰損失總量

WUE——水分利用效率

mi,after——第i次施水后總盆質(zhì)量，g

mi+1,before——第i+1次施水前總盆質(zhì)量，g

mFW，i——第i次稱取的植株鮮質(zhì)量，g

mFW，i+1——第i+1次稱取的植株鮮質(zhì)量，g

mDW，i——第i次稱取的植株干質(zhì)量，g

mDW，i+1——第i+1次稱取的植株干質(zhì)量，g

T——時(shí)間間隔，取2 d

3 干旱脅迫試驗(yàn)下植物表型參數(shù)分析

3.1 不同水分處理下植株的表型參數(shù)對(duì)比

圖8為不同水分處理下簸箕柳的生長(zhǎng)圖像，正常水分和干旱脅迫下的植物都是從第12天開始進(jìn)行形態(tài)表型參數(shù)的采集，采集周期為8 d。由于從扦插后的第52天開始，干旱脅迫植株出現(xiàn)明顯枯萎狀態(tài)，因此干旱脅迫植株從扦插后的第52天開始停止形態(tài)表型參數(shù)的采集。干旱脅迫植株一共進(jìn)行了6次(分別是扦插后的第12、20、28、36、44、52天)形態(tài)表型參數(shù)的采集，正常施水植株一共進(jìn)行了7次(分別是扦插后的第12、20、28、36、44、52、60天)形態(tài)表型參數(shù)的采集。因此正常施水植株進(jìn)行了7次三維形態(tài)模型的重建，正常施水植株相應(yīng)時(shí)期拍攝的實(shí)際真實(shí)圖像與模型重建圖如圖8a所示，干旱脅迫植株進(jìn)行了6次三維形態(tài)模型的重建，干旱脅迫植株相應(yīng)時(shí)期拍攝的實(shí)際真實(shí)圖像與模型重建圖如圖8b所示。由圖8可見，株高、植物鮮質(zhì)量、葉片數(shù)量等表型參數(shù)在干旱脅迫條件下比正常施水情況下明顯小。

圖8 2種不同水分處理?xiàng)l件下真實(shí)圖像與模擬圖像對(duì)比Fig.8 Comparisons of real and simulated images under two different water treatment conditions

對(duì)正常施水與干旱脅迫2種不同處理下的簸箕柳表型參數(shù)進(jìn)行描述統(tǒng)計(jì)，數(shù)據(jù)如表1所示。由表1可知，正常施水植株的株高顯著大于干旱脅迫植株的株高，且正常施水植株的投影葉面積也顯著高于干旱脅迫植株，而2種處理下的簸箕柳葉片數(shù)量沒有顯著差別，說(shuō)明正常施水植株的葉片增長(zhǎng)速率高于干旱脅迫植株的葉片增長(zhǎng)速率。正常施水植株日耗水量顯著高于干旱脅迫植株，原因可能是正常施水植物生長(zhǎng)較快增加了對(duì)水的需求，相應(yīng)的蒸騰作用也會(huì)增強(qiáng)，同時(shí)干旱脅迫植株啟動(dòng)了對(duì)干旱脅迫的節(jié)水響應(yīng)(如氣孔關(guān)閉)，從而降低水分的消耗。由于花盆表面的水分蒸發(fā)損失較大，2種水分脅迫下的植物日耗水量較多，因此水分利用效率均較低。

利用多源表型信息采集平臺(tái)獲取不同水分條件下的植株表型參數(shù)，繪制出各表型參數(shù)描述統(tǒng)計(jì)表(表1)，更加直觀地表現(xiàn)出干旱脅迫對(duì)植株形態(tài)及生理表型參數(shù)的影響，也為植株干旱評(píng)估提供了幫助與參考。

3.2 植株投影葉面積與地上部分鮮質(zhì)量、干質(zhì)量關(guān)聯(lián)分析

采用試驗(yàn)階段破壞性獲取的方式得到簸箕柳鮮質(zhì)量和干質(zhì)量參數(shù)，并與植株投影葉面積進(jìn)行關(guān)聯(lián)分析。植株投影葉面積與植株鮮質(zhì)量之間的相關(guān)性如圖9a所示，植株投影葉面積與植株鮮質(zhì)量之間呈現(xiàn)很高的線性正相關(guān)性，決定系數(shù)R2為0.89；植株投影葉面積與植株干質(zhì)量之間的相關(guān)性圖如圖9b所示，植株投影葉面積與植株干質(zhì)量之間呈現(xiàn)線性正相關(guān)性，決定系數(shù)R2為0.78；植株干質(zhì)量與植株鮮質(zhì)量之間的相關(guān)性如圖9c所示，植株干質(zhì)量與植株鮮質(zhì)量之間呈現(xiàn)線性正相關(guān)性，決定系數(shù)R2為0.76。由此可見，通過(guò)多源表型信息采集系統(tǒng)采集到簸箕柳投影葉面積，可以估算出簸箕柳的鮮質(zhì)量與干質(zhì)量，從而計(jì)算出簸箕柳植株的含水率，以便評(píng)估簸箕柳干旱情況。

表1 不同處理方法下的簸箕柳表型參數(shù)描述統(tǒng)計(jì)Tab.1 Statistics of Salix suchowensis Cheng phenotypic parameters under different treatment conditions

圖9 植株投影葉面積、植株鮮質(zhì)量、植株干質(zhì)量相關(guān)性分析Fig.9 Analysis diagrams of relationship between plant projected area and plant fresh weight and dry weight

圖10 冠層溫差、時(shí)間、日耗水量差之間相關(guān)性分析Fig.10 Relationships between canopy temperature difference and time and daily water consumption difference

3.3 冠層溫度與日耗水量關(guān)聯(lián)分析

植物冠層溫度反映冠層的能量平衡狀況，與植物光合生理特性及產(chǎn)量形成密切相關(guān)，是一個(gè)很好的干旱監(jiān)測(cè)指標(biāo)，已有研究[26]表明植物蒸散量與冠層溫度之間密切相關(guān)，基于能量平衡原理，可利用冠層溫度估算植物蒸散量，并進(jìn)行精量灌溉決策。植物的冠層溫度受環(huán)境溫度影響較大，在采集冠層溫度時(shí)，無(wú)法保證環(huán)境溫度完全相同，因此此處研究不同水分處理?xiàng)l件下植物的冠層溫差隨時(shí)間的動(dòng)態(tài)變化。本文對(duì)不同水分處理?xiàng)l件下植物的平均冠層溫差(干旱脅迫植株冠層溫度減去正常施水植株冠層溫度)與平均日耗水量差(干旱脅迫植株日耗水量減去正常施水植株日耗水量)和時(shí)間進(jìn)行了關(guān)聯(lián)分析，相關(guān)性如圖10所示。由圖10a可知，冠層溫差與扦插后時(shí)間呈現(xiàn)正相關(guān)，決定系數(shù)R2為0.79；扦插初期，2種處理下的植物冠層溫差并未明顯變化，但是隨著時(shí)間推移，冠層溫差逐漸變大，最大溫差達(dá)到0.9℃。冠層溫度受土壤水分環(huán)境調(diào)控，隨著干旱脅迫程度的加重，土壤中水分供應(yīng)不足，植株蒸騰作用減弱，蒸騰耗熱減少、感熱通量增加，從而使得植株冠層溫度上升；由圖10b可知，日耗水量差與扦插后時(shí)間呈現(xiàn)出一定的正相關(guān)，決定系數(shù)R2為0.84。扦插初期，由于土壤水分含量較高，可以保證植物正常供水，葉片耗水量都處于正常范圍。隨著干旱脅迫的加劇，2種處理下的植物日耗水量差明顯變大，最大達(dá)到20.4 g/d。原因可能是隨著時(shí)間推移，干旱脅迫程度的加重，呼吸作用加強(qiáng)，干旱脅迫迫使植物產(chǎn)生應(yīng)激反應(yīng)(如氣孔關(guān)閉)，導(dǎo)致植物的蒸騰作用減弱，葉片溫度上升，從而使得日耗水量差值變大。由圖10c可知，日耗水量差與冠層溫差呈現(xiàn)出一定的正相關(guān)，決定系數(shù)R2為0.85。可見，通過(guò)使用表型信息采集系統(tǒng)中的熱成像模塊獲取2種不同水分條件下的冠層溫差，可以對(duì)植株的受干旱脅迫程度進(jìn)行監(jiān)測(cè)與評(píng)估，也為評(píng)判植物中的水分輸送利用提供了技術(shù)依據(jù)。

4 結(jié)論

(1)設(shè)計(jì)并構(gòu)建了面向簸箕柳表型分析的多源表型信息采集平臺(tái)。該平臺(tái)主要由圖像采集模塊、熱成像模塊、自動(dòng)稱量模塊、水分控制模塊組成。實(shí)現(xiàn)了植物圖像采集、冠層熱成像圖像獲取、水分精確控制等功能。

(2)基于YOLO v3目標(biāo)檢測(cè)算法檢測(cè)并分割出圖像中的感興趣區(qū)域，并利用圖像處理技術(shù)提取了植物的形態(tài)結(jié)構(gòu)表型參數(shù)(株高、投影葉面積、葉片數(shù)量)。其中葉片數(shù)量是通過(guò)將原有的霍夫直線檢測(cè)算法進(jìn)行改進(jìn)，從而準(zhǔn)確提取出簸箕柳的莖，使得簸箕柳的莖葉分離，進(jìn)一步通過(guò)骨架提取算法提取得到葉片數(shù)量。通過(guò)對(duì)熱成像儀得到的紅外圖像處理，獲得更準(zhǔn)確的冠層溫度。

(3)設(shè)計(jì)了干旱脅迫試驗(yàn)，對(duì)不同處理下的簸箕柳表型信息參數(shù)進(jìn)行了對(duì)比以及相關(guān)性分析。結(jié)果顯示干旱脅迫下的簸箕柳株高、投影葉面積、日耗水量、水分利用效率都隨時(shí)間推移顯著低于正常施水下的簸箕柳，而冠層溫度卻高于正常施水下的簸箕柳。通過(guò)相關(guān)性分析得出：簸箕柳投影葉面積與鮮質(zhì)量及干質(zhì)量都呈現(xiàn)線性正相關(guān)，決定系數(shù)分別為0.89和0.78；植株鮮質(zhì)量與植株干質(zhì)量之間呈現(xiàn)線性正相關(guān)，決定系數(shù)為0.76；扦插后時(shí)間與平均冠層溫差之間呈正相關(guān)，決定系數(shù)為0.79；日耗水量差與扦插后時(shí)間呈現(xiàn)出一定的正相關(guān)，決定系數(shù)為0.84；冠層溫差與日耗水量差呈正相關(guān)，決定系數(shù)為0.85。

(4)面向植物抗旱性研究的多源表型信息采集平臺(tái)能夠擴(kuò)大傳感范圍，使獲取的目標(biāo)植物表型信息更加豐富完善，提高系統(tǒng)可靠性的同時(shí)增強(qiáng)了表型信息的利用效率。在植物未遭受嚴(yán)重的干旱脅迫時(shí)，通過(guò)采集得到植株投影葉面積、熱成像信息等表型參數(shù)，可以對(duì)植物的鮮質(zhì)量、干質(zhì)量、水分利用效率進(jìn)行估算，實(shí)現(xiàn)對(duì)植株受干旱脅迫程度的評(píng)估。