棉花表型技術研究進展

李遠鯤　郭新宇　張穎　顧生浩　張永江　吳升

摘要：棉花是重要的紡織原料，表型技術的應用對棉花智慧栽培管理和數字化育種具有重要意義。隨著農業監測傳感器及表型平臺的發展，棉花表型技術研究進入重要階段。概述了棉花的表型構成和主要表型指標；從圖像類表型平臺、點云類表型平臺2個方面綜述了棉花表型獲取相關傳感器及高通量系統平臺的發展現狀，總結其適用場景、通量、效率及精度；詳細綜述了棉花多源表型數據處理技術體系，包括圖像、三維建模、機器學習、深度學習以及表型大數據建模等技術方法；總結討論了當前表型技術在棉花精準栽培管理和數字育種方面的應用進展；展望了棉花表型技術的未來發展趨勢。

關鍵詞：棉花；表型技術；表型平臺；高通量；多尺度；表型組學

中圖分類號：S562.01文獻標志碼：A文章編號：1002-1302（2023）11-0027-09

植物表型研究始于20世紀末，其核心是高質量、可重復地獲取性狀數據，進而量化分析基因型和環境互作效應及其對產量、質量、抗逆等主要相關性狀的影響［1］。植物表型是基因型與環境相互作用的結果［2］，能夠反映植物細胞、組織、器官、植株和群體的結構及功能特征的物理、生理和生化性質，本質上植物表型是植物基因圖譜的時序三維（3D）表達及其地域分異特征和代際演進規律［3］。通過表型大數據分析，可以為育種、栽培管理提供品種評價、品種篩選依據以及生產管理決策［4-5］。隨著農業信息感知技術和人工智能技術的飛速發展，植物表型技術研究進入發展快車道。當前，植物表型研究被認為是未來作物學、育種學研究和應用的關鍵環節之一，受到國內外科研人員的廣泛關注。

棉花是重要的紡織原料，在世界各地廣泛種植。棉花品種繁多，其表型信息豐富，但其植株分枝較多，葉大葉密，生物學特性復雜，且生長過程需人為干預，無法通過采集設備直接獲取信息。研究棉花表型技術對育種和生產管理具有重要的指導意義，主要體現在：（1）栽培方案設計方面，基于表型-環境大數據，深入挖掘環境對棉株形態建成的作用，快速篩選目標品種，對過往經驗性結論進行科學驗證，設計適用于地域環境的栽培技術規程［6］；（2）生長監測方面，無損、精確地獲取棉花生長表型數據，為生產決策、快速調控提供數據支持，實現數字化、高效化種植［7］；（3）品種選育方面，對單一性狀或多重性狀進行差異分析，將表型信息與全基因組關聯分析、數量性狀定位、高分辨率連鎖圖譜及基因組選擇模型等技術緊密結合，加速品種選育和改良［8-9］，現代數字育種對表型數據需求迫切。

當前，棉花表型高通量獲取及表型智能解析、大數據挖掘技術，受到國內外研究者的廣泛關注，已形成一些卓有成效的科研成果［10］。本文詳細描述棉花主要表型性狀指標，系統綜述棉花表型數據獲取平臺、相關表型解析算法和數據分析手段，列舉棉花表型典型應用案例，總結前人在數字果樹方面開展的工作、形成的技術成果以及應用案例，并對當前技術不足和未來技術發展進行展望，以期為棉花表型技術研究提供參考。

1棉花表型特征概述

棉花（Gossypium hirsutism L.），屬錦葵科一年生或多年生草本植物，植株灌木狀，一般株高1～2 m，是一種多分枝作物。受到基因調控和環境影響，從形態結構、生理生化表觀特征以及生長變化動態來反映棉花品種特征和生長差異。棉花主要表型特征及表型指標列舉如下。

1.1形態結構表型

棉花植株由根、莖、葉、花、鈴等器官組成，形成葉型、枝型、花型、鈴型以及根冠株型結構。其中，葉片按裂口深淺可分為雞腳葉、亞雞腳葉、圓形葉、皺縮葉、絲狀葉、卷曲葉等葉型［11］，葉片表型還包括葉角、葉面積等。棉花的分枝由主莖和分枝構成，分枝又包括葉枝和果枝，相關表型指標包括主莖長度、分枝長度、分枝個數、方位角、傾角等［12］。棉花的花由苞葉、花萼、花冠及其包圍著的雄蕊和雌蕊組成，可獲取的形態表型特征有花形、苞葉大小、柱頭長短等［11］。花受精后形成鈴，鈴表型包括鈴尖形態、鈴長、鈴寬、鈴柄長等［13］；棉花株型根據果枝節間長短可分緊湊型、較緊湊型、較松散型、松散型等株型結構。棉花的形態結構表型還包括株高、冠層密閉度以及根系構型等參數［14-15］。

1.2生理生化表觀表型

不同的品種及種植條件下，棉花器官表現出不同的表觀性狀。表觀性狀表型通常由RGB、多光譜、高光譜、熱成像、熒光等圖像數據反演得來，并從器官、冠層、群體不同尺度計算，獲得棉花葉綠素含量、氮磷鉀等元素含量、植被指數、病蟲害檢測等參數［16-20］。

1.3微觀性狀表型

利用高倍顯微鏡、X射線等設備，能夠獲得植物器官顯微結構特征，包括細胞內空腔結構、葉綠體、內質網、高爾基體等細胞器表型，葉片葉肉微結構，氣孔導度、流體和溶質運移結構等特征，這些表型特征通常反映了細胞、組織等的顯微構型，為“源-庫”物質運輸提供“流”通道［21-27］。

1.4數量性狀及生長動態表型

出苗率、枝量、花量、棉鈴量等數量性狀，能夠表征棉花長勢和產量［28］。通過連續采集、觀測棉花生長過程表型數據，可得到表征時序特征的表型性狀，包括開花模式、植株長勢、生育周期等［29］。

2棉花表型數據采集傳感器及平臺

高通量獲取植物表型數據，是開展植物表型研究的首要環節。棉花表型的采集精度與表型采集平臺、傳感器的選用、采集環境等有關。常用的表型傳感器包括RGB相機、光譜傳感器、激光雷達、熱紅外傳感器、熒光傳感器等。根據表型性狀采集目標和應用選用表型傳感器，并以單傳感器或多傳感器組合的形式掛載在表型平臺上，實現高通量數據采集。當前，按照表型獲取平臺可分為手持、定點、車載、無人機、衛星遙感等5種。針對棉花表型尺度、時空特征，本文著重從二維（2D）圖像類表型平臺和三維點云類表型平臺2個方面綜述當前棉花表型獲取平臺的構成和技術性能指標（表1）。

2.1圖像類表型平臺

以RGB、光譜、熱紅外、熒光圖像數據獲取的表型，是植物表型性狀的重要組成部分。該類型數據通常是由相機類傳感器獲得，其載具平臺通常包括手持儀、軌道、表型車、無人機、衛星遙感等。在室內環境下，搭建均勻一致的光環境通常是相機類采集傳感器的首要步驟。不同類型傳感器有不同的補光措施，RGB傳感器需要LED光源，而光譜傳感器需要使用鹵素燈光源。室內環境下，受到空間限制，圖像傳感器通常集成在手持設備、軌道平臺或表型車平臺上，通常獲取植株個體尺度表型數據［32-35］。在大田環境下，圖像傳感器通常掛載在表型車、無人機以及遙感平臺上，圖像畸變、光干擾還原、圖像重疊度的設置是該類型平臺主要關注的技術環節［30-31，42，46，51］。光譜圖像傳感器又分為多光譜傳感器和高光譜傳感器［17，47，52］。光譜圖像通常分辨率較小，為了提高數據的精度，通常情況下光譜數據和RGB高清圖像數據需要同步采集［45］。相比多光譜傳感器，高光譜傳感器同步采集的光譜波段要多得多，但采集效率較低［42，53］。掛在無人機平臺的光譜傳感器，要考慮到飛行高度和曝光時間以及飛行姿態等技術參數。熱紅外成像傳感器被用來監測棉花植株生長過程中溫度的變化規律，通常情況下該設備不單獨使用，常將熱紅外儀與RGB相機、光譜設備集成來獲取棉花表型［17，54］。近紅外圖像傳感器通常應用于夜間環境工作［46］。熒光成像傳感器平臺價格昂貴，成像面積小，但精度高，穿透力強［55］。

當前，圖像類表型傳感器及高通量平臺的表型數據獲取技術基本成熟，并得到廣泛應用。但其精度不高，受到環境干擾較大，仍然需要探究多傳感器同步采集以及數據融合技術，進一步提升表型數據質量。

2.2三維點云類表型平臺

葉型、鈴型、株型等形態結構表型參數基于二維圖像解析計算，常產生信息缺失，且缺少空間立體表型信息；但基于三維點云的數據獲取手段，能夠彌補該方面的不足。在株型表型數據獲取方面，通過表型平臺獲取棉花植株點云數據，從三維點云數據中能夠解析得到株高、分枝結果、分布信息等。深度相機是一種低成本的三維點云傳感器，在表型車上方安裝深度相機Kinect-V2傳感器，用于田間獲取棉花植株點云數據；但該類型傳感器會受到光干擾，因此需要在車體上方采用遮陽網遮陰，消除傳感器對光感應的誤差［32］。激光雷達能夠避免光干擾，2D激光雷達需要和慣導傳感器配合使用，得到田間種植棉花植株三維點云數據［37］。3D激光雷達通過多棧拼接激光雷達數據的方式，消除田間遮擋，獲得比較完整的植株點云數據，能夠實現棉花莖稈節數、長度等株型表型獲取［41］。隨著多視角三維重建技術的發展，有研究者基于無人機平臺掛載高清圖像傳感器，低空獲取棉花地塊的傾斜攝影圖像，并基于傾斜視角圖像序列生成地塊尺度點云數據，計算棉花株高表型［38-39，51］。為了評估基于無人機平臺和車載2D雷達平臺的精度，有學者分別采用超聲波傳感器車載平臺、激光雷達傳感器車載平臺以及無人機高清圖像平臺，開展田間棉花株高測量對比試驗，結果表明，設置適宜飛行高度的低成本無人機平臺比2D激光雷達車載平臺有更高的精度表現［40］。

為了獲得更精細的葉型特征，在室內搭建三維結構光掃描儀采集裝置能夠獲得葉片面積、葉片周長、生長角度以及卷曲度等表型參數［35］；利用激光雷達掃描儀，采集室內盆栽棉花植株，得到葉片長度、寬度等表型參數［33］。研究表明，基于多視角三維重建技術，在室內環境下采集棉花植株多視角圖像，能夠獲得致密點云的棉花植株數據和葉片數據，用來計算葉片長度、寬度、葉面積等表型數據；基于該方法能夠同步得到葉傾角、葉與枝夾角等信息［34］。利用表型車掛載多角度圖像傳感器，獲得吐絮期的棉花三維點云數據，基于點云識別技術，計算棉鈴的著生位置和田塊內棉鈴數量［13］。為了降低室外光線干擾，將Zed雙目深度傳感器掛載在表型車上，檢測棉鈴著生位置和數量，取得較好的精度［44］。大范圍棉鈴信息的高效率獲取可以通過無人機遙感實現［45］，然而無人機數據精度與作業環境有極大關聯［56］，實踐中無法保證持續精準作業。除車載平臺外，也可利用無人機平臺掛載激光雷達，并配置慣導系統，采集棉田植株及棉鈴數據，更魯棒地獲取棉鈴特征［57］。

棉花器官形態簡單，但現蕾后，苞葉包裹著棉蕾，導致蕾的表型信息不完整；且在生長過程中，棉花的葉與鈴、葉與枝、葉與葉之間存在遮擋，采集過程中難以兼顧全部表型信息。如何完整無損地獲取棉花全套表型信息，是有待解決的問題。

2.3微觀性狀表型平臺

顯微鏡是觀察棉花組織及結構表型獲取的有效工具。光學顯微鏡可觀察到棉葉、花梗的維管束細節［21］，如維管束長度、寬度及纖維細胞壁層數、厚度。相對于普通光學顯微鏡，共聚焦激光掃描顯微鏡可進行無損觀察，分析細胞的三維空間結構，定性觀察菌株在棉花根系不同部位的定殖特性［22］。掃描電鏡和透射電鏡是電子顯微鏡的2個類別，掃描電鏡可采集到棉花纖維表面的超微結構變化、棉短絨結晶區的微纖絲束等表面形貌［23-24］；透射電子顯微鏡具有更高分辨率和更高放大倍數，可用于采集葉綠體、維管束、液泡、質膜、細胞核、細胞壁等的精細結構［25-26］。除了顯微鏡外，還可利用micro-CT獲取棉花纖維完整的內部結構信息，包括纖維的微觀結構及其內部纖維的排列等，用于棉花纖維品質的評價［27］。

3表型解析分析技術研究進展

通過表型傳感器及相關采集平臺高通量獲取大批量的原始表型數據，以圖像、光譜、熱紅外、近紅外、激光雷達等傳感器產生的數據通常為非結構化數據，且含有大量的噪聲。因此，如何高精度、高效率、自動化地解析具有農學意義的表型指標，是表型組學研究的技術瓶頸之一。當前，常用的表型解析技術主要包括圖像處理、三維建模、機器學習、數據挖掘等計算機科學技術。表型解析通常要經過數據標定、數據去噪、數據分割、測量與計數、數據建模等關鍵環節。有效結合植物表型特征和數據采集場景特征，構建自動化、管道化的數據處理系統及管理系統，能夠有效解決數據處理的人工成本，實現植物表型技術規模化推廣應用。表型解析技術體系如圖1所示。

3.1二維圖像解析技術

以相機成像技術為代表的植物表型采集技術是快捷獲取植物表型的重要技術手段，該類原始采集數據包括RGB圖像、多光譜圖像、高光譜圖像等，受光照、被測環境以及相機傳感器狀態等影響，通常要利用復雜的圖像處理技術來提取植物關鍵表型信息。

針對RGB圖像解析，利用圖像多閾值分割法提取無人機采集棉花地塊植被覆蓋指數［42］。利用無人機可見光圖像，基于顏色指數、定量葉面積指數估測光合有效輻射（PAR）截獲率［58］。基于二值圖像，量化棉苗期根系生長［36］。

針對多光譜圖像，通過區域生長和Otsu自動化閾值算法，實現棉鈴圖像分割計算［7］。基于光譜指數、紋理指數及二者結合比較，估算棉花生物量［59］。利用光譜圖像提取灰度圖像，基于閾值提取植被指數，評估棉田受災情況［60］。利用棉花冠層光譜反射率曲線特征數據，監測棉花冠層長勢［52］。

針對高光譜圖像，計算植被指數獲取棉花水分數據［61］。通過自定義高光譜圖像對齊和拼接算法，提取歸一化植被指數（NDVI），對棉花幾何特征進行計算［62］。通過構建棉花高光譜模型，提取棉花地塊NDVI，測量棉花種植面積以及評估產量［63］。

3.2三維重建表型解析技術

二維圖像難以解決植物器官空間遮擋問題［13］，為了獲得更加精細化的表型數據，需利用三維建模技術獲取植物三維表型。常用的三維數據源來自激光掃描、深度相機、結構光、多視角重建等途徑［64］。其中：（1）基于激光掃描的點云數據，構建RANSAC算法結合直線模型、歐氏聚類算法，可提取棉株主干特征［33］。結合GPS數據融合提取棉花株高表型［37］，以高密集彩色點云為輸入，對數據進行校正、分析，量化葉片參數［46］。激光掃描技術因其高精度、高分辨率的特征，成為棉花冠層參數獲取的常用手段，但其成本較高且分辨率受距離影響。（2）基于多角度圖像重建技術，其技術原理是通過RGB相機獲取植物側面不同傾斜角度的RGB圖像，然后基于運動結構恢復（structure from motion，SFM）和多視角立體視覺（multi view stereo，MVS）技術，生成植物三維點云模型。研究者利用生成的棉花植株3D點云，基于空間插值及拉普拉斯算子，提取棉株高及棉鈴特征［39］，基于點密度和棉鈴大小特征的聚類算法實現棉鈴數據原位獲取［13］。該技術在無人機平臺上也有較好的應用效果，通過結合GPS坐標、時間標記與圖像進行匹配，獲取植物高度［34］；利用無人機遙感連續影像，基于運動恢復結構（SFM）的數字地表模型，提取圖像特征估算產量［54］。多角度圖像重建技術因其只需普通的高清攝像頭便能獲取植物高精度三維點云數據，是一種低成本的解決方法，目前廣泛地應用于植物三維表型獲取。（3）基于深度傳感器和結構光傳感器采集的植物點云數據，利用Kinect相機獲取深度圖像，通過開發六步算法測量棉花的最大高度和平均高度［32］。利用RGB-depth相機獲得深度點云數據和RGB圖像數據，重建帶有顏色的點云數據，估測棉鈴分布及棉產［65］。利用結構光傳感器獲得棉花點云，基于直通濾波、超體聚類、條件歐氏距離算法等，結合RGB三色光投影獲取棉花幼苗的三維點云，實現葉片參數量化［35］。基于該類技術方法的數據獲取效率高，但獲得的點云數據分辨率較低。

隨著傳感器技術及計算機圖形技術的發展，基于三維重建技術獲取多維度、高精度的表型信息，是未來植物表型獲取技術的發展趨勢。當前獲取的三維表型通常為靜態表型，要實現棉株生育動態可視化，還需融入時間變量，實現活體連續監測，形成更高維度的表型數據。

3.3機器學習技術

機器學習過程是通過大樣本特征提取、訓練，達到機器自主識別的一個過程，訓練的結果會受到訓練集大小及訓練次數的影響，是當前植物表型解析較常用的一種技術手段。機器學習包括決策樹、貝葉斯、深度學習等算法，可分為監督學習、非監督學習、強化學習。近年來，傳統機器學習方法和深度學習方法在棉花表型解析平臺開發方面發揮了重要作用。（1）在傳統機器學習技術方面，基于 K-means、支持向量機（support vector machine，SVM）、最小距離、最大似然和馬氏距離（Mahalanobis distance，MD）分類算法，從棉花地塊中提取棉花植株［66］，對棉葉顏色和紋理特征進行分割，實現棉葉病害的分類［31］；基于RGB圖像顏色變化，應用人工神經網絡（artificial neural network，ANN）實現棉花病害監測［30］；通過多光譜圖像，基于多項邏輯回歸增強、SVM和隨機森林進行分類，實現棉病識別［47］；使用SVM訓練分類模型和點云處理技術檢測單個棉鈴［13］；構建一種粒子群（particle swarm optimization，PSO）優化算法，實現復雜背景下棉花葉片圖像分割［67］；基于區域語義圖像分割的方法，使用簡單線性迭代聚類（simple linear iterative clustering，SLIC）方法生成超像素圖像，再通過隨機森林的方法對圖像進行標注，實現棉花吐絮期信息的自動獲取［49］；基于ANN、SVM、高斯過程回歸、隨機森林和梯度增強回歸樹（gradient boosting decision tree，GBRT）技術處理衛星圖像，建立棉花整個生育期的回歸模型［68］。（2）在深度學習技術方面，主要采用卷積神經網絡（convolution neural network，CNN）深度學習算法框架，通過近紅外高光譜，基于自設計卷積神經網絡和殘差網絡建立分類模型，實現棉種分類［69］；利用位置、圖像信息，基于快速卷積神經網絡（Fast R-CNN）、CNN模型實現棉花花蕾的檢測、計數和表征［50］；基于全卷積網絡（fully convolutional network，FCN）識別、提取和構建上、中、下棉花層和平均單鈴質量模型［45］；利用無人機圖像，通過YOLOv3深度學習網絡體系結構模型，計算棉株出苗率［6］。

傳統機器學習與深度學習的差別，在于是否存在人工特征提取。相較于傳統機器學習，深度學習的學習能力更強，適應性更廣，但其計算時間長，需大量樣本標記數據，且對計算機硬件要求高。當前，基于傳統機器學習已開展大量研究工作，是棉花表型解析的主要途徑，但在模型精度與魯棒性上仍有不足。深度學習技術的成熟應用框架還較少，需研究者構建適用的算法模型，并和圖形圖像技術結合使用。

3.4數據建模技術

數據建模技術主要體現在數據的統計分析方法、多因素指標建模方法等。基于線性、指數、對數和冪函數建立葉面積指數估算模型［70］。利用無人機影像、數碼影像構建數字表面模型和高清正射影像，通過差值分析提取株高，基于成分回歸法建立氮濃度反演模型［38，71］。另外，利用數據建模技術，可對棉花某種特征與光譜信息之間進行關聯，基于一元線性回歸、主成分回歸、偏最小二乘回歸等，建立光譜反射率多元回歸模型，反演光合參數［29］。利用衛星影像及人工測量，構建植被指數Metric模型，可以評估棉花生長需水情況［72］。利用多光譜圖像，基于棉花倒伏植被指數及主成分紋理特征建立Logistic二分類回歸模型并進行效果評價［73］。

在數據建模方面的進一步研究，應嘗試多種建模方法，探究如何在保證模型穩健的情況下，減少數據規模或降低模型計算量。另外，當前的模型多基于冠層葉片特征表型數據而構建，探究多因子表型挖掘技術框架是未來的研究趨勢。

4棉花表型技術應用

4.1表型技術助推精準栽培

表型采集設備以及表型解析方法的應用，大大促進了棉花精準栽培的發展。表型技術應用于棉花智慧栽培管理，主要表現在長勢監測、產量預測、災情評估以及病情診斷等方面。

（1）長勢監測：表型技術可識別不同的棉花品種［67］。在棉株生長發育中，表型技術能對根系生長狀態實時且原位監測［36，74］，對棉苗出苗情況也能實現動態監測［63，67］。在生理生化上，表型技術已實現對葉溫、冠層的有效光合截獲率、氮素營養、水分供應及葉面積指數等指標的持續監測［62，66，75-77］。這些表型性狀可用于挖掘棉花不同品種的生長特性，及時調整管理方案與栽培措施，實現精準節約的水肥管理方式。

（2）產量預測：棉花產量通過棉鈴三維建模及光譜、紋理指數結合的方式初步獲取，進一步通過多源參數融合，實現無損、精準產量預測［59，77］。皮棉產量與棉花早期冠層反射率具有高相關性［78］，可將冠層屬性與植被指數相融合［29］，創新產量預測方法，挖掘棉產量潛力。

（3）災情評估：在棉花生長發育階段內，常遇到臺風、冰雹、澇災等惡劣天氣，可利用受災作物與正常作物存在色彩、光譜、紋理等方面的差異進行災情監測［59，73］。臺風天氣，棉花因倒伏導致冠層結構塌陷，在紅邊和近紅外波段的反射率降低約0.12～0.20［73］，據此進行災情評估，可為災后恢復和生長發育提供準確數據。

（4）病情診斷：棉花病害體現在顏色、光譜差異［20］，有學者據此對棉花感病程度進行分級，將棉花炭疽病病原體光譜范圍限定在1 000～1 381 nm［79］，提供精準的棉花感病信息，為病害判斷、精準施藥提供了可靠的數據基礎。

另外，可基于表型深度學習大數據挖掘技術，探究肥水限制因素，優化棉花種植模式，構建病蟲害預測模型，為棉花智慧栽培提供技術支撐。

4.2表型技術加速數字育種

二代測序方法（next-generation sequencing，NGS）、表型高通量獲取、全基因組關聯分析（genome-wide association study，GWAS）、全基因組選擇等高通量現代育種方案，為棉花遺傳圖譜構建、功能基因挖掘和表型、基因型預測等開辟了新道路［80］。表型技術為棉花產量、品質性狀的關鍵候選基因挖掘及遺傳調控機理解析提供了重要支持，主要體現在育種快速篩選、精準鑒定、優化預測等環節。

（1）快速篩選：表型快速篩選不僅滿足了同一時期作物的參數可比性和對培育作物長期跟蹤測量的需求［81］，還可以評估育種品系表型均勻性［71］，篩選矮化、緊湊、抗逆、高產的優良親本。

（2）精準鑒定：表型的精準鑒定有助于深入理解基因與環境的互作效應，充分挖掘棉花的種質資源。表型性狀與QTLs定位、GWAS分析相關聯，可剖析復雜性狀的遺傳結構，發現與衣分、纖維長度和強度相關的重要基因片段，確定短絨性狀的相關聯位點，鑒定逆境調控基因，驗證干旱候選基因功能等［82-86］。真實可靠的表型數據在棉花遺傳改良過程中顯得尤為重要。

（3）優化預測：表型信息與基因信息的整合有助于模擬育種過程，優化根系結構［36］。結合基因互作效應，可調整棉花營養枝發育和開花時間［87］，還可根據過往表現，預測基因不同表達水平引起的棉花結構變化。

另外，表型監測對于研究者探究產量和脅迫耐受性相關的遺傳學數量性狀具有重要意義，高通量和準確的表型分析將提高遺傳增益的遺傳力和潛力［6］。面對數字智能化育種發展趨勢，表型監測是智能育種的核心之一［88］，高通量、實時、精準的表型采集解析技術是傳統育種向數字育種轉變的加速劑，也是實現育種工廠化、邁向智能設計育種階段的關鍵。

5展望

通過表型平臺和表型解析技術，能夠實現棉花生長過程動態、多源、高通量、多尺度、高維度表型數據的獲取。棉花表型技術的研究和發展，對推動棉花育種、栽培管理數字化、智慧化發展具有重要意義。當前，棉花表型技術研究及應用取得了一定成效。隨著智慧農業的發展和推廣應用，筆者認為未來植物表型技術將進入高速發展期，從技術層面上體現在以下3個研究方向。

5.1表型傳感器平臺低成本化

常用的RGB相機、多光譜等傳感器成本降低，且可獲得更清晰、準確的圖像，使用更為便捷，功能更為強大，降低表型數據收集的門檻。對于高通量表型平臺，將集成更多傳感器設備，方便、快捷、一次性地提取更全面的高維表型信息，并實現平臺使用的無人化、低成本化。

5.2表型數據的多尺度融合

棉花生長是一個多種因素相互作用的過程，因此實現多方面、多層次、多通道表型數據的同步獲取至關重要。應對表型信息進行多尺度融合，發展并構建圖像光譜融合技術、圖像點云3D圖譜融合技術等，構建時間序列表型數據集，研究四維（4D）表型技術，從表型大數據中挖掘表型數據的相互關聯與規律。

5.3表型組學研究

從組學角度探究棉花表型及其內在規律，將是下一步的研究重點之一。系統深入地挖掘“基因型-表型-環境型”的內在關系，以多重組學的方式全面揭示特定生物性狀的形成機制，以工業化的標準來規劃表型獲取方式，以信息化的方式來處理表型數據，以多產融合的目標來推進棉花產業發展。過往表型數據大多集中在器官、單株、群體層面，關于細胞、組織的表型研究還未充分挖掘，多生境、多模態的表型融合研究鮮有報道，棉花表型參數仍有較大的挖掘潛力。

棉花表型研究的最終目的是推動棉花智能化發展，利用表型技術提供數字育種、精準種植管理和智能決策支持等個性化服務，培育優質抗逆品種，減少生物及非生物脅迫，提高農業產能，使其更適于生態發展理念。

參考文獻：

［1］Tester M，Langridge P. Breeding technologies to increase crop production in a changing world［J］. Science，2010，327（5967）：818-822.

［2］Johannsen W. The genotype conception of heredity［J］. International Journal of Epidemiology，2014，43（4）：989-1000.

［3］Zhao C J，Zhang Y，Du J J，et al. Crop phenomics：current status and perspectives［J］. Frontiers in Plant Science，2019，10：714.

［4］趙春江. 植物表型組學大數據及其研究進展［J］. 農業大數據學報，2019，1（2）：5-18.

［5］周濟，Tardieu F，Pridmore T，等. 植物表型組學：發展、現狀與挑戰［J］. 南京農業大學學報，2018，41（4）：580-588.

［6］Yang W N，Feng H，Zhang X H，et al. Crop phenomics and high-throughput phenotyping：past decades，current challenges，and future perspectives［J］. Molecular Plant，2020，13（2）：187-214.

［7］Yeom J，Jung J，Chang A J，et al. Automated open cotton boll detection for yield estimation using unmanned aircraft vehicle （UAV） data［J］. Remote Sensing，2018，10（12）：1895.

［8］王莉，楊維才. 陸地棉基因組測序—開辟棉花育種新篇章［J］. 中國科學：生命科學，2015，45（5）：517-518.

［9］Cobb J N，DeClerck G，Greenberg A，et al. Next-generation phenotyping：requirements and strategies for enhancing our understanding of genotype-phenotype relationships and its relevance to crop improvement［J］. Theoretical and Applied Genetics，2013，126（4）：867-887.

［10］Pabuayon I L B，Sun Y Z，Guo W X，et al. High-throughput phenotyping in cotton：a review［J］. Journal of Cotton Research，2019，2（1）：1-9.

［11］臧新山，耿延會，裴文鋒，等. 棉花形態性狀質量遺傳分析與基因定位研究進展［J］. 棉花學報，2018，30（6）：473-485.

［12］顧生浩. 棉花功能結構模型建立與新疆棉花產量預測［D］. 北京：中國農業大學，2018：13-14.

［13］Sun S P，Li C Y，Chee P W，et al. Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，160：195-207.

［14］付遠志，薛惠云，胡根海，等. 我國棉花株型性狀遺傳育種研究進展［J］. 江蘇農業科學，2019，47（5）：16-19.

［15］李建峰，王聰，梁福斌，等. 新疆機采模式下棉花株行距配置對冠層結構指標及產量的影響［J］. 棉花學報，2017，29（2）：157-165.

［16］Suo X M，Jiang Y T，Yang M，et al. Artificial neural network to predict leaf population chlorophyll content from cotton plant images［J］. Agricultural Sciences in China，2010，9（1）：38-45.

［17］Ballester C，Hornbuckle J，Brinkhoff J，et al. Assessment of in-season cotton nitrogen status and lint yield prediction from unmanned aerial system imagery［J］. Remote Sensing，2017，9（11）：1149.

［18］Dong Z Q，Liu Y，Ci B X，et al. Estimation of nitrate nitrogen content in cotton petioles under drip irrigation based on wavelet neural network approach using spectral indices［J］. Plant Methods，2021，17（1）：90.

［19］Xu R，Li C Y，Paterson A H. Multispectral imaging and unmanned aerial systems for cotton plant phenotyping［J］. PLoS One，2019，14（2）：e0205083.

［20］Nagasubramanian K，Jones S，Singh A K，et al. Plant disease identification using explainable 3D deep learning on hyperspectral images［J］. Plant Methods，2019，15：98.

［21］de Oliveira R H，Dias Milanez C R，Moraes-Dallaqua M A，et al. Boron deficiency inhibits petiole and peduncle cell development and reduces growth of cotton［J］. Journal of Plant Nutrition，2006，29（11）：2035-2048.

［22］Dong L H，Guo Q G，Wang P P，et al. Qualitative and quantitative analyses of the colonization characteristics of Bacillus subtilis strain NCD-2 on cotton root［J］. Current Microbiology，2020，77（8）：1600-1609.

［23］Yu Y Y，Yuan J G，Wang Q，et al. A study of surface morphology and structure of cotton fibres with soluble immobilized-cellulase treatment［J］. Fibers and Polymers，2014，15（8）：1609-1615.

［24］Zhao H B，Kwak J H，Conrad Zhang Z，et al. Studying cellulose fiber structure by SEM，XRD，NMR and acid hydrolysis［J］. Carbohydrate Polymers，2007，68（2）：235-241.

［25］van Nhan L，Ma C X，Rui Y K，et al. Phytotoxic mechanism of nanoparticles：destruction of chloroplasts and vascular bundles and alteration of nutrient absorption［J］. Scientific Reports，2015，5：11618.

［26］Zhang M，Han L B，Wang W Y，et al. Overexpression of GhFIM2 propels cotton fiber development by enhancing actin bundle formation［J］. Journal of Integrative Plant Biology，2017，59（8）：531-534.

［27］Haleem N，Liu X，Hurren C，et al. Investigating the cotton ring spun yarn structure using micro computerized tomography and digital image processing techniques［J］. Textile Research Journal，2019，89（15）：3007-3023.

［28］Adke S，Li C Y，Rasheed K M，et al. Supervised and weakly supervised deep learning for segmentation and counting of cotton bolls using proximal imagery［J］. Sensors，2022，22（10）：3688.

［29］陳俊英，陳碩博，張智韜，等. 無人機多光譜遙感反演花蕾期棉花光合參數研究［J］. 農業機械學報，2018，49（10）：230-239.

［30］Shah N，Jain S. Detection of disease in cotton leaf using artificial neural network［C］//2019 Amity International Conference on Artificial Intelligence （AICAI）.Dubai，United Arab Emirates，2019：473-476.

［31］Jenifa A，Ramalakshmi R，Ramachandran V. Classification of cotton leaf disease using multi-support vector machine［C］//2019 IEEE International Conference on Intelligent Techniques in Control，Optimization and Signal Processing （INCOS）.Tamilnadu，India，2020：1-4.

［32］Jiang Y，Li C Y，Paterson A H.High throughput phenotyping of cotton plant height using depth images under field conditions［J］. Computers and Electronics in Agriculture，2016，130：57-68.

［33］陽旭，胡松濤，王應華，等. 利用多時序激光點云數據提取棉花表型參數方法［J］. 智慧農業（中英文），2021，3（1）：51-62.

［34］Paproki A，Sirault X，Berry S，et al. A novel mesh processing based technique for 3D plant analysis［J］. BMC Plant Biology，2012，12：63.

［35］黃成龍，李曜辰，駱樹康，等. 基于結構光三維點云的棉花幼苗葉片性狀解析方法［J］. 農業機械學報，2019，50（8）：243-248，288.

［36］Wu J，Wu Q，Pagès L，et al. RhizoChamber-Monitor：a robotic platform and software enabling characterization of root growth［J］. Plant Methods，2018，14：44.

［37］Sun S P，Li C Y，Paterson A. In-field high-throughput phenotyping of cotton plant height using LiDAR［J］. Remote Sensing，2017，9（4）：377.

［38］顏安，郭濤，陳全家，等. 基于無人機影像的棉花株高預測［J］. 新疆農業科學，2020，57（8）：1493-1502.

［39］Huang Y，Brand H J，Sui R，et al. Cotton yield estimation using very high-resolution digital images acquired with a low-cost small unmanned aerial vehicle［J］. Transactions of the ASABE，2016，59（6）：1563-1574.

［40］Thompson A L，Thorp K R，Conley M M，et al. Comparing nadir and multi-angle view sensor technologies for measuring in-field plant height of upland cotton［J］. Remote Sensing，2019，11（6）：700.

［41］Sun S P，Li C Y，Chee P W，et al. High resolution 3D terrestrial LiDAR for cotton plant main stalk and node detection［J］. Computers and Electronics in Agriculture，2021，187：106276.

［42］雷亞平，韓迎春，楊北方，等. 利用無人機數字圖像監測不同棉花品種葉面積指數［J］. 中國棉花，2018，45（12）：9-15.

［43］田明璐，班松濤，常慶瑞，等. 基于低空無人機成像光譜儀影像估算棉花葉面積指數［J］. 農業工程學報，2016，32（21）：102-108.

［44］馬怡茹，呂新，易翔，等. 基于機器學習的棉花葉面積指數監測［J］. 農業工程學報，2021，37（13）：152-162.

［45］Xu W C，Yang W G，Chen S D，et al. Establishing a model to predict the single boll weight of cotton in northern Xinjiang by using high resolution UAV remote sensing data［J］. Computers and Electronics in Agriculture，2020，179：105762.

［46］Dube N，Bryant B，Sari-Sarraf H，et al. In situ cotton leaf area index by height using three-dimensional point clouds［J］. Agronomy Journal，2019，111（6）：2999-3007.

［47］Xavier T W F，Souto R N V，Statella T，et al. Identification of Ramularia leaf blight cotton disease infection levels by multispectral，multiscale UAV imagery［J］. Drones，2019，3（2）：33.

［48］Ashapure A，Jung J，Chang A J，et al. A comparative study of RGB and multispectral sensor-based cotton canopy cover modelling using multi-temporal UAS data［J］. Remote Sensing，2019，11（23）：2757.

［49］Li Y N，Cao Z G，Lu H，et al. In-field cotton detection via region-based semantic image segmentation［J］. Computers and Electronics in Agriculture，2016，127：475-486.

［50］Jiang Y，Li C Y，Xu R，et al. DeepFlower：a deep learning-based approach to characterize flowering patterns of cotton plants in the field［J］. Plant Methods，2020，16（1）：156.

［51］Feng A J，Zhang M N，Sudduth K A，et al. Cotton yield estimation from UAV-based plant height［J］. Transactions of the ASABE，2019，62（2）：393-404.

［52］王剛，王靜，陳兵，等. 基于不同配置棉花化學控頂的光譜特征和光合特征響應研究［J］. 西北農業學報，2021，30（1）：83-92.

［53］劉煥軍，康苒，Ustin S，等. 基于時間序列高光譜遙感影像的田塊尺度作物產量預測［J］. 光譜學與光譜分析，2016，36（8）：2585-2589.

［54］Feng A J，Zhou J F，Vories E D，et al. Yield estimation in cotton using UAV-based multi-sensor imagery［J］. Biosystems Engineering，2020，193：101-114.

［55］Mustafic A，Roberts E E，Toews M D，et al. LED-Induced fluorescence and image analysis to detect stink bug damage in cotton bolls［J］. Journal of Biological Engineering，2013，7（1）：5.

［56］楊貴軍，李長春，于海洋，等. 農用無人機多傳感器遙感輔助小麥育種信息獲取［J］. 農業工程學報，2015，31（21）：184-190.

［57］Fue K，Porter W，Barnes E，et al. Evaluation of a stereo vision system for cotton row detection and boll location estimation in direct sunlight［J］. Agronomy，2020，10（8）：1137.

［58］王康麗. 基于無人機可見光和熱紅外圖像的棉花冠層信息識別［D］. 北京：中國農業科學院，2019：5-37.

［59］Chen P F，Wang F Y. New textural indicators for assessing above-ground cotton biomass extracted from optical imagery obtained via unmanned aerial vehicle［J］. Remote Sensing，2020，12（24）：4170.

［60］Yang W G，Xu W C，Wu C S，et al. Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage［J］. Computers and Electronics in Agriculture，2021，180：105866.

［61］郭曉飛. 基于光合特征參數的棉花水分狀況高光譜遙感監測研究［D］. 石河子：石河子大學，2017：14-41.

［62］Feng A J，Zhou J F，Vories E，et al. Evaluation of cotton emergence using UAV-based narrow-band spectral imagery with customized image alignment and stitching algorithms［J］. Remote Sensing，2020，12（11）：1764.

［63］Sun L，Zhu Z S. Using spectral vegetation index to estimate continuous cotton and rice-cotton rotation effects on cotton yield［C］//2019 8th International Conference on Agro-Geoinformatics （Agro-Geoinformatics）.Istanbul，Turkey：IEEE，2019：1-4.

［64］Paulus S. Measuring crops in 3D：using geometry for plant phenotyping［J］. Plant Methods，2019，15（1）：103.

［65］Dube N，Bryant B，Sari-Sarraf H，et al. Cotton boll distribution and yield estimation using three-dimensional point cloud data［J］. Agronomy Journal，2020，112（6）：4976-4989.

［66］Wang T Y，Thomasson J A，Isakeit T，et al. A plant-by-plant method to identify and treat cotton root rot based on UAV remote sensing［J］. Remote Sensing，2020，12（15）：2453.

［67］李凱，張建華，馮全，等. 復雜背景與天氣條件下的棉花葉片圖像分割方法［J］. 中國農業大學學報，2018，23（2）：88-98.

［68］Mao H H，Meng J H，Ji F J，et al. Comparison of machine learning regression algorithms for cotton leaf area index retrieval using sentinel-2 spectral bands［J］. Applied Sciences，2019，9（7）：1459.

［69］Zhu S S，Zhou L，Gao P，et al. Near-infrared hyperspectral imaging combined with deep learning to identify cotton seed varieties［J］. Molecules，2019，24（18）：3268.

［70］Chen P F.Cotton leaf area index estimation using unmanned aerial vehicle multi-spectral images［C］//2019 IEEE International Geoscience and Remote Sensing Symposium.Yokohama，Japan，2019：6251-6254.

［71］Erpelding J E. Genetic characterization of the brown lint phenotype for desi cotton （Gossypium arboreum） accession PI 408765 （cv.‘Sanguineum-1）［J］. Plant Breeding，2021，140（6）：1115-1122.

［72］Spiliotopoulos M，Loukas A. Hybrid methodology for the estimation of crop coefficients based on satellite imagery and ground-based measurements［J］. Water，2019，11（7）：1364.

［73］戴建國，張國順，郭鵬，等. 基于無人機遙感多光譜影像的棉花倒伏信息提取［J］. 農業工程學報，2019，35（2）：63-70.

［74］肖爽，劉連濤，張永江，等. 植物微根系原位觀測方法研究進展［J］. 植物營養與肥料學報，2020，26（2）：370-385.

［75］陳鵬飛，梁飛. 基于低空無人機影像光譜和紋理特征的棉花氮素營養診斷研究［J］. 中國農業科學，2019，52（13）：2220-2229.

［76］馮璐，邢芳芳，楊北方，等. 基于紅外熱成像的棉花葉片溫度分布量化方法研究［J］. 棉花學報，2020，32（6）：569-576.

［77］Meng L H，Liu H J，Zhang X L，et al. Assessment of the effectiveness of spatiotemporal fusion of multi-source satellite images for cotton yield estimation［J］. Computers and Electronics in Agriculture，2019，162：44-52.

［78］He L M，Mostovoy G. Cotton yield estimate using sentinel-2 data and an ecosystem model over the southern US［J］. Remote Sensing，2019，11（17）：2000.

［79］Aires P，Gambarra-Neto F F，Coutinho W M，et al. Near infrared hyperspectral images and pattern recognition techniques used to identify etiological agents of cottonanthracnose and ramulosis［J］. Journal of Spectral Imaging，2018，7（1）：a8.

［80］朱乾浩，丹尼·盧埃林，印·威爾遜.高通量測序技術在多倍體作物基因組學研究中的應用［J］. 浙江大學學報（農業與生命科學版），2014，40（4）：355-369.

［81］李偉. 高通量作物表型檢測關鍵技術研究與應用［D］. 合

肥：中國科學技術大學，2017：1-6.

［82］Li H M，Liu S D，Ge C W，et al. Analysis of drought tolerance and associated traits in upland cotton at the seedling stage［J］. International Journal of Molecular Sciences，2019，20（16）：3888.

［83］宿俊吉. 陸地棉早熟與產量纖維品質性狀的全基因組關聯分析及候選基因篩選［D］. 楊凌：西北農林科技大學，2017：25-67.

［84］王曉陽. 亞洲棉短絨的遺傳研究和候選基因鑒定［D］. 武漢：華中農業大學，2020：38-67.

［85］Li B Q，Chen L，Sun W N，et al. Phenomics-based GWAS analysis reveals the genetic architecture for drought resistance in cotton［J］. Plant Biotechnology Journal，2020，18（12）：2533-2544.

［86］馬建江. 棉花纖維長度、油份和株高性狀QTL定位及候選基因鑒定［D］. 楊凌：西北農林科技大學，2019：79-90.

［87］Li Y，Chen H，Li S T，et al. GhWRKY46 from upland cotton positively regulates the drought and salt stress responses in plant［J］. Environmental and Experimental Botany，2021，186：104438.

［88］應繼鋒，劉定富，趙健. 第5代（5G）作物育種技術體系［J］. 中國種業，2020（10）：1-3.