传统的植物表型研究主要依靠人工观察和测量得到植物外部物理性的描述, 进而得到基因和表型的关系,这种方法往往依赖于从小样本植物中手动检测个别性状, 因此能够得到的数据量非常有限, 效率非常低, 并且难以对植物的多种性状进行综合分析, 也容易引入人为因素导致的测量数据误差。随着植物功能基因组学和作物分子育种的快速深入发展, 研究人员急需高精度、高通量和低成本的技术来获取与植物生长、产量、品质和对生物、非生物胁迫的耐受性等的相关表型数据, 目前已有多种成像技术用来收集与生物或非生物胁迫的生长、产量和适应性有关的复杂性状, 这些成像技术包括可见光成像(如机器视觉)、成像光谱学(如多光谱和高光谱遥感)等。
国际上有很多机构和组织已经开展表型组分析工作,如澳洲植物表型组学设施 (Australian plant phenomics facility), 但这些方案往往只提供表型采集和基本的分析功能,无法满足众多客户的个性化指标和后续的数据挖掘需求,鉴于此,亟需补充一款不仅在硬件端覆盖近端和低空的全波段光谱信息,还在软件端提供一键分析的极简体验以及任意扩展识别能力的AI功能,同时提供零门槛的AI挖掘平台,覆盖用户从采集->分析->挖掘的全链条需求。
方案内容采集分析平台需覆盖可见光、多光谱和高光谱,近端和低空端的数据信息采集平台,学习实践不同类型传感器应用范围和对应的解决问题方案,以供后续数据分析和模型训练。
该方面建议采用全类型多空间信息采集平台PhenoAI Near(近地端信息采集系统)和PhenoAI air(低空端采集系统),平台适用各类大田和园艺作物的多尺度组织和器官,适用各类传感器如可见光、多光谱、高光谱、近红外等,可添加所有主流框架/深度学习模型,功能强大操作简单,可量化的表型指标(植被指数)为品种测试、植物育种、基因关联分析等提供标准规范的数据支撑。
数据挖掘平台通过进一步挖掘植物表型数据,可以更直观地寻找规律、连接、关联等,并建立相应的模型,从而得出有用的结论。
该方面建议采用国内首个针对植物表型、集算法算力于一体的可视化建模分析平台PhenoAI Flow,仅需点击便可任意调整算法的关键参数和网络结构,使得非计算机背景用户也可轻松使用最前沿的深度学习算法进行AI分析挖掘,同时算法工作者更可通过内置的自定义编程模块与平台进行无缝衔接而提高数倍工作效率。
方案优势适用范围广:适用各类大田和园艺作物
灵活配置:支持各类传感器,如可见光、多光谱、高光谱、近红外等
适用尺度广:适用多尺度组织和器官
扩展性强:可添加深度学习模型,实现个性化指标的任意扩展
操作简单:一键分析,极简体验
建模挖掘:涵盖海量前沿深度学习模型,简单拖拽便可分析
结语作物表型组大数据是一项科学系统工程,需要农学、植物学、自动化、机械工程、图形图像、计算机科学等多学科紧密协作,才能将作物表型组大数据最终转化为生物学和农学新知识。
本方案旨在建设作物表型组大数据技术及装备方面的大科学工程,形成数据“采集–分析–挖掘”为一体的技术体系,从而助力数字育种、智慧栽培等方向。