不结球白菜生长发育过程中表型变化2017年8月，上海交通大学黄丹枫教授课题组在Scientific Reports上发表了结合表型技术和机器学习，完成对温室小白菜根区水分状态模型建立与验证的科研文章：Discrimination of plant root zone water status in greenhouse production based on phenotyping and machine learning techniques。AgriPheno平台的温室型高通量表型系统Greenhouse scanalyzer systems支持到该研究。
大家都知道植物对水分胁迫的感知可以为温室精密灌溉系统提供敏感及直接的参考。然而，植物信息的获取、阐释和系统应用仍然不足。黄丹枫教授课题组通过整合表型和机器学习技术，研究并开发出温室植物根系水分状况的辨别方法。他们以小白菜作为研究对象，对小白菜进行不同梯度相对含水量处理：40％，60％和80％。使用随机森林（Random Forest ,RF），神经网络（Neural Network ,NN）和支持向量机（Support Vector Machine ,SVM）三种分类模型，在不同情况下进行了开发和验证，总体精度均达到90％以上。结果显示：SVM模型的价值最高，但训练时间最长。在所有情况下，所有模型的精度均超过85％，在RF模型中观察到更稳定的性能。由前五大贡献特征开发的简化SVM模型的精度降低最大，为29.5％，而简化的RF和NN模型仍保持约80％。对于实际应用情况，应在模型选择中综合考虑运行成本、精度要求和系统反应时间等因素。黄丹枫教授课题组的工作表明，通过表型和机器学习技术，可以区分植物根系水分状况，进而达到实施精确灌溉管理的最终目的。
黄丹枫教授课题组利用AgriPheno平台的温室型高通量表型系统Greenhouse scanalyzer systems（LemnaTec， Germany）进行小白菜图像采集与处理。20天生长期分为五个阶段：1期，2期，3期，4期和5期，每个阶段四天。每株小白菜同时采集近红外（NIR）和可见光（VIS）两种类型图像。采集的图像被传送到表型系统的中央数据库LemnaBase中，通过表型系统图像分析软件LemnaGrid进行小白菜表型的专门处理。LemnaGrid图像处理的四个主要步骤：（1）图像预处理，从LemnaBase提取目标图像; （2）分割目标植物与图像背景; （3）特征提取，分析分割结果和产生表型性状; （4）后处理，总结所有目标图像的特征提取结果，并导出为“.xls”文件。
不同生长阶段小白菜的表型分析
图形图像处理流程
黄丹枫教授课题组重点关注NIR近红外成像下的相对含水量分布、可见光成像下的形态特征和颜色特征（具体参数指标敬请阅读文献原文）。为了提高建模的效率，黄丹枫教授团队利用ANOVA检测方法，剔除37个表型指标中的冗余指标，选取Normsmallpax（二次矩轴最小归一化指数）、Circumference（周长）、Roundness（圆度）、Bdrycount（边界点数目）、Bdrytoarearatio（边界点数目与面积的比值）等5个在根区水分状态上具有显著性差异的参数完成模型建立与验证的工作。
全文阅读
Doudou Guo, Jiaxiang Juan, Liying Chang, Jingjin Zhang, Danfeng Huang. Discrimination of plant root zone water status in greenhouse production based on phenotyping and machine learning techniques. Sci Rep. 2017; 7: 8303.
人物介绍
黄丹枫教授研究方向主要为设施园艺技术以及蔬菜生理生态。现为上海交大现代农业与生物工程中心主任，还曾担任上海交大农业与生物学院副院长等职务。2006.05-2005.05，作为访问教授在荷兰瓦格宁根大学交流学习。作为第一完成人的项目《工厂化育苗关键技术创新集成与产业化示范》曾获上海市科技进步一等奖。主持过国家863，上海市科委等多个项目。