李遠(yuǎn)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(shù)的應(yīng)用對棉花智慧栽培管理和數(shù)字化育種具有重要意義。隨著農(nóng)業(yè)監(jiān)測傳感器及表型平臺的發(fā)展，棉花表型技術(shù)研究進入重要階段。概述了棉花的表型構(gòu)成和主要表型指標(biāo)；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(guān)傳感器及高通量系統(tǒng)平臺的發(fā)展現(xiàn)狀，總結(jié)其適用場景、通量、效率及精度；詳細(xì)綜述了棉花多源表型數(shù)據(jù)處理技術(shù)體系，包括圖像、三維建模、機器學(xué)習(xí)、深度學(xué)習(xí)以及表型大數(shù)據(jù)建模等技術(shù)方法；總結(jié)討論了當(dāng)前表型技術(shù)在棉花精準(zhǔn)栽培管理和數(shù)字育種方面的應(yīng)用進展；展望了棉花表型技術(shù)的未來發(fā)展趨勢。

關(guān)鍵詞：棉花；表型技術(shù)；表型平臺；高通量；多尺度；表型組學(xué)

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

植物表型研究始于20世紀(jì)末，其核心是高質(zhì)量、可重復(fù)地獲取性狀數(shù)據(jù)，進而量化分析基因型和環(huán)境互作效應(yīng)及其對產(chǎn)量、質(zhì)量、抗逆等主要相關(guān)性狀的影響［1］。植物表型是基因型與環(huán)境相互作用的結(jié)果［2］，能夠反映植物細(xì)胞、組織、器官、植株和群體的結(jié)構(gòu)及功能特征的物理、生理和生化性質(zhì)，本質(zhì)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(guī)律［3］。通過表型大數(shù)據(jù)分析，可以為育種、栽培管理提供品種評價、品種篩選依據(jù)以及生產(chǎn)管理決策［4-5］。隨著農(nóng)業(yè)信息感知技術(shù)和人工智能技術(shù)的飛速發(fā)展，植物表型技術(shù)研究進入發(fā)展快車道。當(dāng)前，植物表型研究被認(rèn)為是未來作物學(xué)、育種學(xué)研究和應(yīng)用的關(guān)鍵環(huán)節(jié)之一，受到國內(nèi)外科研人員的廣泛關(guān)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(xué)特性復(fù)雜，且生長過程需人為干預(yù)，無法通過采集設(shè)備直接獲取信息。研究棉花表型技術(shù)對育種和生產(chǎn)管理具有重要的指導(dǎo)意義，主要體現(xiàn)在：（1）栽培方案設(shè)計方面，基于表型-環(huán)境大數(shù)據(jù)，深入挖掘環(huán)境對棉株形態(tài)建成的作用，快速篩選目標(biāo)品種，對過往經(jīng)驗性結(jié)論進行科學(xué)驗證，設(shè)計適用于地域環(huán)境的栽培技術(shù)規(guī)程［6］；（2）生長監(jiān)測方面，無損、精確地獲取棉花生長表型數(shù)據(jù)，為生產(chǎn)決策、快速調(diào)控提供數(shù)據(jù)支持，實現(xiàn)數(shù)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(guān)聯(lián)分析、數(shù)量性狀定位、高分辨率連鎖圖譜及基因組選擇模型等技術(shù)緊密結(jié)合，加速品種選育和改良［8-9］，現(xiàn)代數(shù)字育種對表型數(shù)據(jù)需求迫切。

當(dāng)前，棉花表型高通量獲取及表型智能解析、大數(shù)據(jù)挖掘技術(shù)，受到國內(nèi)外研究者的廣泛關(guān)注，已形成一些卓有成效的科研成果［10］。本文詳細(xì)描述棉花主要表型性狀指標(biāo)，系統(tǒng)綜述棉花表型數(shù)據(jù)獲取平臺、相關(guān)表型解析算法和數(shù)據(jù)分析手段，列舉棉花表型典型應(yīng)用案例，總結(jié)前人在數(shù)字果樹方面開展的工作、形成的技術(shù)成果以及應(yīng)用案例，并對當(dāng)前技術(shù)不足和未來技術(shù)發(fā)展進行展望，以期為棉花表型技術(shù)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(diào)控和環(huán)境影響，從形態(tài)結(jié)構(gòu)、生理生化表觀特征以及生長變化動態(tài)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(biāo)列舉如下。

1.1形態(tài)結(jié)構(gòu)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(jié)構(gòu)。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(gòu)成，分枝又包括葉枝和果枝，相關(guān)表型指標(biāo)包括主莖長度、分枝長度、分枝個數(shù)、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(tài)表型特征有花形、苞葉大小、柱頭長短等［11］?；ㄊ芫笮纬赦?，鈴表型包括鈴尖形態(tài)、鈴長、鈴寬、鈴柄長等［13］；棉花株型根據(jù)果枝節(jié)間長短可分緊湊型、較緊湊型、較松散型、松散型等株型結(jié)構(gòu)。棉花的形態(tài)結(jié)構(gòu)表型還包括株高、冠層密閉度以及根系構(gòu)型等參數(shù)［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(xiàn)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(shù)據(jù)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(shù)、病蟲害檢測等參數(shù)［16-20］。

1.3微觀性狀表型

利用高倍顯微鏡、X射線等設(shè)備，能夠獲得植物器官顯微結(jié)構(gòu)特征，包括細(xì)胞內(nèi)空腔結(jié)構(gòu)、葉綠體、內(nèi)質(zhì)網(wǎng)、高爾基體等細(xì)胞器表型，葉片葉肉微結(jié)構(gòu)，氣孔導(dǎo)度、流體和溶質(zhì)運移結(jié)構(gòu)等特征，這些表型特征通常反映了細(xì)胞、組織等的顯微構(gòu)型，為“源-庫”物質(zhì)運輸提供“流”通道［21-27］。

1.4數(shù)量性狀及生長動態(tài)表型

出苗率、枝量、花量、棉鈴量等數(shù)量性狀，能夠表征棉花長勢和產(chǎn)量［28］。通過連續(xù)采集、觀測棉花生長過程表型數(shù)據(jù)，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(shù)據(jù)采集傳感器及平臺

高通量獲取植物表型數(shù)據(jù)，是開展植物表型研究的首要環(huán)節(jié)。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(huán)境等有關(guān)。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(jù)表型性狀采集目標(biāo)和應(yīng)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(xiàn)高通量數(shù)據(jù)采集。當(dāng)前，按照表型獲取平臺可分為手持、定點、車載、無人機、衛(wèi)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(dāng)前棉花表型獲取平臺的構(gòu)成和技術(shù)性能指標(biāo)（表1）。

2.1圖像類表型平臺

以RGB、光譜、熱紅外、熒光圖像數(shù)據(jù)獲取的表型，是植物表型性狀的重要組成部分。該類型數(shù)據(jù)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(wèi)星遙感等。在室內(nèi)環(huán)境下，搭建均勻一致的光環(huán)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?zé)艄庠?。室?nèi)環(huán)境下，受到空間限制，圖像傳感器通常集成在手持設(shè)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(shù)據(jù)［32-35］。在大田環(huán)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(shè)置是該類型平臺主要關(guān)注的技術(shù)環(huán)節(jié)［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(shù)據(jù)的精度，通常情況下光譜數(shù)據(jù)和RGB高清圖像數(shù)據(jù)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(tài)等技術(shù)參數(shù)。熱紅外成像傳感器被用來監(jiān)測棉花植株生長過程中溫度的變化規(guī)律，通常情況下該設(shè)備不單獨使用，常將熱紅外儀與RGB相機、光譜設(shè)備集成來獲取棉花表型［17，54］。近紅外圖像傳感器通常應(yīng)用于夜間環(huán)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(dāng)前，圖像類表型傳感器及高通量平臺的表型數(shù)據(jù)獲取技術(shù)基本成熟，并得到廣泛應(yīng)用。但其精度不高，受到環(huán)境干擾較大，仍然需要探究多傳感器同步采集以及數(shù)據(jù)融合技術(shù)，進一步提升表型數(shù)據(jù)質(zhì)量。

2.2三維點云類表型平臺

葉型、鈴型、株型等形態(tài)結(jié)構(gòu)表型參數(shù)基于二維圖像解析計算，常產(chǎn)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(shù)據(jù)獲取手段，能夠彌補該方面的不足。在株型表型數(shù)據(jù)獲取方面，通過表型平臺獲取棉花植株點云數(shù)據(jù)，從三維點云數(shù)據(jù)中能夠解析得到株高、分枝結(jié)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(shù)據(jù)；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(wǎng)遮陰，消除傳感器對光感應(yīng)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(dǎo)傳感器配合使用，得到田間種植棉花植株三維點云數(shù)據(jù)［37］。3D激光雷達通過多棧拼接激光雷達數(shù)據(jù)的方式，消除田間遮擋，獲得比較完整的植株點云數(shù)據(jù)，能夠?qū)崿F(xiàn)棉花莖稈節(jié)數(shù)、長度等株型表型獲?。?1］。隨著多視角三維重建技術(shù)的發(fā)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(shù)據(jù)，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(xué)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(jié)果表明，設(shè)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(xiàn)［40］。

為了獲得更精細(xì)的葉型特征，在室內(nèi)搭建三維結(jié)構(gòu)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(shù)［35］；利用激光雷達掃描儀，采集室內(nèi)盆栽棉花植株，得到葉片長度、寬度等表型參數(shù)［33］。研究表明，基于多視角三維重建技術(shù)，在室內(nèi)環(huán)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(shù)據(jù)和葉片數(shù)據(jù)，用來計算葉片長度、寬度、葉面積等表型數(shù)據(jù)；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(shù)據(jù)，基于點云識別技術(shù)，計算棉鈴的著生位置和田塊內(nèi)棉鈴數(shù)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(shù)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(xiàn)［45］，然而無人機數(shù)據(jù)精度與作業(yè)環(huán)境有極大關(guān)聯(lián)［56］，實踐中無法保證持續(xù)精準(zhǔn)作業(yè)。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(dǎo)系統(tǒng)，采集棉田植株及棉鈴數(shù)據(jù)，更魯棒地獲取棉鈴特征［57］。

棉花器官形態(tài)簡單，但現(xiàn)蕾后，苞葉包裹著棉蕾，導(dǎo)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(jié)構(gòu)表型獲取的有效工具。光學(xué)顯微鏡可觀察到棉葉、花梗的維管束細(xì)節(jié)［21］，如維管束長度、寬度及纖維細(xì)胞壁層數(shù)、厚度。相對于普通光學(xué)顯微鏡，共聚焦激光掃描顯微鏡可進行無損觀察，分析細(xì)胞的三維空間結(jié)構(gòu)，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(jié)構(gòu)變化、棉短絨結(jié)晶區(qū)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(shù)，可用于采集葉綠體、維管束、液泡、質(zhì)膜、細(xì)胞核、細(xì)胞壁等的精細(xì)結(jié)構(gòu)［25-26］。除了顯微鏡外，還可利用micro-CT獲取棉花纖維完整的內(nèi)部結(jié)構(gòu)信息，包括纖維的微觀結(jié)構(gòu)及其內(nèi)部纖維的排列等，用于棉花纖維品質(zhì)的評價［27］。

3表型解析分析技術(shù)研究進展

通過表型傳感器及相關(guān)采集平臺高通量獲取大批量的原始表型數(shù)據(jù)，以圖像、光譜、熱紅外、近紅外、激光雷達等傳感器產(chǎn)生的數(shù)據(jù)通常為非結(jié)構(gòu)化數(shù)據(jù)，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(nóng)學(xué)意義的表型指標(biāo)，是表型組學(xué)研究的技術(shù)瓶頸之一。當(dāng)前，常用的表型解析技術(shù)主要包括圖像處理、三維建模、機器學(xué)習(xí)、數(shù)據(jù)挖掘等計算機科學(xué)技術(shù)。表型解析通常要經(jīng)過數(shù)據(jù)標(biāo)定、數(shù)據(jù)去噪、數(shù)據(jù)分割、測量與計數(shù)、數(shù)據(jù)建模等關(guān)鍵環(huán)節(jié)。有效結(jié)合植物表型特征和數(shù)據(jù)采集場景特征，構(gòu)建自動化、管道化的數(shù)據(jù)處理系統(tǒng)及管理系統(tǒng)，能夠有效解決數(shù)據(jù)處理的人工成本，實現(xiàn)植物表型技術(shù)規(guī)?；茝V應(yīng)用。表型解析技術(shù)體系如圖1所示。

3.1二維圖像解析技術(shù)

以相機成像技術(shù)為代表的植物表型采集技術(shù)是快捷獲取植物表型的重要技術(shù)手段，該類原始采集數(shù)據(jù)包括RGB圖像、多光譜圖像、高光譜圖像等，受光照、被測環(huán)境以及相機傳感器狀態(tài)等影響，通常要利用復(fù)雜的圖像處理技術(shù)來提取植物關(guān)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(shù)［42］。利用無人機可見光圖像，基于顏色指數(shù)、定量葉面積指數(shù)估測光合有效輻射（PAR）截獲率［58］?；诙祱D像，量化棉苗期根系生長［36］。

針對多光譜圖像，通過區(qū)域生長和Otsu自動化閾值算法，實現(xiàn)棉鈴圖像分割計算［7］?；诠庾V指數(shù)、紋理指數(shù)及二者結(jié)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(shù)，評估棉田受災(zāi)情況［60］。利用棉花冠層光譜反射率曲線特征數(shù)據(jù)，監(jiān)測棉花冠層長勢［52］。

針對高光譜圖像，計算植被指數(shù)獲取棉花水分?jǐn)?shù)據(jù)［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(shù)（NDVI），對棉花幾何特征進行計算［62］。通過構(gòu)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(chǎn)量［63］。

3.2三維重建表型解析技術(shù)

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(xì)化的表型數(shù)據(jù)，需利用三維建模技術(shù)獲取植物三維表型。常用的三維數(shù)據(jù)源來自激光掃描、深度相機、結(jié)構(gòu)光、多視角重建等途徑［64］。其中：（1）基于激光掃描的點云數(shù)據(jù)，構(gòu)建RANSAC算法結(jié)合直線模型、歐氏聚類算法，可提取棉株主干特征［33］。結(jié)合GPS數(shù)據(jù)融合提取棉花株高表型［37］，以高密集彩色點云為輸入，對數(shù)據(jù)進行校正、分析，量化葉片參數(shù)［46］。激光掃描技術(shù)因其高精度、高分辨率的特征，成為棉花冠層參數(shù)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(shù)，其技術(shù)原理是通過RGB相機獲取植物側(cè)面不同傾斜角度的RGB圖像，然后基于運動結(jié)構(gòu)恢復(fù)（structure from motion，SFM）和多視角立體視覺（multi view stereo，MVS）技術(shù)，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(xiàn)棉鈴數(shù)據(jù)原位獲?。?3］。該技術(shù)在無人機平臺上也有較好的應(yīng)用效果，通過結(jié)合GPS坐標(biāo)、時間標(biāo)記與圖像進行匹配，獲取植物高度［34］；利用無人機遙感連續(xù)影像，基于運動恢復(fù)結(jié)構(gòu)（SFM）的數(shù)字地表模型，提取圖像特征估算產(chǎn)量［54］。多角度圖像重建技術(shù)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(shù)據(jù)，是一種低成本的解決方法，目前廣泛地應(yīng)用于植物三維表型獲取。（3）基于深度傳感器和結(jié)構(gòu)光傳感器采集的植物點云數(shù)據(jù)，利用Kinect相機獲取深度圖像，通過開發(fā)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(shù)據(jù)和RGB圖像數(shù)據(jù)，重建帶有顏色的點云數(shù)據(jù)，估測棉鈴分布及棉產(chǎn)［65］。利用結(jié)構(gòu)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(jié)合RGB三色光投影獲取棉花幼苗的三維點云，實現(xiàn)葉片參數(shù)量化［35］?；谠擃惣夹g(shù)方法的數(shù)據(jù)獲取效率高，但獲得的點云數(shù)據(jù)分辨率較低。

隨著傳感器技術(shù)及計算機圖形技術(shù)的發(fā)展，基于三維重建技術(shù)獲取多維度、高精度的表型信息，是未來植物表型獲取技術(shù)的發(fā)展趨勢。當(dāng)前獲取的三維表型通常為靜態(tài)表型，要實現(xiàn)棉株生育動態(tài)可視化，還需融入時間變量，實現(xiàn)活體連續(xù)監(jiān)測，形成更高維度的表型數(shù)據(jù)。

3.3機器學(xué)習(xí)技術(shù)

機器學(xué)習(xí)過程是通過大樣本特征提取、訓(xùn)練，達到機器自主識別的一個過程，訓(xùn)練的結(jié)果會受到訓(xùn)練集大小及訓(xùn)練次數(shù)的影響，是當(dāng)前植物表型解析較常用的一種技術(shù)手段。機器學(xué)習(xí)包括決策樹、貝葉斯、深度學(xué)習(xí)等算法，可分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)。近年來，傳統(tǒng)機器學(xué)習(xí)方法和深度學(xué)習(xí)方法在棉花表型解析平臺開發(fā)方面發(fā)揮了重要作用。（1）在傳統(tǒng)機器學(xué)習(xí)技術(shù)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(xiàn)棉葉病害的分類［31］；基于RGB圖像顏色變化，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）實現(xiàn)棉花病害監(jiān)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(xiàn)棉病識別［47］；使用SVM訓(xùn)練分類模型和點云處理技術(shù)檢測單個棉鈴［13］；構(gòu)建一種粒子群（particle swarm optimization，PSO）優(yōu)化算法，實現(xiàn)復(fù)雜背景下棉花葉片圖像分割［67］；基于區(qū)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(biāo)注，實現(xiàn)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(shù)處理衛(wèi)星圖像，建立棉花整個生育期的回歸模型［68］。（2）在深度學(xué)習(xí)技術(shù)方面，主要采用卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN）深度學(xué)習(xí)算法框架，通過近紅外高光譜，基于自設(shè)計卷積神經(jīng)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)建立分類模型，實現(xiàn)棉種分類［69］；利用位置、圖像信息，基于快速卷積神經(jīng)網(wǎng)絡(luò)（Fast R-CNN）、CNN模型實現(xiàn)棉花花蕾的檢測、計數(shù)和表征［50］；基于全卷積網(wǎng)絡(luò)（fully convolutional network，F(xiàn)CN）識別、提取和構(gòu)建上、中、下棉花層和平均單鈴質(zhì)量模型［45］；利用無人機圖像，通過YOLOv3深度學(xué)習(xí)網(wǎng)絡(luò)體系結(jié)構(gòu)模型，計算棉株出苗率［6］。

傳統(tǒng)機器學(xué)習(xí)與深度學(xué)習(xí)的差別，在于是否存在人工特征提取。相較于傳統(tǒng)機器學(xué)習(xí)，深度學(xué)習(xí)的學(xué)習(xí)能力更強，適應(yīng)性更廣，但其計算時間長，需大量樣本標(biāo)記數(shù)據(jù)，且對計算機硬件要求高。當(dāng)前，基于傳統(tǒng)機器學(xué)習(xí)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(xué)習(xí)技術(shù)的成熟應(yīng)用框架還較少，需研究者構(gòu)建適用的算法模型，并和圖形圖像技術(shù)結(jié)合使用。

3.4數(shù)據(jù)建模技術(shù)

數(shù)據(jù)建模技術(shù)主要體現(xiàn)在數(shù)據(jù)的統(tǒng)計分析方法、多因素指標(biāo)建模方法等?；诰€性、指數(shù)、對數(shù)和冪函數(shù)建立葉面積指數(shù)估算模型［70］。利用無人機影像、數(shù)碼影像構(gòu)建數(shù)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(shù)據(jù)建模技術(shù)，可對棉花某種特征與光譜信息之間進行關(guān)聯(lián)，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(shù)［29］。利用衛(wèi)星影像及人工測量，構(gòu)建植被指數(shù)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(shù)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(shù)據(jù)建模方面的進一步研究，應(yīng)嘗試多種建模方法，探究如何在保證模型穩(wěn)健的情況下，減少數(shù)據(jù)規(guī)模或降低模型計算量。另外，當(dāng)前的模型多基于冠層葉片特征表型數(shù)據(jù)而構(gòu)建，探究多因子表型挖掘技術(shù)框架是未來的研究趨勢。

4棉花表型技術(shù)應(yīng)用

4.1表型技術(shù)助推精準(zhǔn)栽培

表型采集設(shè)備以及表型解析方法的應(yīng)用，大大促進了棉花精準(zhǔn)栽培的發(fā)展。表型技術(shù)應(yīng)用于棉花智慧栽培管理，主要表現(xiàn)在長勢監(jiān)測、產(chǎn)量預(yù)測、災(zāi)情評估以及病情診斷等方面。

（1）長勢監(jiān)測：表型技術(shù)可識別不同的棉花品種［67］。在棉株生長發(fā)育中，表型技術(shù)能對根系生長狀態(tài)實時且原位監(jiān)測［36，74］，對棉苗出苗情況也能實現(xiàn)動態(tài)監(jiān)測［63，67］。在生理生化上，表型技術(shù)已實現(xiàn)對葉溫、冠層的有效光合截獲率、氮素營養(yǎng)、水分供應(yīng)及葉面積指數(shù)等指標(biāo)的持續(xù)監(jiān)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(diào)整管理方案與栽培措施，實現(xiàn)精準(zhǔn)節(jié)約的水肥管理方式。

（2）產(chǎn)量預(yù)測：棉花產(chǎn)量通過棉鈴三維建模及光譜、紋理指數(shù)結(jié)合的方式初步獲取，進一步通過多源參數(shù)融合，實現(xiàn)無損、精準(zhǔn)產(chǎn)量預(yù)測［59，77］。皮棉產(chǎn)量與棉花早期冠層反射率具有高相關(guān)性［78］，可將冠層屬性與植被指數(shù)相融合［29］，創(chuàng)新產(chǎn)量預(yù)測方法，挖掘棉產(chǎn)量潛力。

（3）災(zāi)情評估：在棉花生長發(fā)育階段內(nèi)，常遇到臺風(fēng)、冰雹、澇災(zāi)等惡劣天氣，可利用受災(zāi)作物與正常作物存在色彩、光譜、紋理等方面的差異進行災(zāi)情監(jiān)測［59，73］。臺風(fēng)天氣，棉花因倒伏導(dǎo)致冠層結(jié)構(gòu)塌陷，在紅邊和近紅外波段的反射率降低約0.12～0.20［73］，據(jù)此進行災(zāi)情評估，可為災(zāi)后恢復(fù)和生長發(fā)育提供準(zhǔn)確數(shù)據(jù)。

（4）病情診斷：棉花病害體現(xiàn)在顏色、光譜差異［20］，有學(xué)者據(jù)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(zhǔn)的棉花感病信息，為病害判斷、精準(zhǔn)施藥提供了可靠的數(shù)據(jù)基礎(chǔ)。

另外，可基于表型深度學(xué)習(xí)大數(shù)據(jù)挖掘技術(shù)，探究肥水限制因素，優(yōu)化棉花種植模式，構(gòu)建病蟲害預(yù)測模型，為棉花智慧栽培提供技術(shù)支撐。

4.2表型技術(shù)加速數(shù)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(guān)聯(lián)分析（genome-wide association study，GWAS）、全基因組選擇等高通量現(xiàn)代育種方案，為棉花遺傳圖譜構(gòu)建、功能基因挖掘和表型、基因型預(yù)測等開辟了新道路［80］。表型技術(shù)為棉花產(chǎn)量、品質(zhì)性狀的關(guān)鍵候選基因挖掘及遺傳調(diào)控機理解析提供了重要支持，主要體現(xiàn)在育種快速篩選、精準(zhǔn)鑒定、優(yōu)化預(yù)測等環(huán)節(jié)。

（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(shù)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(chǎn)的優(yōu)良親本。

（2）精準(zhǔn)鑒定：表型的精準(zhǔn)鑒定有助于深入理解基因與環(huán)境的互作效應(yīng)，充分挖掘棉花的種質(zhì)資源。表型性狀與QTLs定位、GWAS分析相關(guān)聯(lián)，可剖析復(fù)雜性狀的遺傳結(jié)構(gòu)，發(fā)現(xiàn)與衣分、纖維長度和強度相關(guān)的重要基因片段，確定短絨性狀的相關(guān)聯(lián)位點，鑒定逆境調(diào)控基因，驗證干旱候選基因功能等［82-86］。真實可靠的表型數(shù)據(jù)在棉花遺傳改良過程中顯得尤為重要。

（3）優(yōu)化預(yù)測：表型信息與基因信息的整合有助于模擬育種過程，優(yōu)化根系結(jié)構(gòu)［36］。結(jié)合基因互作效應(yīng)，可調(diào)整棉花營養(yǎng)枝發(fā)育和開花時間［87］，還可根據(jù)過往表現(xiàn)，預(yù)測基因不同表達水平引起的棉花結(jié)構(gòu)變化。

另外，表型監(jiān)測對于研究者探究產(chǎn)量和脅迫耐受性相關(guān)的遺傳學(xué)數(shù)量性狀具有重要意義，高通量和準(zhǔn)確的表型分析將提高遺傳增益的遺傳力和潛力［6］。面對數(shù)字智能化育種發(fā)展趨勢，表型監(jiān)測是智能育種的核心之一［88］，高通量、實時、精準(zhǔn)的表型采集解析技術(shù)是傳統(tǒng)育種向數(shù)字育種轉(zhuǎn)變的加速劑，也是實現(xiàn)育種工廠化、邁向智能設(shè)計育種階段的關(guān)鍵。

5展望

通過表型平臺和表型解析技術(shù)，能夠?qū)崿F(xiàn)棉花生長過程動態(tài)、多源、高通量、多尺度、高維度表型數(shù)據(jù)的獲取。棉花表型技術(shù)的研究和發(fā)展，對推動棉花育種、栽培管理數(shù)字化、智慧化發(fā)展具有重要意義。當(dāng)前，棉花表型技術(shù)研究及應(yīng)用取得了一定成效。隨著智慧農(nóng)業(yè)的發(fā)展和推廣應(yīng)用，筆者認(rèn)為未來植物表型技術(shù)將進入高速發(fā)展期，從技術(shù)層面上體現(xiàn)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(zhǔn)確的圖像，使用更為便捷，功能更為強大，降低表型數(shù)據(jù)收集的門檻。對于高通量表型平臺，將集成更多傳感器設(shè)備，方便、快捷、一次性地提取更全面的高維表型信息，并實現(xiàn)平臺使用的無人化、低成本化。

5.2表型數(shù)據(jù)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(xiàn)多方面、多層次、多通道表型數(shù)據(jù)的同步獲取至關(guān)重要。應(yīng)對表型信息進行多尺度融合，發(fā)展并構(gòu)建圖像光譜融合技術(shù)、圖像點云3D圖譜融合技術(shù)等，構(gòu)建時間序列表型數(shù)據(jù)集，研究四維（4D）表型技術(shù)，從表型大數(shù)據(jù)中挖掘表型數(shù)據(jù)的相互關(guān)聯(lián)與規(guī)律。

5.3表型組學(xué)研究

從組學(xué)角度探究棉花表型及其內(nèi)在規(guī)律，將是下一步的研究重點之一。系統(tǒng)深入地挖掘“基因型-表型-環(huán)境型”的內(nèi)在關(guān)系，以多重組學(xué)的方式全面揭示特定生物性狀的形成機制，以工業(yè)化的標(biāo)準(zhǔn)來規(guī)劃表型獲取方式，以信息化的方式來處理表型數(shù)據(jù)，以多產(chǎn)融合的目標(biāo)來推進棉花產(chǎn)業(yè)發(fā)展。過往表型數(shù)據(jù)大多集中在器官、單株、群體層面，關(guān)于細(xì)胞、組織的表型研究還未充分挖掘，多生境、多模態(tài)的表型融合研究鮮有報道，棉花表型參數(shù)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(fā)展，利用表型技術(shù)提供數(shù)字育種、精準(zhǔn)種植管理和智能決策支持等個性化服務(wù)，培育優(yōu)質(zhì)抗逆品種，減少生物及非生物脅迫，提高農(nóng)業(yè)產(chǎn)能，使其更適于生態(tài)發(fā)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(xué)大數(shù)據(jù)及其研究進展［J］. 農(nóng)業(yè)大數(shù)據(jù)學(xué)報，2019，1（2）：5-18.

［5］周濟，Tardieu F，Pridmore T，等. 植物表型組學(xué)：發(fā)展、現(xiàn)狀與挑戰(zhàn)［J］. 南京農(nóng)業(yè)大學(xué)學(xué)報，2018，41（4）：580-588.

［6］Yang W N，F(xiàn)eng 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(xué)：生命科學(xué)，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(tài)性狀質(zhì)量遺傳分析與基因定位研究進展［J］. 棉花學(xué)報，2018，30（6）：473-485.

［12］顧生浩. 棉花功能結(jié)構(gòu)模型建立與新疆棉花產(chǎn)量預(yù)測［D］. 北京：中國農(nóng)業(yè)大學(xué)，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(yuǎn)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(nóng)業(yè)科學(xué)，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(jié)構(gòu)指標(biāo)及產(chǎn)量的影響［J］. 棉花學(xué)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(shù)研究［J］. 農(nóng)業(yè)機械學(xué)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(yīng)華，等. 利用多時序激光點云數(shù)據(jù)提取棉花表型參數(shù)方法［J］. 智慧農(nóng)業(yè)（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(jié)構(gòu)光三維點云的棉花幼苗葉片性狀解析方法［J］. 農(nóng)業(yè)機械學(xué)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(yù)測［J］. 新疆農(nóng)業(yè)科學(xué)，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(shù)字圖像監(jiān)測不同棉花品種葉面積指數(shù)［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(shù)［J］. 農(nóng)業(yè)工程學(xué)報，2016，32（21）：102-108.

［44］馬怡茹，呂新，易翔，等. 基于機器學(xué)習(xí)的棉花葉面積指數(shù)監(jiān)測［J］. 農(nóng)業(yè)工程學(xué)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(xué)控頂?shù)墓庾V特征和光合特征響應(yīng)研究［J］. 西北農(nóng)業(yè)學(xué)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(chǎn)量預(yù)測［J］. 光譜學(xué)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(nóng)用無人機多傳感器遙感輔助小麥育種信息獲?。跩］. 農(nóng)業(yè)工程學(xué)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(nóng)業(yè)科學(xué)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(shù)的棉花水分狀況高光譜遙感監(jiān)測研究［D］. 石河子：石河子大學(xué)，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(fù)雜背景與天氣條件下的棉花葉片圖像分割方法［J］. 中國農(nóng)業(yè)大學(xué)學(xué)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(nóng)業(yè)工程學(xué)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(yǎng)與肥料學(xué)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(yǎng)診斷研究［J］. 中國農(nóng)業(yè)科學(xué)，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(xué)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(shù)在多倍體作物基因組學(xué)研究中的應(yīng)用［J］. 浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2014，40（4）：355-369.

［81］李偉. 高通量作物表型檢測關(guān)鍵技術(shù)研究與應(yīng)用［D］. 合

肥：中國科學(xué)技術(shù)大學(xué)，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(chǎn)量纖維品質(zhì)性狀的全基因組關(guān)聯(lián)分析及候選基因篩選［D］. 楊凌：西北農(nóng)林科技大學(xué)，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(nóng)業(yè)大學(xué)，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(nóng)林科技大學(xué)，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(yīng)繼鋒，劉定富，趙健. 第5代（5G）作物育種技術(shù)體系［J］. 中國種業(yè)，2020（10）：1-3.