王 薇，付虹雨，龔喜紅，盧建寧，楊瑞芳，崔國(guó)賢，佘 瑋

（湖南農(nóng)業(yè)大學(xué)苧麻研究所，長(zhǎng)沙 410128）

0 引 言

干旱環(huán)境下的作物生長(zhǎng)監(jiān)測(cè)一直都是農(nóng)業(yè)領(lǐng)域研究的熱點(diǎn)問題[1]。干旱使植物所需水分達(dá)不到正常生長(zhǎng)需求，植物根系萎焉，伴隨毛細(xì)根、側(cè)根脫落現(xiàn)象，營(yíng)養(yǎng)吸收功能下降，導(dǎo)致植株矮小[2]。植物響應(yīng)干旱脅迫時(shí)，機(jī)制感應(yīng)到缺水會(huì)關(guān)閉氣孔，直接影響光合作用與蒸騰作用，使光合作用的產(chǎn)物運(yùn)輸受阻，影響新陳代謝，并導(dǎo)致植株內(nèi)部有機(jī)物發(fā)生水解，無機(jī)質(zhì)濃度增高，作物干枯致死[3,4]。在過去幾十年里，干旱嚴(yán)重制約了全球作物產(chǎn)量的進(jìn)一步提高，是造成局部區(qū)域作物產(chǎn)量及品質(zhì)下降的重要因素[5]。受全球變暖和極端天氣的影響，以及作物的需水量在生長(zhǎng)過程中逐漸提高，使得水資源供應(yīng)緊張，作物的生長(zhǎng)環(huán)境變得更加艱巨。為緩解干旱脅迫對(duì)作物生長(zhǎng)的影響，保證作物的安全生長(zhǎng)，需要在合理利用水資源的基礎(chǔ)上，對(duì)其水分含量進(jìn)行實(shí)時(shí)監(jiān)測(cè)，實(shí)現(xiàn)干旱程度精確識(shí)別，并進(jìn)行精準(zhǔn)灌溉以提高水分利用效率。育種學(xué)家們也加快了作物的抗旱性研究，以期培養(yǎng)抗旱性強(qiáng)的作物品種。

傳統(tǒng)的作物干旱脅迫研究需要人工測(cè)量多項(xiàng)指標(biāo)（如植株含水量、土壤含水量、冠層溫度、環(huán)境濕度等），存在費(fèi)時(shí)費(fèi)力、破壞性強(qiáng)等眾多弊端。當(dāng)需要對(duì)大規(guī)模種植田地或山地、丘陵等復(fù)雜環(huán)境下作物生長(zhǎng)狀況進(jìn)行測(cè)量時(shí)，這種方法是難以實(shí)現(xiàn)并且不滿足現(xiàn)代農(nóng)業(yè)需求的。并且，以往研究多在可控、非自然環(huán)境下進(jìn)行，所獲取的測(cè)量結(jié)果無法全面反映不同種質(zhì)的作物在多時(shí)序下的變異范圍。因此，迫切需要一種方法能實(shí)現(xiàn)干旱環(huán)境下，作物生長(zhǎng)狀況的頻繁、精準(zhǔn)、快速、無損監(jiān)測(cè)，通過大規(guī)模信息獲取反映田間作物的整體干旱狀況。

高通量表型技術(shù)是指利用遙感平臺(tái)搭載各類型傳感器快速獲取高容量、高精度的作物表型信息，包括遙感技術(shù)、光譜技術(shù)、機(jī)器學(xué)習(xí)技術(shù)等多項(xiàng)技術(shù)。近年來，隨著科技的發(fā)展，高通量表型分析方法在作物生長(zhǎng)監(jiān)測(cè)領(lǐng)域取得了許多進(jìn)展，如王利民等[6]基于衛(wèi)星遙感影像，對(duì)比了多種機(jī)器學(xué)習(xí)方法對(duì)研究區(qū)內(nèi)的大豆、玉米和其他地物分類效果，實(shí)現(xiàn)了作物面積的精確提取。吳靜珠等[7]通過高光譜成像相機(jī)采集單粒玉米種子的高光譜圖像和平均光譜信息，結(jié)合集成學(xué)習(xí)算法建立玉米種子水分檢測(cè)模型，為玉米精量播種技術(shù)的推廣和發(fā)展提供可行的檢測(cè)手段。張靜等[8]利用無人機(jī)RGB圖像，比較了傳統(tǒng)機(jī)器學(xué)習(xí)方法與多種深度學(xué)習(xí)方法在識(shí)別棉花種植密度上的精確度，實(shí)現(xiàn)不同密度棉田的快速識(shí)別，對(duì)棉田未來的智能化管理提供技術(shù)支持。以上研究為高通量表型技術(shù)對(duì)作物的干旱脅迫診斷提供了新的途徑。

高通量表型技術(shù)的應(yīng)用能夠?qū)崟r(shí)準(zhǔn)確、快速、穩(wěn)健地獲取大面積植株水分，對(duì)于發(fā)展現(xiàn)代高效精準(zhǔn)農(nóng)業(yè)至關(guān)重要。并且在識(shí)別作物干旱脅迫的發(fā)展歷程里，這一技術(shù)也有著里程碑式的突破。本文將介紹作物反映干旱脅迫的指標(biāo)、高通量表型技術(shù)在作物中的應(yīng)用以及作物領(lǐng)域常用的機(jī)器學(xué)習(xí)方法。

1 作物反映干旱脅迫的指標(biāo)

作物反映干旱脅迫的指標(biāo)總體可以分為3大類：①作物蒸騰量、含水量以及土壤含水率等指標(biāo)，能夠直接反映作物內(nèi)部水分含量的得失，是反映作物干旱程度的主要指標(biāo)[9]。②伴隨干旱脅迫的發(fā)生，作物生長(zhǎng)狀況會(huì)發(fā)生變化，如過度干旱會(huì)導(dǎo)致葉片光合器官遭受到破壞，所以也有研究通過測(cè)定葉綠素、類胡蘿卜素、酶活性等生理生化物質(zhì)的含量來反映作物干旱程度[10]。③作物受到干旱脅迫后，植株形態(tài)會(huì)發(fā)生一系列變化，比如卷葉、葉片掉落、株高下降、葉片萎焉發(fā)黃等[11]，其中，葉片卷曲表現(xiàn)的最為明顯，且與葉片水勢(shì)呈線性關(guān)系[12]。因此，形態(tài)變化及農(nóng)藝性狀差異也可作為衡量作物受干旱的參考。

1.1 作物蒸騰量、含水量以及土壤含水率

（1）作物蒸騰速率。從生物學(xué)上講，相對(duì)于正常生長(zhǎng)的植物，干旱會(huì)導(dǎo)致葉片氣孔關(guān)閉，從而降低能量耗散效率，進(jìn)一步導(dǎo)致蒸騰作用減弱，葉片溫度升高[13]。蒸騰速率的計(jì)算主要由氣象因子構(gòu)成，加之大氣輻射、作物生長(zhǎng)情況與水分利用效率等指標(biāo)的估算結(jié)果。QIU 等[14]發(fā)現(xiàn)，在干旱和高溫脅迫下，甜瓜、番茄和生菜的葉片溫度、氣溫和冠層溫度之間存在差異。他還提出，蒸騰傳遞系數(shù)可以用來識(shí)別植物中不同的非生物脅迫。

（2）植物含水量。植物含水量是反映作物水分狀況的指標(biāo)之一，也是開展作物水分虧缺診斷的重要基礎(chǔ)[15]。作物植株含水量的高低直接體現(xiàn)了其受水分脅迫的嚴(yán)重程度，傳統(tǒng)的植株含水量監(jiān)測(cè)方法主要為取樣烘干法，在操作上具有費(fèi)時(shí)、費(fèi)力、效率低下和測(cè)點(diǎn)不具有代表性等缺點(diǎn)，無法對(duì)植物含水量進(jìn)行實(shí)時(shí)檢測(cè)[16]。因此快速、準(zhǔn)確地獲取植株水分以了解作物水分虧缺情況，是制定灌溉措施的關(guān)鍵[17]。遙感技術(shù)主要根據(jù)各植物含水率對(duì)特定波長(zhǎng)反射率的相關(guān)性信息進(jìn)行植物監(jiān)測(cè)，植物的含水率與不同波長(zhǎng)反射率間呈明顯的相關(guān)性[18]。曹曉蘭[19]利用旺長(zhǎng)期和成熟期的上、中、下葉位的葉片數(shù)據(jù)，構(gòu)建了苧麻含水量預(yù)測(cè)模型，得出在近紅外波段的區(qū)域反射率與上中下葉位葉片含水率大小呈負(fù)相關(guān)。劉燕德等[20]采用GA 遺傳算法提取特征波長(zhǎng)，建立臍橙葉片水分預(yù)測(cè)模型，預(yù)測(cè)集精確度很高。

（3）土壤含水量。土壤含水量是評(píng)價(jià)地表作物生長(zhǎng)發(fā)育的關(guān)鍵指標(biāo)，會(huì)影響植被的生理物理和化學(xué)結(jié)構(gòu)，也是制約干旱、半干旱地區(qū)作物生長(zhǎng)發(fā)育的重要因素[21]。目前常使用的測(cè)量土壤的遙感方式主要有熱紅外與可見光等方式，利用無人機(jī)平臺(tái)搭載熱紅外相機(jī)等設(shè)備，將獲取的圖像信息與田間實(shí)測(cè)數(shù)據(jù)結(jié)合，進(jìn)行建模與反演，實(shí)現(xiàn)土壤含水量的高效監(jiān)測(cè)。陳碩博等[22]以抽穗期冬小麥為研究對(duì)象，采用低空無人機(jī)搭載多光譜相機(jī)獲取其冠層光譜反射率，并與參考點(diǎn)光譜反射率求差，得差值反射率，構(gòu)建不同深度的土壤含水率模型，得出寬行距時(shí)40 cm 深度的最優(yōu)。尚曉英等[23]研究得出棉花花鈴期的3 種水分脅迫指數(shù)對(duì)土壤含水率的最佳監(jiān)測(cè)深度為0～60 cm。

1.2 生理生化指標(biāo)

反映作物干旱脅迫的生理生化指標(biāo)包括根系活力、酶活性、葉綠素含量、可溶性糖含量和可溶性蛋白的含量等[24]。植株的水分大部分來自根系從土壤中吸收的水分，而且根系是響應(yīng)干旱脅迫最迅速、敏感的器官[25]。有研究表明，作物受到干旱脅迫，根系活力下降，并且隨著干旱程度的加深，根系活力下降得越多[26]。植物自身應(yīng)對(duì)脅迫存在一定的保護(hù)機(jī)制，植物響應(yīng)干旱脅迫，內(nèi)部的抗氧化酶（SOD、POD、CAT 等）開始清除干旱產(chǎn)生的活性氧，隨著干旱程度的加深與脅迫時(shí)間的延長(zhǎng)，酶活性均呈先上升后下降的變化趨勢(shì)[27]?；钚匝醯漠a(chǎn)生，會(huì)破壞葉綠體的結(jié)構(gòu)，影響植物的光合作用，使葉綠素的合成減少。葉綠體是植物進(jìn)行光合作用的主要場(chǎng)所，葉綠素的含量直接影響植物的光合速率[28]。植物在受到干旱脅迫時(shí)，葉片的葉綠素a、葉綠素b 和總體葉綠素含量均下降，并且其下降程度取決于植物的干旱程度[29]?？扇苄蕴鞘且环N植物應(yīng)對(duì)干旱脅迫參與滲透調(diào)節(jié)的物質(zhì)，可溶性糖可以彌補(bǔ)由于光合產(chǎn)物減少造成的損失，減少不良環(huán)境對(duì)植株造成的影響[30]。

1.3 形態(tài)變化及農(nóng)藝性狀差異

作物受到干旱脅迫時(shí)，最明顯、直觀的變化體現(xiàn)在形態(tài)與農(nóng)藝性狀上。干旱脅迫下，株高、葉面積、穗數(shù)、千粒重等都會(huì)受到不同程度的影響。段素梅等[31]對(duì)水稻全生育期進(jìn)行了不同程度的干旱設(shè)計(jì)，試驗(yàn)結(jié)果表明干旱使水稻株高有下降趨勢(shì)，并且得出在分蘗完成后的拔節(jié)抽穗期是影響最大的階段。裴孝伯等[32]對(duì)溫室黃瓜葉面積與株高的變化規(guī)律進(jìn)行了研究，得出2者間呈極顯著線性相關(guān)，株高的變化在一定程度上會(huì)影響葉面積的大小。裴志超等[33]對(duì)多品種玉米在不同干旱條件下的生長(zhǎng)情況進(jìn)行測(cè)量，結(jié)果是所有品種的玉米產(chǎn)量及其構(gòu)成因素如粒數(shù)、植株高度等均顯著降低。因此，形態(tài)變化及農(nóng)藝性狀的差異也是考察作物干旱程度的重要參數(shù)之一。

2 高通量表型技術(shù)

2.1 遙感技術(shù)

遙感技術(shù)可以從高空中監(jiān)測(cè)農(nóng)作物的生長(zhǎng)狀態(tài)[34]，對(duì)地面中的重要信息進(jìn)行精準(zhǔn)獲取，具有測(cè)量可靠、非破壞性和勞動(dòng)強(qiáng)度低等優(yōu)勢(shì)[35]。遙感的出現(xiàn)提供了快速的監(jiān)測(cè)方法，近年來已經(jīng)取得一些成果。由于其可以提供作物時(shí)空分布信息，越來越多的研究人員開始以遙感數(shù)據(jù)作為傳統(tǒng)田間水分脅迫監(jiān)測(cè)手段的補(bǔ)充[36]，進(jìn)行大田作物水分脅迫監(jiān)測(cè)。遙感平臺(tái)按離地距離可分為近地面遙感平臺(tái)、低空遙感平臺(tái)、航空遙感平臺(tái)和航天遙感平臺(tái)[37]。在作物的高通量表型技術(shù)中，研究人員常常使用無人機(jī)（低空遙感平臺(tái)）與衛(wèi)星（航天遙感平臺(tái)）來獲取數(shù)據(jù)。

無人機(jī)平臺(tái)具有小巧、輕便、快速、可多次使用等優(yōu)點(diǎn)，機(jī)身可以搭載多種傳感器，來獲取作物的葉面積、株高和葉色等表型數(shù)據(jù)，進(jìn)一步實(shí)現(xiàn)作物養(yǎng)分含量、葉綠素含量、水分含量、植被覆蓋率等生理生化指標(biāo)的快速、無損、實(shí)時(shí)監(jiān)測(cè)[38]。衛(wèi)星平臺(tái)具有穩(wěn)定、面積廣、不受環(huán)境影響等優(yōu)點(diǎn)，可以快速地獲取作物生長(zhǎng)情況[39]，被廣泛應(yīng)用于大規(guī)模作物面積測(cè)量、災(zāi)害評(píng)估等方面[40]，但其成本高昂、精度不高，不適宜小面積地塊進(jìn)行多次、精準(zhǔn)的測(cè)量。隨著無人機(jī)的迅速發(fā)展與先進(jìn)技術(shù)的出現(xiàn)，無人機(jī)的各種優(yōu)點(diǎn)使其成為了近期遙感平臺(tái)的熱門設(shè)備。

2.2 光譜技術(shù)

光譜可以用來鑒別物質(zhì)、分析物質(zhì)的組成和相對(duì)含量，是因?yàn)槲镔|(zhì)吸收、反射和投射的光譜波長(zhǎng)和強(qiáng)度是不同的，每種物質(zhì)都有不一樣的特征光譜[41]。在作物領(lǐng)域，光譜之間的差異可以用于監(jiān)測(cè)作物的生長(zhǎng)狀況。隨著作物生育期的推移或者受到外界環(huán)境脅迫影響時(shí)，植被覆蓋度、植株葉片結(jié)構(gòu)、內(nèi)部細(xì)胞結(jié)構(gòu)、植株體內(nèi)色素含量等會(huì)發(fā)生一定的變化，最終造成冠層光譜發(fā)生變化[42]。光譜技術(shù)可以分為可見光成像技術(shù)、高光譜成像技術(shù)、多光譜成像技術(shù)、熱紅外成像技術(shù)等，以下對(duì)作物領(lǐng)域常見的光譜技術(shù)進(jìn)行介紹。

（1）可見光成像技術(shù)。各種成像技術(shù)可以通過攜帶輕型傳感器集成到無人機(jī)中，其中消費(fèi)者級(jí)相機(jī)是捕獲高分辨率圖像的一種經(jīng)濟(jì)有效的解決方案，具有易于計(jì)算、價(jià)格便宜及易于推廣等優(yōu)勢(shì)。在RGB 可見光圖像中，大多數(shù)作物都與土壤環(huán)境在綠色通道上具有較高的對(duì)比度差異，這一特征可以利用色階進(jìn)行調(diào)整，分割出土壤背景以消除其對(duì)圖像數(shù)字化過程中的誤差影響。干旱脅迫下，玉米植株為了平衡光合作用和蒸騰作用，會(huì)調(diào)節(jié)葉片的葉綠素含量，葉片內(nèi)部水分和葉綠素的雙重影響會(huì)改變它們?cè)赗GB 三基色通道上的分布[43]。DUAN 等[44]提取了一系列圖像特征來精確描述水稻的形態(tài)和顏色，從而區(qū)分了干旱敏感和抗旱水稻。LAXMAN 等[45]提出一種結(jié)合RGB 圖像數(shù)字特征與番茄干旱脅迫下生理生化指標(biāo)建模的方法，實(shí)現(xiàn)無損地監(jiān)測(cè)不同水分條件下番茄基因型的生長(zhǎng)表現(xiàn)。徐存東等[46]等利用無人機(jī)RGB 遙感影像信息解譯地塊特征，結(jié)合監(jiān)督分類算法實(shí)現(xiàn)了干旱地區(qū)的鹽堿地類型精確識(shí)別。

（2）高光譜成像技術(shù)。高光譜遙感的特點(diǎn)是能在可見光到短波紅外的光譜區(qū)間連續(xù)成像，所記錄的通道數(shù)量可以達(dá)到數(shù)百個(gè)[47]。PASQUALOTTO 等[48]利用機(jī)載高光譜傳感器獲取的冠層反射光譜數(shù)據(jù)通過吸水面積指數(shù)和深度水指數(shù)對(duì)首蓿、玉米、馬鈴薯、甜菜和洋蔥的含水量進(jìn)行分析和驗(yàn)證，結(jié)果得出兩個(gè)指數(shù)在植被覆蓋率高的物種上表現(xiàn)出色。RAJ等[49]在作物生長(zhǎng)早期使用400～1 000 nm 范圍內(nèi)的高光譜數(shù)據(jù)，建立估算葉片含水量的模型，可以較好地識(shí)別水分脅迫的地塊。汪佩佩[50]對(duì)多品種苧麻光譜數(shù)據(jù)反射率進(jìn)行綜合分析，得到與葉片含水量的相關(guān)性最高波段集中在400～727 nm、837～1 138 nm、2 274～2 289 nm。劉紅蕓等[51]通過機(jī)載高光譜成像儀獲取采摘期煙葉的高光譜數(shù)據(jù)，得出SG 卷積平滑法預(yù)處理的PCA-MD-PLS 模型效果最佳，實(shí)現(xiàn)了煙葉水分的快速、無損監(jiān)測(cè)，對(duì)煙草工藝具有重要意義。李永梅等[52]利用連續(xù)統(tǒng)去除法對(duì)原始光譜反射率進(jìn)行處理，可以提高枸杞葉片含水率的高光譜估算能力，實(shí)現(xiàn)枸杞葉片含水率的定量估算。

（3）多光譜成像技術(shù)。使用多光譜遙感技術(shù)進(jìn)行作物水分監(jiān)測(cè)的理論基礎(chǔ)是可見光、近紅外和短波紅外植被光譜特征和生理參數(shù)、光合活性和葉片水分狀態(tài)之間的直接相互作用。程曉娟等[53]的研究表明紅—近紅外波段附近的植被光譜反射率特征相對(duì)其他波段而言對(duì)水分變化更為敏感。費(fèi)浩等[54]使用無人機(jī)搭載的多光譜相機(jī)獲取田間遙感影像，得出紅波段（680 nm）和近紅外1 波段（800 nm）間的光譜特征與棉花冠層含水量相關(guān)性最高，紅邊波段對(duì)植被的應(yīng)力敏感性較強(qiáng)，對(duì)土壤背景較敏感。馬龍飛等[55]通過無人機(jī)多光譜采集春玉米近地遙感影像數(shù)據(jù)，所提取的紅邊波段的植被指數(shù)能夠較好地獲取不同灌溉模式下的作物生長(zhǎng)狀況，可以比人工測(cè)量更早發(fā)現(xiàn)玉米受到干旱脅迫。黃夢(mèng)婷等[56]利用植被指數(shù)對(duì)不同水分處理的水稻冠層SPAD 值進(jìn)行建模反演，得出紅邊波段結(jié)合近紅外波段的精度最高。

（4）熱紅外成像。熱紅外的成像原理是對(duì)物體的紅外熱輻射能力成像，其圖像不反映物體形態(tài)特征[57]。尚曉英等[23]利用無人機(jī)熱紅外遙感數(shù)據(jù)構(gòu)建棉花的水分脅迫指數(shù)，發(fā)現(xiàn)花鈴期水分脅迫指數(shù)與土壤含水率呈現(xiàn)較好的冪函數(shù)非線性關(guān)系，指數(shù)結(jié)合冠層溫度顯著提高棉花根系土壤含水率的反演精度。孫圣等[58]發(fā)現(xiàn)核桃樹的冠層溫度略高于其環(huán)境溫度0～5 ℃，且冠-氣溫差與土壤含水量呈負(fù)相關(guān)。許崇豪等[59]通過無人機(jī)熱紅外圖像提取了作物缺水指數(shù)、冠層相對(duì)溫差、地表相對(duì)溫差，多指數(shù)進(jìn)行加法組合構(gòu)造了水分-溫度綜合指數(shù)，結(jié)果表明綜合指數(shù)與土壤含水率的相關(guān)性更高。

2.3 數(shù)據(jù)處理方法

遙感平臺(tái)通過搭載各類傳感器實(shí)現(xiàn)了數(shù)據(jù)采集，想要把獲取的數(shù)據(jù)轉(zhuǎn)化為有指導(dǎo)意義、可用于干旱監(jiān)測(cè)的指標(biāo)，需要結(jié)合圖像處理技術(shù)、統(tǒng)計(jì)分析技術(shù)、機(jī)器學(xué)習(xí)技術(shù)等。以下從統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)兩個(gè)方面介紹數(shù)據(jù)的處理方法。

2.3.1 統(tǒng)計(jì)分析方法

統(tǒng)計(jì)分析方法主要有相關(guān)性分析法和主成分分析法。通過相關(guān)性分析定性判斷現(xiàn)象間是否存在相關(guān)關(guān)系，分析因變量與自變量之間是否存在相關(guān)性。如作物不同干旱程度的光譜指數(shù)與冠層溫度之間通過分析得出具有較高的相關(guān)性，說明冠層溫度能夠作為作物響應(yīng)干旱程度模型的一個(gè)建模參數(shù)。主成分分析法多用于光譜分析，是一種數(shù)據(jù)降維處理技術(shù)，將多個(gè)變量通過線性變換以選出較少個(gè)數(shù)重要變量的一種多元統(tǒng)計(jì)分析方法。

2.3.2 機(jī)器學(xué)習(xí)方法

隨著人工智能、大數(shù)據(jù)的發(fā)展，機(jī)器學(xué)習(xí)也越來越廣泛地應(yīng)用于多個(gè)領(lǐng)域，極大地促進(jìn)了圖像處理技術(shù)的發(fā)展[8]。機(jī)器學(xué)習(xí)工具可以在大型圖像數(shù)據(jù)集中提取圖像的模式和特征，用于識(shí)別作物干旱脅迫程度。遙感技術(shù)與機(jī)器學(xué)習(xí)的結(jié)合為有效的干旱響應(yīng)量化提供了新的機(jī)會(huì)，可為干旱區(qū)農(nóng)業(yè)生態(tài)系統(tǒng)的管理與保護(hù)提供理論支撐。以下介紹常用的機(jī)器學(xué)習(xí)方法。

（1）傳統(tǒng)機(jī)器學(xué)習(xí)。傳統(tǒng)機(jī)器學(xué)習(xí)包括支持向量機(jī)、隨機(jī)森林等方法。支持向量機(jī)在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)[60]。KANEDA 等[61]提出了一種使用多模式新型植物水分脅迫預(yù)測(cè)方法——基于滑窗的支持向量機(jī)回歸算法用于監(jiān)測(cè)不同時(shí)期植物在水分脅迫下的生理變化，對(duì)比研究結(jié)果表明所提出的模型在植物水分脅迫預(yù)測(cè)上更勝一籌。劉婧然等[62]構(gòu)建了以冠層溫度和氣象因子為輸入因子的作物需水量SVM 預(yù)測(cè)模型，結(jié)合遺傳算法（GA）建立了青椒作物需水量的GA-SVM 模型，提高了模型的精確度。

隨機(jī)森林算法（Random Forest, RF）屬于集成方法，是利用多棵決策樹對(duì)樣本抽取進(jìn)行訓(xùn)練并集成預(yù)測(cè)的一種分類器，能夠較好地處理過擬合現(xiàn)象，平衡數(shù)據(jù)間的誤差。包青嶺等[63]通過隨機(jī)森林方法對(duì)光譜水分吸收特征參數(shù)進(jìn)行分類，優(yōu)選土壤水分含量的特征光譜，為干旱區(qū)的土壤含水量監(jiān)測(cè)提供了一種新方法。沈潤(rùn)平等[64]利用10 a衛(wèi)星遙感數(shù)據(jù)結(jié)合地面氣象站的綜合氣象干旱指數(shù)，構(gòu)建了基于隨機(jī)森林的干旱監(jiān)測(cè)模型，實(shí)現(xiàn)了體現(xiàn)空間演變的連續(xù)性區(qū)域旱情監(jiān)測(cè)。

（2）深度學(xué)習(xí)。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的分支，要使特征提取達(dá)到較高的精確度需要大量的訓(xùn)練樣本，樣本圖像最好在2 000 張以上。在作物領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)（CNN）支持生物學(xué)解釋，成為表型大數(shù)據(jù)分析的常用算法。PHUONG 等[65]以干旱脅迫下的無芒雀麥為試驗(yàn)材料，結(jié)合近距離高光譜圖像的導(dǎo)數(shù)光譜和深度學(xué)習(xí)模型實(shí)現(xiàn)干旱精確監(jiān)測(cè)，總體準(zhǔn)確率高達(dá)97.5%和100%，這項(xiàng)研究證明了在干旱脅迫研究中結(jié)合深度學(xué)習(xí)和高光譜數(shù)據(jù)對(duì)脅迫影響評(píng)估的有效性。CHANDEL 等[66]應(yīng)用AlexNet、GoogleNet 和Inception V3 這3 種深度學(xué)習(xí)模型對(duì)玉米、秋葵和大豆進(jìn)行干旱脅迫鑒定，結(jié)果表明GoogleNet DCNN 模型對(duì)不同類型作物的干旱脅迫程度進(jìn)行有效分類的能力遠(yuǎn)大于其他2種，用于檢測(cè)作物干旱脅迫的發(fā)生和干旱程度的識(shí)別精確度最高，并為發(fā)生干旱脅迫時(shí)自動(dòng)灌溉提供了技術(shù)支撐。

3 問題與展望

3.1 問 題

近年來，高通量表型技術(shù)迅速發(fā)展，在作物干旱脅迫中的研究中取得一定進(jìn)展，為多種作物的干旱脅迫監(jiān)測(cè)提供了科學(xué)的方法和工具[67]，但還有一些亟待解決的問題。

（1）模型的普適性不足。現(xiàn)階段大多數(shù)研究背景為同一試驗(yàn)地、同一生育期，跨地域、跨生育期的反演研究較少，所建立的模型是否具有普適性需要進(jìn)行更多的研究。

（2）高通量表型技術(shù)涵蓋了植物生產(chǎn)、分子育種、計(jì)算機(jī)、農(nóng)業(yè)工程等多個(gè)學(xué)科，對(duì)于多學(xué)科知識(shí)的掌握都有一定的要求，具有綜合高水平技術(shù)的研究人員數(shù)量較少，應(yīng)加強(qiáng)交叉學(xué)科之間的聯(lián)系，培養(yǎng)更多的專業(yè)人才。

3.2 展 望

（1）作物在受到干旱脅迫時(shí)，物理響應(yīng)通常是最迅速、直觀的反應(yīng)，如：葉片卷曲[68]、枯萎[69]等。這些特征通過無人機(jī)進(jìn)行多次、連續(xù)的采集，獲取的數(shù)據(jù)包含了豐富的信息量，并且多時(shí)序的記錄作物完整生育期產(chǎn)生的變化，所建立的模型具有更好的反演精度[70]。

（2）高通量表型技術(shù)能通過高相關(guān)性的植被指數(shù)獲取作物的生理生化指標(biāo)，輔助育種學(xué)家快速篩選出具有強(qiáng)抗旱性的基因型，有助于選育抗旱性強(qiáng)的品種[71]。

（3）在作物生長(zhǎng)管理中，及時(shí)準(zhǔn)確地獲取含水量信息，實(shí)現(xiàn)精準(zhǔn)灌溉，提高水分利用效率，獲得優(yōu)質(zhì)、高產(chǎn)的農(nóng)作物。

（4）政策性農(nóng)業(yè)保險(xiǎn)是我國(guó)近些年大力推廣的金融產(chǎn)品，可以最大程度地保障農(nóng)業(yè)生產(chǎn)者的利益。高通量表型技術(shù)能快速地對(duì)作物干旱程度定級(jí)，準(zhǔn)確地獲取受災(zāi)面積，提供數(shù)字化和標(biāo)準(zhǔn)化的數(shù)據(jù)分析，幫助專家進(jìn)行旱災(zāi)結(jié)果評(píng)定。并且這項(xiàng)技術(shù)能比人工更早地發(fā)現(xiàn)作物受到干旱脅迫影響，為災(zāi)害預(yù)防提供科學(xué)依據(jù)。