基于RGB成像技術(shù)估算鹽脅迫下紫花苜蓿幼苗生長性能

摘要：為實(shí)現(xiàn)無損、高效、準(zhǔn)確估算紫花苜蓿（Medicago satioaL.）幼苗生長性能指標(biāo)，本研究基于LemnaTec Scanan-lyzer植物表型分析系統(tǒng)拍攝鹽脅迫下29個(gè)紫花苜蓿品種幼苗頂視、正視和側(cè)視RGB圖像，分析篩選可估算幼苗生物量、葉綠素含量（Soil and plant analyzer development，SPAD）、葉面積和株高等生長性能指標(biāo)的圖像表型參數(shù)。結(jié)果表明：側(cè)視圖投影面積與紫花苜蓿幼苗葉干重、莖干重和總干重均具有顯著的正相關(guān)關(guān)系;基于頂視、正視和側(cè)視投影面積計(jì)算得到的5個(gè)參數(shù)中， 對(duì)幼苗總干重具有較好的預(yù)測效果，模型為 （204 。側(cè)視圖投影面積和側(cè)視圖最小外接圓直徑可分別用于建立紫花苜蓿幼苗葉面積和株高的估算模型 分別為0.71和 0 . 8 4 ） 。主成分分析表明，無鹽脅迫、低鹽脅迫 和高鹽脅迫濃度（150和225 處理的幼苗圖像表型參數(shù)明顯在不同象限。頂視、正視和側(cè)視3個(gè)角度投影面積和側(cè)視圖最小外接圓直徑均在4個(gè)鹽脅迫濃度梯度之間呈現(xiàn)顯著性差異，能夠估算紫花苜蓿幼苗生長性能，進(jìn)而評(píng)價(jià)其耐鹽脅迫能力。

中圖分類號(hào)：S541.9 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0435（2025）04-1201-10

Abstract： In order to estimate alfalfa seedling growth parameters by a non-inductive，high-eficiency and accur rate method，RGB images of 29 alfalfa cultivars seedlings under salt stress were taken from the top，side and front view using the LemnaTec Scananlyzer.Phenotypic parameters acquired from RGB images were analyzed，including biomass，SPAD value（Soil and plant analyzer development），leaf area and plant height. Results showed that the object area from the side view images had the significantly positive corelation with the leaf dry weight，the stem dry weight and the total dry weight.Five indices were calculated using the object area from the top， side and front view images and could predict total dry weight better with the model of y = 0 . 0 0 5 4 x + 0 . 0 3 0 5 （ .The object area and the min enclosing circle diameter from the side view images could respectively estimate the leaf area and the plant height with the of O.71 and 0.84. According to the principal component analysis，phenotypic parameters of seedlings could be obviously separated in different quadrant for the treatments of no salt level， low salt level and high salt level（150 and . The significant difference was found in the object area from three view images and the min enclosing circle diameter from the side view images among four salt stress levels.Thus，these phenotypic parameters could be used to estimate the growth characteristics and the salt tolerance of alfalfa seedlings.

Key words：Non-inductive estimation； Alfalfa；RGB imaging technology；Salt stress；Object area

紫花苜蓿（MedicagosatiuaL.）是多年生豆科牧草，因其生物產(chǎn)量高、牧草品質(zhì)優(yōu)良、適應(yīng)性廣而在全球大面積種植，主要用于草地農(nóng)業(yè)和生態(tài)建設(shè)工程。在我國，紫花苜蓿主要種植在內(nèi)蒙古、寧夏、甘肅、新疆等北方區(qū)域，隨著“草牧業(yè)\"“糧改飼”“振興奶業(yè)苜蓿發(fā)展行動(dòng)”等國家政策持續(xù)支持和養(yǎng)殖業(yè)需求的增加，紫花苜蓿種植面積逐年擴(kuò)大，2019年我國紫花苜蓿商品草種植面積達(dá)43.92萬 。受全球氣候變暖及不合理利用的影響，我國北方土壤鹽漬化程度加劇的問題日益突出。在保障基本耕地種植主糧的大背景下，開發(fā)利用鹽堿地等低產(chǎn)土地，對(duì)擴(kuò)大飼用作物種植面積、保障飼草料生產(chǎn)起著至關(guān)重要的作用。篩選耐鹽堿能力強(qiáng)的紫花苜蓿品種是實(shí)現(xiàn)鹽堿地種植高產(chǎn)栽培的重要途徑之一。

以往評(píng)價(jià)篩選植物抗逆能力相關(guān)研究多基于形態(tài)特征或生理性狀等傳統(tǒng)方法，其中主要包括植物株高、生物量、葉面積、葉片損傷程度等生長形態(tài)指標(biāo)[2，滲透調(diào)節(jié)、抗氧化調(diào)節(jié)、光合作用等生理指標(biāo)[3-4]。這些傳統(tǒng)的評(píng)價(jià)方法一定程度能反映出植物的抗逆性，但均有破壞性大、人力成本高、效率低以及主觀差異性等局限性。近年來，表型組學(xué)促進(jìn)了作物復(fù)雜性狀的快速測量，包括植物生長性能指標(biāo)測定、產(chǎn)量估算以及田間和溫室條件下對(duì)生物和非生物脅迫因子的抗性評(píng)價(jià)[5-6]。表型組學(xué)平臺(tái)使用的RGB成像、熒光成像8、微波成像9]、多光譜[10]、高光譜成像[11]等無損技術(shù)的發(fā)展一定程度上彌補(bǔ)和代替了傳統(tǒng)測量方法的缺點(diǎn)，可高效、準(zhǔn)確、無損地完成植物資源的評(píng)價(jià)工作[12]

圖像處理技術(shù)目前已廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域，王敬軒等13通過計(jì)算機(jī)圖像處理對(duì)豆科牧草進(jìn)行了分類研究，陳海燕等14通過RGB圖像處理實(shí)現(xiàn)了對(duì)高原鼠兔的連續(xù)自動(dòng)監(jiān)測，韓萬強(qiáng)等15通過高光譜遙感篩選出了伊犁絹蒿主要植物的最佳識(shí)別參數(shù)，倪浩然等[16應(yīng)用多光譜成像實(shí)現(xiàn)了對(duì)紫花苜蓿品種的無損識(shí)別。RGB成像是最常用的植物表型評(píng)價(jià)方法之一，并在以往研究植物抗逆能力中得到了廣泛使用。Humplik等[17研究分析了豌豆幼苗生物量和光系統(tǒng)效率以研究豌豆（PisumsatiuumL.）的耐寒性，再對(duì)葉綠素?zé)晒鈩?dòng)力成像獲得的參數(shù)進(jìn)行評(píng)價(jià)，并對(duì)2個(gè)不同品種的豌豆進(jìn)行跟蹤試驗(yàn)，通過基于相機(jī)拍攝的RGB圖像和實(shí)際測得的鮮重建立相關(guān)性模型并對(duì)模型加以驗(yàn)證，證實(shí)了RGB圖像分析豌豆耐寒性的可行性。Atieno等18在鷹嘴豆試驗(yàn)中，應(yīng)用RGB成像建立植物地上部的投射面積和植物生長速率之間的模型，且結(jié)合常規(guī)測量種子數(shù)量和衰老評(píng)分，以了解鷹嘴豆耐鹽性的遺傳變異。汪輝等獲取了紫花苜蓿在干旱脅迫下不同生長階段植株RGB圖像，分析得到可估算植株生物量的圖像表型參數(shù)，并建立相關(guān)預(yù)測模型。

植物表型組學(xué)研究是突破未來作物學(xué)研究的關(guān)鍵領(lǐng)域，聚焦主要作物關(guān)鍵生產(chǎn)性狀的高效篩選、監(jiān)測、估算是實(shí)現(xiàn)高產(chǎn)栽培、保障食物供應(yīng)的途徑之一[19]。建立快速、無損、高準(zhǔn)確度的估算作物地上部分生物量的方法對(duì)于未來研究其表型特征、生長特性具有重要的價(jià)值。本研究選擇國內(nèi)外29個(gè)紫花苜蓿品種作為供試材料，使用表型分析儀拍攝其在不同鹽脅迫條件下單個(gè)植株的頂視、側(cè)視、正視RGB圖像，旨在篩選適宜表型參數(shù)，建立準(zhǔn)確度較高的估算紫花苜蓿幼苗生物量、葉面積和株高的預(yù)測模型，以豐富牧草資源評(píng)價(jià)方法。

1 材料與方法

1.1 試驗(yàn)材料

選擇29個(gè)紫花首蓿品種作為試驗(yàn)材料，種子由中國農(nóng)業(yè)科學(xué)院北京畜牧獸醫(yī)研究所、北京正道生態(tài)科技有限公司等科研單位和企業(yè)提供（表1）。

1. 2 試驗(yàn)設(shè)計(jì)

每個(gè)品種挑選飽滿、無損壞的種子5粒播入塑料盆（直徑 中，盆內(nèi)裝有營養(yǎng)土與蛭石混合比例為1：1混合形成的培養(yǎng)土 。于三葉期每盆間苗至1株長勢相近的幼苗，并于五葉期開始鹽脅迫。鹽脅迫分3次完成，第1d每盆澆入66.6mmol· NaCl溶液 ，第2d澆人133.2mmol 溶液 ，第3d澆人 NaCl溶液 ，對(duì)照澆人等量蒸餾水，每個(gè)處理重復(fù)5次。在鹽脅迫的第 ，使用LabScananlyzer表型分析儀（德國，LemnaTecGmbH）拍攝每盆紫花苜蓿植株的頂視、側(cè)視和正視RGB圖像（圖

1），拍照后測定植株SPAD值、株高、葉面積、葉片重量、莖重量等生長性能指標(biāo)。

從29個(gè)紫花首蓿品種中，篩選得到抗鹽脅迫能力較強(qiáng)的紫花苜蓿品種‘4020MF’，挑選飽滿、無損壞的種子，用 10 % 過氧化氫消毒 ，去離子水沖洗3次后轉(zhuǎn)移到自制發(fā)芽盤上，放入發(fā)芽條件為 h光照的光照培養(yǎng)箱中，培養(yǎng)液為 1 / 2 濃度的改良霍格蘭營養(yǎng)液。培養(yǎng)7d后，選取長勢一致的幼苗，移到裝有10L霍格蘭全營養(yǎng)液 值7.0）的水培箱培養(yǎng)，每孔1株，每箱24株，共4盆。每隔10d換一次培養(yǎng)液，培養(yǎng)20d后（三葉期），將配置的不同濃度鹽溶液倒人營養(yǎng)液中。NaC1濃度設(shè)置為0，75，150，225mmol· ，分別記為 處理。使用pH儀每天用 的KOH或HCI將營養(yǎng)液pH值調(diào)節(jié)至7.0左右。每隔3d選取長勢基本一致的幼苗5株，拍攝RGB圖像并測定植株SPAD值、株高、葉面積、葉片重量、莖重量等生長性能指標(biāo)。

1.3 圖像獲取及分析

將每盆植株放入表型分析儀的同一位置，拍攝頂視和正視RGB圖像后，手動(dòng)旋轉(zhuǎn)植株 拍攝側(cè)視圖像。使用表型分析儀的圖像分析軟件，經(jīng)過Lab灰度設(shè)置閾值，轉(zhuǎn)化為二進(jìn)制格式，選擇感興趣區(qū)域等操作流程，獲取表型數(shù)據(jù)（圖2）。圖像表型參數(shù)包括投影總面積（Objectarea，OA）、最小外接圓直徑（Min enclosingcircle diameter，MECD）、最小外接矩形面積（Minarearectanglearea，MARA）、Y軸長度（Object extentY，OEY）、X軸長度（ObjectextentX，OEX）、緊密度（Compactness）、周長（Circumference）、偏心率（Excentricity）、卡尺長度（CaliperLength，CL）、圓度（Roundness）外接多邊形周長（Convexhullcircumference，CHC）和外接多邊形面積（Convexhullarea，CHA）。

注： ，225mmol·L？1。（a），（b），（c），（d），（e）分別為 下第0，4，8，12，16d的幼苗，（f）， ，（h），（i），（j）分別為 下第0，4，8，12，16d的幼苗；（k），（1）， ，（n），（o）分別為 下第0，4，8，12，16d的幼苗；（p），（q），（r），（s），（t）分別為 下第0，4，8，12，16d的幼苗Note： ，75 mmol-L ， ， .（a），（b），（c），（d），（e）showedthe seedlingsafter0，4，8，12，16dunder ，respectively.（f）， ，（h），（i），（j）showed the seedlings after O，4，8，12，16d under ，respectively.（k），（1）， ， ，（o）showedtheseedlingsafterO，4，8，12，16dunder ，respectively.（p），（q），（r），（s），（t）showed the seed-lings after0，4，8，12，16dunder ，respectively

并通過以下公式計(jì)算相關(guān)參數(shù)

式中 為正視圖像投影總面積 為側(cè)視圖

像投影總面積， 為頂視圖像投影總面積，Asauerage為As.0和As.90的平均值。VIAP，VIntegratedAnalysis Platformo

1.4生長性能指標(biāo)和測定方法

測定拍攝圖像后植株的SPAD值、株高、葉面積、葉鮮重、葉干重、莖鮮重和莖干重，具體測定方法如下：

SPAD值：每株選擇從頂部向下第1片完全展開葉的中間小葉進(jìn)行測定，使用便攜式葉綠素測定儀（SPAD-502Plus，KONICA，日本）測定SPAD值。

株高：使用直尺量取植株莖基部到頂部葉尖的絕對(duì)高度。

葉面積：將每株植株的葉片分離出來，使用葉面積儀（YMJ-CH智能葉面積測量系統(tǒng)，托普云農(nóng)，中國）測定總?cè)~面積。

地上生物量：將每株植株分為莖和葉片，使用天平分別稱量鮮重，之后裝入信封放人烘箱內(nèi)， 殺青 后 烘至恒重，分別稱量干重，總十重重為葉重和莖重之和。

1.5 數(shù)據(jù)處理

統(tǒng)計(jì)植株的株高、SPAD、葉面積、葉鮮重、葉干重、莖鮮重、莖干重、總鮮重、總干重等生長性能指標(biāo)和側(cè)視圖和頂視圖表型參數(shù)等指標(biāo)的最小值、最大值、平均值、標(biāo)準(zhǔn)偏差和變異系數(shù)。使用Pearson法分析生長性能指標(biāo)和表型參數(shù)之間的簡單相關(guān)關(guān)系，繪制建立側(cè)視圖最小外接圓直徑與株高、側(cè)視圖投影總面積與葉面積、三視圖經(jīng)公式（1（2）3）（4（5）計(jì)算出的指標(biāo)與總干重線性回歸模型及相應(yīng)驗(yàn)證模型。使用統(tǒng)計(jì)分析軟件SIMCA-P14.1計(jì)算基于表型參數(shù)的幼苗干重的變量投影重要性指數(shù)（Variableprojectionimportance index，VIP）。株高、葉面積和總干重預(yù)測模型建立時(shí)，隨機(jī)選擇29個(gè)紫花苜蓿品種 70 % 的樣本數(shù)據(jù)訓(xùn)練線性模型，使用29個(gè)紫花苜蓿品種剩余 30 % 的樣本數(shù)據(jù)驗(yàn)證所擬合的線性模型，同時(shí)使用‘402OMF'品種的全部樣本數(shù)據(jù)再次驗(yàn)證預(yù)測模型，并使用公式（6（7（8）計(jì)算真實(shí)值與預(yù)測值擬合模型的決定系數(shù) 、均方根誤差（Root mean square error，RMSE）、相對(duì)誤差（Relative error，RE）[20]。

式中， 和 分別是真實(shí)值、預(yù)測值和真實(shí)值的平均數(shù)，n為樣本數(shù)。

2 結(jié)果與分析

2.1實(shí)測參數(shù)和圖像表型數(shù)據(jù)的統(tǒng)計(jì)分析

29個(gè)紫花苜蓿品種的葉面積、葉鮮重、莖鮮重、葉干重、莖干重和總干重均具有較高變異，變異系數(shù)分別為4 8 . 5 0 % ， 5 4 . 0 5 % ， 5 8 . 8 1 % ， 5 1 . 7 7 % ， 5 5 . 2 2 % ， 5 2 . 3 4 % 其中總干重為 株高和SPAD變異系數(shù)較低，分別為 2 9 . 0 7 % 和 3 3 . 9 3 % 表2）。

紫花苜蓿樣本的側(cè)視圖投影總面積、最小外接矩形面積、周長、圓度、外接多邊形面積均具有較高變異，變異系數(shù)分別為 5 7 . 4 4 % ， 5 6 . 7 3 % ， 1 0 0 . 6 7 % 1 6 8 . 0 9 % ，57. 14 % （表3）。紫花苜蓿樣本的頂視圖投影總面積、最小外接矩形面積、周長、偏心率、圓度、外接多邊形面積均具有較高變異，變異系數(shù)分別為 5 8 . 6 4 % ， 5 3 . 2 1 % ， 1 6 4 . 2 9 % 5 7 . 9 3 % 6 7 8 . 5 9 % 5 2 . 0 8 % （表3）。

2.2實(shí)測參數(shù)與圖像表型參數(shù)的相關(guān)分析

實(shí)測參數(shù)與圖像表型參數(shù)的相關(guān)分析結(jié)果表明，除了頂視圖的周長與SPAD、葉鮮重和葉干重以及圓度和實(shí)測所有指標(biāo)無顯著相關(guān)性以外，其余圖像表型指標(biāo)均與實(shí)測參數(shù)之間具有顯著相關(guān)性 0其中，獲取的圖像表型參數(shù)中，株高與側(cè)視圖的最小外接圓直徑相關(guān)系數(shù)的平方 最高，為0.88；葉面積與側(cè)視圖投影總面積的 最高，為0.82；總干重與側(cè)視圖投影總面積的 最高，為0.84（圖3）。

2.3基于表型參數(shù)的幼苗干重VIP指數(shù)

基于偏最小二乘回歸，12個(gè)表型參數(shù)中，側(cè)視

圖和頂視圖的投影面積均對(duì)幼苗干重預(yù)測的貢獻(xiàn)最高，VIP指數(shù)均高于1.4（圖4）。

2.4株高、葉面積和總干重預(yù)測模型建立及驗(yàn)證

使用29個(gè)紫花苜蓿品種中 70 % 的樣本的實(shí)測數(shù)據(jù)和表型參數(shù)進(jìn)行建模，獲得側(cè)視圖投影總面積預(yù)測葉面積的線性模型 548.82， 為0.71（圖5A）；側(cè)視圖最小外接圓直徑預(yù)測株高的線性模型 為0.84（圖5B）。

通過圖像分析得到正視、側(cè)視和頂視圖像投影總面積，經(jīng)計(jì)算得到Green area， 和

應(yīng)用‘4020MF'品種樣本數(shù)據(jù)驗(yàn)證以上3個(gè)模型，側(cè)視圖最小外接圓預(yù)測株高、側(cè)視圖面積預(yù)測葉面積和 預(yù)測總干重驗(yàn)證模型 分別為0.99，0.94，0.91，預(yù)測模型具有較高的精確度（圖7）。

2.5 鹽脅迫下紫花首蓿RGB圖像參數(shù)的主成分分析

分別對(duì)鹽脅迫第4，8，12d植株的12個(gè)圖像參數(shù)以及總數(shù)據(jù)進(jìn)行主成分分析，0和 處理植株的圖像參數(shù)與150和 處理植株的圖像參數(shù)可明顯被分開（圖8），說明不同鹽濃度梯度對(duì)紫花苜蓿幼苗圖像參數(shù)的影響存在差異。

2.6鹽脅迫對(duì)紫花苜蓿RGB圖像參數(shù)投影總面積和最小外接圓直徑的影響

在脅迫后第 的側(cè)視圖、正視圖和頂視圖投影總面積均顯著高于 在脅迫后第8和 的側(cè)視圖和頂視圖投影總面積均顯著高于 ；在脅迫后第4和 的正視圖投影總面積顯著高于 和 的側(cè)視圖、正視圖和頂視圖投影總面積之間均無顯著差異（圖9）。在脅迫后第 和 的側(cè)視圖最小外接圓直接顯著高于150和 0 ，且0和 之間差異不顯著；在脅迫后第4和 的側(cè)視圖最小外接圓直接顯著高于 0

3討論

RGB技術(shù)對(duì)于未來作物育種具有較大前景，它有助于更快的鑒定適合地區(qū)栽種的種質(zhì)，可高效地完成目標(biāo)性狀的篩選評(píng)價(jià)工作。本研究中，在從植株RGB圖片提取得到的表型參數(shù)中，紫花苜蓿葉片干重、莖干重和總干重均與側(cè)視圖和頂視圖的投影面積之間相關(guān)性最強(qiáng)（圖2），且基于頂視圖、正視圖和側(cè)視圖投影面積計(jì)算的 預(yù)測植株總干重時(shí)具有較好效果（圖5）。目前，已有研究證明了無損技術(shù)評(píng)估植物抗逆性的優(yōu)勢，Aris等[21]學(xué)者基于RGB圖像分析得到的植株投影面積和枯死植株面積，可以用來預(yù)測植株生物量，進(jìn)而評(píng)價(jià)水稻植株的耐鹽能力。Rajendran等22學(xué)者使用植物表型系統(tǒng)（Scanalyzer3D，LemnaTec）拍攝12份小麥資源的植株RGB圖像，從圖像中提取得到的投影面積與葉片面積之間具有較高的相關(guān)關(guān)系，研究者們使用投影面積鑒定區(qū)分參試資源的鹽脅迫耐受性，以實(shí)現(xiàn)高通量評(píng)價(jià)小麥耐鹽能力的自的。同樣，基于RGB圖像的植株投影面積也被用作估算植株生物量，以評(píng)價(jià)大麥[23]、土豆[24]、鷹嘴豆[18]、扁豆[5]、豌豆[17]、紫花苜蓿等作物的抗逆性。以往研究表明，基于多角度拍攝植物RGB圖片提取計(jì)算的投影面積預(yù)測生物量模型要優(yōu)于單個(gè)相機(jī)拍攝，正視、頂視、側(cè)視等多角度拍攝可以降低由于植株葉片重疊、卷曲、皺縮等造成的投影面積誤差[]。例如，利用頂視相機(jī)拍攝RGB圖片估算擬南芥農(nóng)藝性狀時(shí)，無法準(zhǔn)確估算垂直生長相關(guān)指標(biāo)[25]，需增加側(cè)視相機(jī)可解決該問題。除了利用RGB圖片提取的投影面積估算植株生物量以外，還可以用于估算其他生長性能指標(biāo)，如葉面積等[7]。本研究結(jié)果也表明，側(cè)視圖提取的投影面積與葉面積之間具有較高的相關(guān)性（圖2）。

本研究通過提取分析21個(gè)紫花苜蓿品種植株頂視圖和側(cè)視圖RGB圖片中的投影面積、最小外接圓直徑、緊密度、外接多邊形面積等12個(gè)表型參數(shù)與株高、葉面積和生物量相關(guān)實(shí)測指標(biāo)的相關(guān)關(guān)系，最終確定了用于估算總干重、葉面積和直徑等實(shí)測指標(biāo)對(duì)應(yīng)的表型參數(shù)分別為側(cè)視圖投影面積、側(cè)視圖投影面積和側(cè)視圖最小外接圓直徑（圖2）。并且以上表型參數(shù)在不同鹽脅迫下表現(xiàn)出顯著差異，可用于評(píng)價(jià)紫花苜蓿耐鹽能力（圖9）。除了投影面積以外，基于植物RGB圖像提取的色彩參數(shù)、外接多邊形面積、緊密度、最小外接圓直徑等表型參數(shù)亦可以用于評(píng)價(jià)植物生長和發(fā)育表現(xiàn)[5.7，26]。Pratap等學(xué)者26根據(jù)RGB圖片中提取的綠色和非綠色的色彩表型參數(shù)差異區(qū)分扁豆耐鹽脅迫能力差異。汪輝等7利用RGB圖片提取的最小外接圓直徑可估算紫花苜蓿的株高。Honsdorf等學(xué)者[27]利用RGB圖片中提取的緊密度和外接多邊形面積等表型參數(shù)定位了野生大麥的抗旱相關(guān)的QTL（Quantitativetraitloci）位點(diǎn)。

“植物表型”是指植物的表面特征，包括形態(tài)、顏色和基本維度等，是基因型和環(huán)境共同作用的結(jié)果。表型組學(xué)屬于“組學(xué)”的范疇，應(yīng)用了自動(dòng)化控制、光學(xué)成像、圖像分析、計(jì)算機(jī)技術(shù)等現(xiàn)代科學(xué)技術(shù)，可數(shù)字化描述植物體的全部表型信息。以農(nóng)作物栽培和育種為實(shí)際需求為導(dǎo)向，利用RGB成像等表型組學(xué)系統(tǒng)成像模塊是未來開展作物表型數(shù)據(jù)獲取、解析、管理和挖掘工作的重要手段。

4結(jié)論

本研究基于LemnaTecScanalyzer表型組學(xué)平臺(tái)拍攝RGB圖像提取的側(cè)視圖投影面積和最小外接圓直徑可以用于估算紫花苜蓿生物量、葉面積和株高，低鹽脅迫濃度（0和 和高鹽脅迫濃度（150和 處理的幼苗可用圖像表型參數(shù)明顯分開，RGB圖像用于評(píng)價(jià)紫花苜蓿幼苗在鹽脅迫下的適應(yīng)性具有可行性。

參考文獻(xiàn)

[1]王加亭，陳志宏．中國草業(yè)統(tǒng)計(jì)（2019）[M].北京：中國農(nóng)業(yè)出版社，2021：5-6

[2］龍建廷，高獻(xiàn)磊，包賽很那，等．垂穗披堿草抗逆性研究進(jìn)展[J].草學(xué)，2022（3）：1-8

[3]薛瓊瓊，趙露露，王云霞，等．鹽生植物耐鹽性研究進(jìn)展[J].中國野生植物資源，2021，40（5）：60-65

[4]SINGH D，SINGH C K，KUMARI S，et al. DiscermingMorpho-anatomical，physiological and molecular multifor-mityin cultivated and wild genotypes of lentil with reconcilia-tion to salinity stress[J].PLos One，20l7，12（5）：e0177465

[5]DISSANAYAKE R，KAHROOD H V，DIMECH A M，et al.Development and application of image-based high-throughputphenotyping methodology for salt tolerance in lentils[J].Agronomy，2020（10）：1-16

[6］ZHANG Y，ZHANG NQ. Imaging technologies for planthigh-throughput phenotyping：a review[J].Frontiers of Agri-culturalScience and Engineering，2018，5（4）：406-419

[7]汪輝，田浩琦，向上，等．紫花苜蓿幼苗生物量無損估算[J].西南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，47（2）：117-123

[8]王春萍，雷開榮，李正國，等.低溫脅迫對(duì)水稻幼苗不同葉齡葉片葉綠素?zé)晒馓匦缘挠绊慬J].植物資源與環(huán)境學(xué)報(bào)，2012，21（3）：38-43

[9]宋茜，周清波，吳文斌，等．農(nóng)作物遙感識(shí)別中的多源數(shù)據(jù)融合研究進(jìn)展[J].中國農(nóng)業(yè)科學(xué)，2015，48（6）：1122-1135

[10]XUR，LICY，PATERSONAH. Multispectral imaging andunmanned aerial systems for cotton plant phenotyping[J].PLoS One，2019，14（2）：e0205083

[11］陳維君，周啟發(fā)，黃敬峰．用高光譜植被指數(shù)估算水稻乳熟后葉片和穗的色素含量[J].中國水稻科學(xué)，2006（4）：434-439

[12]MARKO D，BRIGLIA N，SUMMERER S，et al.High-throughput phenotyping in plant stress response：methods andpotential applications to polyamine field[J]. MethodsinMolecular Biology，2018，16（94）：373-388

[13］王敬軒，馮全，王宇通，等.基于圖像識(shí)別技術(shù)的豆科牧草分類研究[J].草地學(xué)報(bào)，2010，18（1）：37-41

[14］陳海燕，曹明華，王惠琴，等.一種基于圖像處理技術(shù)的高原鼠兔識(shí)別方案[J].草地學(xué)報(bào)，2011，19（3）：516-519

[151]韓萬強(qiáng)，靳瑰麗，岳永寰，等.基于高光譜成像技術(shù)的伊犁絹蒿荒漠草地主要植物識(shí)別參數(shù)的篩選[J].草地學(xué)報(bào)，2020，28（4）：1153-1163

[16］倪浩然，王潤，胡昊，等.基于多光譜成像技術(shù)鑒別不同紫花苜蓿品種的種子[J].草地學(xué)報(bào)，2023，31（10）：2985-2991

[17]HUMPLiKJF，LAZARD，F(xiàn)URST T，etal.Automatedintegrative high-throughputphenotyping of plant shoots：acasestudy of the cold-tolerance of pea （Pisum satiuum L.）[J].Plant Methods，2015（11）：20

[18] ATIENO J，LI Y，LANGRIDGE P，et al. Exploring geneticvariation for salinity tolerance in chickpea using image-basedphenotyping[J].Scientific Reports，2017，7（1）：1300

[19］趙春江．植物表型組學(xué)大數(shù)據(jù)及其研究進(jìn)展[J].農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào)，2019，1（2）：5-18

[20]WANG H， MORTENSEN A K，MAO P S，et al. Estimatingthe nitrogen nutrition index in grass seed crops using a UAV -mounted multispectral camera[J]. International Journal ofRemote Sensing，2019（2）：1-16

[21] HAIRMANSIS A， BERGER B， TESTER M， et al. Image-based phenotyping for non-destructive screening of differentsalinity tolerance traits in rice[J].Rice，2Ol4，7（1）：16

[22]RAJENDRAN K，TESTER M，ROY S J.Quantifying thethreemain componentsof salinitytolerance in cereals.Plant，CellEnvironment，2009（32）：237-249

[23]GOLZARIAN MR，F(xiàn)RICKRA，RAJENDRANK，et al.Accurate inference of shoot biomass from high-throughputimages of cereal plants[J].Plant Methods，2O11（7）：2

[24] PETROZZA A，SANTANIELLO A，SUMMERER S， et al.Physiological responses to Megafol treatments in tomato plantsunder drought stress： a phenomic and molecular approach [J].Scientia Horticulturae，2014（174）：185-192

[25]TESSMEROL，JIAO Y H，CRUZJA，et al.Functionalapproach to high-throughput plant growth analysis[J]. BMCSystems Biology，2013，7（6）： S17

[26]PRATAP A，GUPTA S，NAIR R M， et al. Using plant phe-nomics to exploit the gains of genomics[J].Agronomy，2019（9）：126

[27]HONSDORF N，MARCH T J，BERGER B，et al.High-throughput phenotyping to detect drought tolerance QTL inwild barley introgression lines[J]. PLoS One，2014，9（5）：e97047

（責(zé)任編輯劉婷婷）