多源表型信息融合下大豆品種（系）鑒定與系譜分析

21世紀最大的挑戰(zhàn)之一是提高農(nóng)作物產(chǎn)量和品質(zhì)，實現(xiàn)這一目標(biāo)最環(huán)保的方式是通過農(nóng)作物育種計劃開發(fā)具有改良特性的新品種。育種計劃旨在從大量表型優(yōu)良的品種中選出產(chǎn)量高、品質(zhì)優(yōu)、耐脅迫以及高效種植和加工的品種[1]。田間表型分析能夠收集植物性狀信息，對于植物新品種的鑒定和描述至關(guān)重要[2]

大豆是全球重要的植物蛋白和油脂來源之一，也是中國主要經(jīng)濟作物之一。隨著育種者對植物品種權(quán)（PVR）的日益重視，中國大豆品種保護申請數(shù)量不斷上升。由于市場上大豆品種眾多，農(nóng)藝性狀和形態(tài)性狀同質(zhì)化嚴重，給現(xiàn)行植物品種特異性、一致性和穩(wěn)定性（DUS）測試帶來挑戰(zhàn)[3]。因此建立可靠的品種鑒定技術(shù)對于大豆品種測試和新品種保護至關(guān)重要。DUS測試通過比較不同品種間的差異來定義品種，國際植物新品種保護聯(lián)盟（UPOV）根據(jù)DUS測試結(jié)果決定是否授予植物品種權(quán)[4-5]

傳統(tǒng)DUS測試主要依靠人工測量，存在效率低、成本高等問題，因而限制了DUS測試的效率[6]為了提高作物品種鑒定的準(zhǔn)確性，研究人員正在探索利用數(shù)字圖像分析作為替代方法，Deng等[7]為了驗證基于圖像處理的花生DUS量化性狀進行品種識別的可行性，結(jié)合Fisher算法作為特征選擇方法，篩選出一些重要的DUS測試候選特征。汪勇[通過對玉米種子圖像進行濾波、分割等處理后提取相關(guān)形態(tài)指標(biāo)，實現(xiàn)了 90% 以上的識別正確率，為品種自動化檢測提供了基礎(chǔ)。數(shù)字圖像分析速度快、識別能力強、重復(fù)性高，已成為植物品種檢測的新技術(shù)，獲UPOV批準(zhǔn)[9]。該技術(shù)不僅能自動測量農(nóng)作物形態(tài)，替代人工勞動，還能提供更高精度的候選鑒定性狀[10]。然而數(shù)字圖像分析面臨監(jiān)測范圍和光譜波段信息的限制，對圖像采集的標(biāo)準(zhǔn)化提出了很高的要求，且較難體現(xiàn)田間群體變異性[]

另一種方法是利用低空遙感技術(shù)獲取大豆田間的完整影像，并制訂品種識別策略。Li等[12]的研究結(jié)果表明，作物葉色、植被覆蓋度、種群生長等直接反映了作物對光譜和紋理的響應(yīng)，是品種間生理代謝的綜合反映。陳裕鋒等[13]利用多光譜成像遙感技術(shù)和多層感知器模型建立了較高準(zhǔn)確率的水稻品種快速鑒定模型。近年來，無人機（UAV）遙感技術(shù)因其客觀、及時、經(jīng)濟等特點，在農(nóng)業(yè)領(lǐng)域得到了廣泛應(yīng)用，成為精準(zhǔn)和數(shù)字化農(nóng)業(yè)行動的顛覆性解決方案，該技術(shù)可精確獲取高分辨率數(shù)據(jù)用于進一步分析[14]。豆莢作為大豆的重要器官，其外觀性狀是反映大豆品種特征的重要遺傳和環(huán)境因素，在品種分類和育種中起著重要作用[15]。近年來，機器學(xué)習(xí)分類方法在農(nóng)業(yè)領(lǐng)域的應(yīng)用迅速發(fā)展，成為推動品種選育和品種鑒定的重要技術(shù)手段，結(jié)合遙感技術(shù)和圖像處理技術(shù)提取數(shù)據(jù)特征參數(shù)進行農(nóng)作物品種鑒定已經(jīng)成為農(nóng)業(yè)信息技術(shù)的熱門課題[16]。Bi等[17]將玉米種子的形態(tài)特征與高光譜數(shù)據(jù)相結(jié)合，在對特征子集進行選擇的基礎(chǔ)上利用機器學(xué)習(xí)算法實現(xiàn)了對玉米品種的分類。宋少忠等18研究發(fā)現(xiàn)，結(jié)合降維提取的高光譜特征波段和圖像紋理數(shù)據(jù)可顯著提高高梁品種識別模型的穩(wěn)定性。對多源表型數(shù)據(jù)的深度挖掘能夠顯著提升作物品種的鑒定精度和效率，為DUS測試工作帶來新機遇。

針對大豆新品種申請量增加及現(xiàn)有DUS測試存在的問題，本研究開展了田間DUS性狀調(diào)查以及UAV多光譜遙感影像數(shù)據(jù)和品種（系）間豆莢圖像信息采集等工作。以27個正在進行區(qū)域試驗的大豆品種（系）為研究對象，結(jié)合特征提取技術(shù)、隨機森林分類（RFC）模型和支持向量分類（SVC）模型，探索基于多源多尺度性狀的品種（系）精準(zhǔn)鑒別方法。研究目的旨在篩選貢獻率高的DUS性狀，探索UAV和計算機視覺下的新興候選性狀和利用多源性狀研究大豆遺傳多樣性的可行性，創(chuàng)新DUS測試的理念和技術(shù)手段，探討不同大豆品種（系）的系譜關(guān)系，為大豆品種改良和新品種選育提供參考。

1材料與方法

1.1 研究區(qū)域與試驗設(shè)計

本試驗在江蘇省徐州市現(xiàn)代農(nóng)業(yè)示范基地進行，該基地集科研與生產(chǎn)為一體，擁有大規(guī)模、高標(biāo)準(zhǔn)試驗田，植物種類豐富，可滿足現(xiàn)代農(nóng)業(yè)生產(chǎn)的需求。本試驗共27個大豆品種（系），設(shè)置2個重復(fù)。這27個來自不同地區(qū)的品種（系）已通過DUS測試，目前正在進行區(qū)域種植試驗（圖1、表1）。所有品種（系）于2022年6月12日種植，同年8月初進入成熟期，對從成熟期開始觀察到的22個基本性狀按大豆DUS測試標(biāo)準(zhǔn)進行數(shù)據(jù)采集，其中包括7個個體測量（MS）性狀和15個群體目測（VG）性狀[19]。采用五點取樣法對每個小區(qū)[單個品種（系）的單個重復(fù)]進行數(shù)據(jù)采集，每個點隨機選擇5株植株進行MS性狀測量并觀測VG性狀，取平均值。

使用DJIP4多光譜RTK無人機（深圳市大疆創(chuàng)新科技有限公司產(chǎn)品）獲取田間所有大豆品種（系）成熟始期和成熟后期（2022年8月19日和2022年9月16日）的多光譜圖像，相機規(guī)格如下：藍波段（ 450nm±16nm ）、綠波段（ 560nm±16nm ）、紅波段 （ 650nm±16nm ）、紅邊波段（ 730nm± 16 nm）和近紅外波段（ 840nm±26nm ）。試驗設(shè)計飛行高度 25m ，飛行速度 2m/s ，航向和旁向重疊率均為 85% ，按照設(shè)定的路徑覆蓋每個地塊。在完熟期，采用五點取樣法收獲每個地塊的豆莢，每個點隨機選擇10個外觀一致的豆莢，然后將收集的豆莢放入取樣袋中送往實驗室，采用平板CCD掃描儀（EP-SONV850）采集豆莢圖像。

1.2 特征提取

總體性狀來源可分為3類（圖2），包括田間調(diào)查以及基于UAV平臺和計算機視覺的圖像采集。作為大豆品種鑒定的主要性狀來源，DUS測試指南共包括32個基本性狀，本研究選取了從成熟始期開始調(diào)查的22個性狀進行數(shù)據(jù)采集。通過UAV平臺獲取研究區(qū)多光譜影像后，結(jié)合ENVI5.7軟件，在每個小區(qū)中提取5個感興趣區(qū)域（ROI）的光譜波段數(shù)據(jù)和紋理數(shù)據(jù)，以成熟始期和后期8個植被指數(shù)和8個紋理參數(shù)的差異作為輸入特征（光譜特征和紋理特征）進行進一步識別[20-22]。為了保證豆莢圖像信息獲取的準(zhǔn)確性，利用Python3.0框架下的OpenCV庫提取掃描圖像的形狀、顏色和紋理信息。圖像預(yù)處理包括形態(tài)學(xué)處理、圖像增強、圖像分割、邊緣檢測、圖像顏色空間變換等方法[23]，如圖3所示，經(jīng)過預(yù)處理后，提取5個形狀特征，基于紅、綠、藍（RGB）通道和色調(diào)、飽和度、明度（HSV）的12個顏色特征以及6個紋理特征作為輸入特征，進行進一步識別。

1.3分析鑒定模型

為了使數(shù)據(jù)適應(yīng)模型并滿足模型要求，數(shù)據(jù)預(yù)處理是必要的。特征工程是將原始數(shù)據(jù)轉(zhuǎn)換為更能代表分類模型問題的特征，有效的特征選擇旨在從原始特征集中找到一個包含盡可能多信息的子集，從而提高效率[24]。本研究采用遞歸特征消除（RFE）算法進行特征選擇，找出最顯著的特征，從而構(gòu)建一個穩(wěn)健的大豆品種鑒定技術(shù)體系。RFE算法結(jié)合模型迭代優(yōu)化，能夠篩選出對分類最有貢獻的特征，從而提高識別準(zhǔn)確率，與其他特征選擇方法相比，其在處理本研究涉及的多源異構(gòu)數(shù)據(jù)中具有更大優(yōu)勢[25]。隨機森林分類（RFC）模型是一種基于決策樹的集成模型，通過創(chuàng)建決策樹的森林來進行分類[26]。支持向量分類（SVC）模型起源于統(tǒng)計學(xué)理論，通過構(gòu)建能夠最大化類別間間隔的超平面，從而獲得較高的分類性能[27]RFC模型和SVC模型均可有效應(yīng)對高維多種類型數(shù)據(jù)的處理和線性不可分的問題。本研究以27個大豆品種（系）為研究對象，通過田間調(diào)查、UAV影像采集和豆莢圖像采集等方式收集多源表型數(shù)據(jù)，為更好地理解不同類型性狀內(nèi)在關(guān)聯(lián)性，從而為優(yōu)異性狀的選擇提供參考，首先進行各類型性狀相關(guān)性分析，以識別性狀之間的聯(lián)系。隨后，經(jīng)數(shù)據(jù)歸一化和互信息篩選預(yù)處理后，選取RFC和SVC模型進行品種（系）識別，并結(jié)合RFE算法進行迭代優(yōu)化和交叉驗證，發(fā)掘模型的最大潛力。模型評價采用分類精度指標(biāo)，以確保分類結(jié)果的穩(wěn)定性和可靠性，計算方法見公式（1）。采用K均值（K-means）計算遺傳距離，衡量品種間的親緣關(guān)系。數(shù)據(jù)處理和模型構(gòu)建基于Python3.0實現(xiàn)，研究流程如圖4所示。

式中，Accuracy表示分類精度， TP 表示實際為正樣本且被預(yù)測為正樣本的數(shù)量， TN 表示實際為負樣本且被預(yù)測為負樣本的數(shù)量， FP 表示實際為負樣本但被預(yù)測為正樣本的數(shù)量， FN 表示實際為正樣本但被預(yù)測為負樣本的數(shù)量。

2 結(jié)果與分析

2.1 性狀之間的定量分析

對來自3個不同平臺的性狀進行相關(guān)性定量分析后，發(fā)現(xiàn)部分性狀之間存在顯著（皮爾遜系數(shù)在0.500～0.800 ）或極顯著（皮爾遜系數(shù)在 0.800～ 1.000）相關(guān)（表2、表3和表4）。從表2可知，在去除不具多態(tài)性的莢果炸莢性（13）、種皮顏色數(shù)量（16）和子葉顏色（18）這3個性狀后，其余19個DUS性狀之間存在一定的相關(guān)性，同一性狀可能受到其他性狀變異的影響。然而大部分性狀間的相關(guān)系數(shù)較低，不低于0.500的僅有3組，這表明DUS性狀之間的獨立性較強。相比之下，從表3可見，基于UAV平臺提取的性狀之間相關(guān)性較高，尤其是光譜性狀之間、紋理性狀之間相關(guān)系數(shù)絕對值大多超過0.800，而光譜性狀與紋理性狀之間的相關(guān)性則相對較低，相關(guān)系數(shù)絕對值多在 0.300～0.500 。從表4可知，基于豆莢圖像提取的形態(tài)性狀、顏色性狀和紋理性狀之間的相關(guān)性也較顯著，特別是部分顏色性狀之間呈現(xiàn)出極顯著的正相關(guān)性。

2.2 特征重要性評估

在構(gòu)建分類模型時，合適的特征輸入和特征數(shù)量對模型的復(fù)雜度和最終的分類結(jié)果至關(guān)重要。本研究利用特征重要性（Features_importances_）屬性計算了61個性狀的特征重要性值，單個性狀的鑒定能力以直方圖形式呈現(xiàn)（圖5）。從圖5可見，基于豆莢圖像的5個形態(tài)性狀表現(xiàn)最佳，平均重要性值為0.0287，其次是從UAV影像中提取的8個光譜性狀，平均重要性值為0.0268，從豆莢圖像中提取的6個紋理性狀也顯示出較好的判別能力，平均重要性值為0.0192，DUS田間調(diào)查的VG性狀和基于豆莢圖像顏色性狀表現(xiàn)一般，平均重要性值分別為0.0147和0.0159，DUS田間調(diào)查的MS性狀和UAV獲取的紋理性狀表現(xiàn)較差，平均重要性值分別為0.008 9和0.0068。

性狀1＼～61見圖2。

作為經(jīng)過多年實踐驗證的DUS測試性狀，其中一些性狀具有較好的判別能力，如莢果顏色（14）、種臍顏色（19）和成熟期（22）。但也存在部分性狀表現(xiàn)出較弱的判別能力，如莢果數(shù)量（5）、生長習(xí)性（10）、莢果炸莢性（13）等。基于豆莢圖像的形態(tài)性狀對品種鑒定貢獻高，尤其是長寬比（43），其重要性值在所有性狀中最高。雖然基于豆莢圖像的顏色性狀和紋理性狀的平均重要性值略低于形態(tài)性狀，但V_std（55）和Correlation（60）等性狀仍表現(xiàn)優(yōu)良。UAV平臺獲取的冠層性狀中，光譜性狀的特征重要性明顯優(yōu)于紋理性狀，光譜性狀中除△EVI（27）外，其他性狀的特征重要性均較高。

2.3 基于RFC模型和SVC模型的品種鑒定

在模型實例化之前過濾掉不重要的特征可以獲得更好的穩(wěn)定性和準(zhǔn)確性，由于數(shù)據(jù)通常具有不同的規(guī)格和分布，預(yù)處理是必不可少的一步。本研究首先對數(shù)據(jù)進行歸一化處理，并利用互信息法篩選特征，設(shè)定互信息閾值為0.2，剔除了6個低于閾值的特征，分別是莢果數(shù)量（5）生長習(xí)性（10）、莢果炸莢性（13）種皮顏色數(shù)量（16）、子葉顏色（18）和Δ Contrast（34），與前面對特征重要性值的評估結(jié)果基本一致。雖然增加特征數(shù)量理論上會提高識別率，但過多特征也會增加計算復(fù)雜度并引人冗余信息，影響識別效率。

為評估特征數(shù)量對分類模型的影響，本研究使用RFC和SVC算法，結(jié)合RFE目標(biāo)函數(shù)，通過五折交叉驗證迭代優(yōu)化模型。結(jié)果顯示，隨著特征數(shù)量增加，分類模型的分類精度逐步提高，直至達到穩(wěn)定水平（圖6）。在以DUS特征為輸入變量時，RFC和SVC模型的分類精度逐漸上升，并穩(wěn)定在0.8左右（圖6A）。當(dāng)以UAV特征作為輸入變量時，SVC模型整體性能略優(yōu)于RFC模型，兩個模型最終分類精度穩(wěn)定在0.7左右（圖6B）。以豆莢圖像特征作為輸入變量時，RFC模型在特征數(shù)量較少時性能略優(yōu)于SVC模型，但隨著特征數(shù)量的增加，兩個模型的分類精度逐漸趨于一致，維持在0.7以上（圖6C）。

將3類特征進行成對組合時，相較于單一特征類型變量，模型分類精度顯著提升。隨著特征數(shù)量增加，由組合特征構(gòu)建的分類模型分類精度先迅速上升，然后趨于穩(wěn)定，且SVC模型在特征數(shù)量增加的后期效果略優(yōu)于RFC模型。涉及DUS特征的模型實例化分類精度在特征數(shù)量增加的后期仍能維持在0.9以上的水平（圖6D、圖6E），而使用UAV特征和豆莢圖像特征組合的模型表現(xiàn)相對較差，分類精度均在0.9以下（圖6F）。將3類特征全部作為輸入變量，模型的識別效果也表現(xiàn)出先大幅上升而后趨于穩(wěn)定的變化趨勢，當(dāng)特征數(shù)量少于20個時，RFC模型表現(xiàn)優(yōu)于SVC模型，超過20個特征后，RFC模型的分類精度穩(wěn)定在0.9以上，而SVC模型仍有少量提升空間，直至趨近于1.0（圖7）。

2.4K-means系譜分析

與分類模型不同，大豆品種的聚類評價更具挑戰(zhàn)性，因為無標(biāo)簽數(shù)據(jù)的聚類效果完全依賴于簇內(nèi)的密集程度（簇內(nèi)差異?。┖痛亻g的分散程度（簇外差異大）。輪廓系數(shù)是評估聚類效果的常用指標(biāo)，一個簇內(nèi)大部分樣本的輪廓系數(shù)越高且大部分樣本的系數(shù)值高于平均值，表示其聚類效果越好。從圖8可見，當(dāng)聚類數(shù)在2到7之間時，輪廓系數(shù)的平均值在0.2左右移動。聚類數(shù)為5時，有的樣本系數(shù)低于平均值；當(dāng)聚類數(shù)為2時，輪廓系數(shù)平均值達到最高；聚類數(shù)為4時，輪廓系數(shù)平均值也保持在0.2以上，大部分樣本的輪廓系數(shù)值高于平均值。聚類系譜分析結(jié)果（圖9）可見，來自同一地區(qū)的品種大多聚為一類，總體上大豆品種（系）可分為兩類，分別包含13個和14個品種（系）。當(dāng)聚類數(shù)為3時，編號為1、5、12和23的品種（系）被單獨分為一類，這些品種（系）均來自徐淮地區(qū)。

3 討論與結(jié)論

DUS測試是植物品種審查管理的重要技術(shù)手段，通過與已知品種對比，賦予新品種唯一標(biāo)識。作物的表型性狀反映了遺傳和環(huán)境的共同作用，且具有穩(wěn)定遺傳的特點，表型信息在作物育種和種質(zhì)資源分類中經(jīng)濟且高效，至今仍是種質(zhì)資源研究的基礎(chǔ)[28]。當(dāng)前大豆種質(zhì)表型研究多集中于結(jié)構(gòu)和養(yǎng)分指標(biāo)，而本研究通過分析DUS測試性狀、UAV平臺采集的冠層表型性狀以及豆莢圖像中的性狀，探討了多源表型性狀在品種鑒定中的應(yīng)用。在面對多源、多維度數(shù)據(jù)時，SVC分類模型在優(yōu)化分類邊界時能夠更好地應(yīng)對數(shù)據(jù)的非線性特征。RFC分類模型在樣本量較小時，決策樹的集成效應(yīng)相對減弱，導(dǎo)致最終總體分類精度略低。RFE通過迭代訓(xùn)練模型，能夠更好地捕捉特征間的復(fù)雜關(guān)系，研究結(jié)果與Bi等[17]的研究結(jié)果一致。與以往多集中于單一數(shù)

A、B.C分別是DUS 特征、UAV特征和豆莢圖像特征作為輸人變量的結(jié)果。D、E、F分別是DUS特征與UAV特征、DUS 特征與豆莢圖像特征、UAV特征與豆莢圖像特征作為輸人變量的結(jié)果。RFC模型：隨機森林分類模型;SVC模型：支持向量分類模型。

RFC模型：隨機森林分類模型；SVC模型：支持向量分類模型。

據(jù)源或局部數(shù)據(jù)融合研究相比，本研究創(chuàng)新性地結(jié)合多源表型數(shù)據(jù)，為作物品種鑒定提供了新的技術(shù)路徑。

引入UAV遙感圖像特征和豆莢圖像特征提取方法，不僅可以替代人工更準(zhǔn)確地獲取植物表型信息，還可以提供新的DUS候選性狀。DUS測試作為品種審查管理的重要技術(shù)手段，盡管部分性狀在分類中效果不佳，但整體上對大豆品種的鑒定具有較高準(zhǔn)確率。將兩類特征組合作為輸人變量實例化分類模型時發(fā)現(xiàn)，隨著特征數(shù)量的增加，有DUS特征參與的分類模型最終分類精度可達0.9以上，表明DUS 性狀在大豆品種鑒定中至關(guān)重要。

本研究結(jié)果表明，UAV獲取的光譜性狀能夠有效反映品種間的差異，而紋理性狀對品種鑒定效果不佳。大豆進入成熟期后群體結(jié)構(gòu)基本趨于穩(wěn)定，成熟始期和后期冠層更多體現(xiàn)的是衰老的過程，結(jié)構(gòu)性變化幾乎不顯著，這可能導(dǎo)致UAV平臺獲取的冠層紋理性狀對品種鑒定效果不佳?！鱊DRE和△PSR/等冠層光譜信息在一定程度上反映了不同品種（系）的光合活性[29-30]，結(jié)合光譜信息差異可以實現(xiàn)光合轉(zhuǎn)化能力的判定，從而探究品種（系）間的差異。

基于豆莢圖像的長寬比性狀在品種（系）鑒定中表現(xiàn)尤為突出，可以考慮作為DUS測試的優(yōu)秀候選性狀?；贖SV通道提取的顏色性狀對分類模型精度的貢獻略大于基于RGB通道提取的顏色性狀，這也為后續(xù)基于圖像信息進行大豆品種識別的探索提供了新思路。大豆品種的表型性狀反映了遺傳與環(huán)境的交互作用，表型性狀的聚類分析不僅可以厘清品種間的親緣關(guān)系，也為育種提供了更科學(xué)的依據(jù)[31]。綜上所述，結(jié)合多源表型數(shù)據(jù)，尤其是光譜與形態(tài)性狀，能夠顯著提升大豆品種鑒定的準(zhǔn)確性。

目前糧食安全問題的解決需要充分應(yīng)用生物技術(shù)和信息技術(shù)推動育種產(chǎn)業(yè)的發(fā)展，DUS測試作為品種審查管理的核心技術(shù)，已在中國實施20多年[32]。隨著測試作物種類和數(shù)量的增加，傳統(tǒng)的人工測試方法已難以滿足需求。引入遙感、計算機視覺等智能化手段，能有效創(chuàng)新作物田間表型數(shù)據(jù)采集方式，提升測試效率。本研究雖然為大豆DUS測試提供了新思路，但仍存在一定的局限性，由于樣本數(shù)量相對有限，可能對模型的穩(wěn)健性產(chǎn)生一定影響，后續(xù)的工作一方面需增加品種的多樣性和樣本數(shù)量，以驗證多源數(shù)據(jù)的適用性；另一方面可以引入更多類型的表型數(shù)據(jù)，如高光譜影像、熱成像等數(shù)據(jù)，以進一步豐富特征維度，提升鑒定的精度。此外，未來研究還需要在降低技術(shù)成本和制訂統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)化流程方面進行更多探索，以推動在大規(guī)模作物品種鑒定中的廣泛應(yīng)用。

參考文獻：

[1] TESTER M，LANGRIDGEP.Breeding technologies to increase cropproduction in a changing world[J].Science，2010，327 （5967） ：818-822.

[2] BRESEGHELLO F，COELHO A S G.Traditional and modern plantbreeding methodswith examplesin rice（Oryza sativa L.） [J].Journal of Agricultural and Food Chemistry，2O13，61（35）： 8277-8286.

[3] 萬志前，劉政，俞秦峰.我國大豆新品種保護的現(xiàn)狀分析與 思考[J].江蘇農(nóng)業(yè)科學(xué)，2024，52（11）：35-44.

[4] YADAVVK，SINGHIS.Comparative evaluation ofmaizeinbred lines（Zea maysL.）according to dus testing using morphological， physiological and molecular markers[J].Agricultural Sciences， 2010，1（3）：131-142.

[5] GUPTAA，MAHAJANV，KHATIP，etal.DistinctnessinIndian soybean（Glycine max）varietiesusingDUScharacters[J].Indian Journal of Agricultural Sciences，2012，80：1081-1084.

[6] 王紅娟，蔣曉英，官玲，等.基于DUS測試性狀的西南地區(qū) 春大豆品種遺傳多樣性分析[J].大豆科學(xué)，2022，41（3）：9.

[7] DENGLM，HAN Z Z. Image features and DUS testing traits for peanut pod variety identificationand pedigree analysis[J].Journal oftheScience of Food and Agriculture，2019，99（5） ：2572-2578.

[8] 汪勇.基于圖像識別技術(shù)對玉米種子品種識別探究[J].分 子植物育種，2022，20（2）：672-676.

[9] LOOTENS P，VAN WJ，CARLIER L. Evaluation of the tepal colour of BegoniaXtuberhybrida Voss.for DUS testingusingimage analysis[J].Euphytica，2007，155：135-142.

[10]LOOTENS P，CHAVES B，BAERTJ，et al. Comparison of image analysis and direct measurement of UPOV taxonomic characteristics for variety discrimination as determined over five growingseasons，using industrial chicoryas a model crop[J].Euphytica， 2013，189（3） ：329-341.

[11]REHMANTU，MAHMUDMS，CHANGYK，etal.Currentand future applications of statistical machine learning algorithms for agricultural machine vision systems[J]. Computers and Electronics inAgriculture，2019，156：585-605.

[12]LIR，WANGDL，ZHUB，etal.Estimation ofnitrogen content inwheatusingindicesderived fromRGBand thermal infrared imaging[J]. Field CropsResearch，2022，289：108735.

[13］陳裕鋒，馮佩雯，凌金生，等.基于無人機多光譜圖像的水稻品 種鑒定[J].南京農(nóng)業(yè)大學(xué)學(xué)報，2023，46（5）：995-1003.

[14]GUO W，CARROLL ME，SINGH A，et al. UAS-based plant phenotyping for research and breeding applications[J].Plant Phenomics，2021，2021（2）：1-21.

[15］王金生，蒲國鋒，馬力，等.大豆抗炸莢性高效評價方法研究 [J].大豆科學(xué)，2022，41（5）：564-568.

[16]BARBOSA MRJR，TEDESCOD，DOSSANTOSCARREIRA V，et al.The time of day is key to discriminate cultivars of sugarcaneupon imagery data from unmanned aerial vehicle[J]. Drones，2022，6（5） ：112.

[17]BICG，ZHANGS，CHENH，etal.Non-destructive classification ofmaize seeds based on RGB and hyperspectral data with improved greywolfoptimizationalgorithms[J].Agronomy，2024，14 （4） ：645.

［18］宋少忠，劉園園，周紫陽，等.基于高光譜圖像技術(shù)的高梁品種 識別研究[J].光譜學(xué)與光譜分析，2024，44（5）：1392-1397.

[19］國家市場監(jiān)督管理總局，中國國家標(biāo)準(zhǔn)化管理委員會.植物品 種特異性、一致性和穩(wěn)定性測試指南大豆：GB/T19557.4- 2018[S].：中國標(biāo)準(zhǔn)出版社，2018.

[20]MAIMAITIJIANG M，SAGANV，SIDIKEP，et al. Soybean yield prediction from UAV using multimodal data fusionand deeplearning[J].Remote Sensing of Environment，2020，237：111599.

[21］王晶晶，蘭仕浩，邱琳，等.基于哨兵二號的大豆、玉米遙感 識別：以江蘇徐淮地區(qū)為例[J].江蘇農(nóng)業(yè)學(xué)報，2023，39（8）： 1698-1706.

[22]李健，江洪，羅文彬，等.融合無人機多光譜和紋理特征的 馬鈴薯LAI估算[J].華南農(nóng)業(yè)大學(xué)學(xué)報，2023，44（1）：93- 101.

[23]FONSECADEOLIVEIRAGR，MASTRANGELOCB，HIRAIW Y，et al.An approach using emerging optical technologies and artificial intelligence bringsnew markers to evaluate peanut seed quality[J].Frontiers in Plant Science，2022，13：849986.

[24]GUYON I，ELISSEEFFA.An introduction to variable and feature selection[J].Journal of MachineLearning Research，2O03，3： 1157-1182.

[25]JEON H，OH S.Hybrid-recursive feature elimination for efficient feature selection[J].Applied Sciences，2020，10（9）：3211.

[26]HAMJ，CHENYC，CRAWFORDMM，，etal.Investigationof therandom forest framework forclassification of hyperspectral data [J]．IEEE Transactions on Geoscience and Remote Sensing， 2005，43（3）：492-501.

[27]LOWF，MICHELU，DECHS，etal.Impactof feature selection on the accuracy and spatial uncertainty of per-field crop classification using Support Vector Machines[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2013，85：102-119.

[28］徐云碧，王冰冰，張健，等.應(yīng)用分子標(biāo)記技術(shù)改進作物品種 保護和監(jiān)管[J].作物學(xué)報，2022，48（8）：1853-1870.

[29]ZHOU XX，LI YY， SUN YW，et al.Research on dynamic monitoring ofgrain fillingprocessofwinterwheat from time-series planet imageries[J].Agronomy，2022，12（10）：2451.

[30］張通，金秀，饒元，等.基于無人機多光譜的大豆旗葉光 合作用量子產(chǎn)量反演方法[J].農(nóng)業(yè)工程學(xué)報，2022，38（13）： 150-157.

[31］狄佳春，孟珊，覃翠華，等.江蘇大豆地方種質(zhì)資源表型多樣 性分析[J].植物遺傳資源學(xué)報，2023，24（2）：419-436.

[32]鐘海豐，黃敏玲，鐘淮欽，等.中國農(nóng)業(yè)植物新品種保護與DUS 測試技術(shù)發(fā)展現(xiàn)狀[J].熱帶作物學(xué)報，2017，38（6）：8.

（責(zé)任編輯：黃克玲）