基于林业推广的科学技术论文

摘要：随着电商平台用户、林产品数量规模不断扩大，协同过滤推荐时构建的用户-林产品评分矩阵变得高维稀疏，导致推荐算法精度和可扩展度下降。基于此本文提出一种weightedslopeone用户聚类推荐算法，将其应用在林业产品个性化推荐服务中。下面小编整理了一些《基于林业推广的科学技术论文(精选3篇)》，希望对大家有所帮助。

基于林业推广的科学技术论文 篇1：

基于图像的农业信息演变规律提取现状分析

摘要：农作物信息演变规律提取是人们认识农作物生长过程的重要手段，也是人们了解农作物生长状况、精确判断发展阶段、预测发展趋势的重要依据之一。基于演变规律构建的可视化演变模型可以使人们更加直观地了解作物的生长全过程。近年来，基于数字图像处理的检测技术因非接触测量、操作简单、无损伤等特点逐渐得到研究者的重视。本文以基于时间序列的图像检测技术在演变规律提取方面的应用为切入点，全面分析了该技术在农业领域中包括农作物的长势监测、染病程度判断、可视化模型构建3个方面的应用现状，总结了该技术研究在农作物演变信息提取中存在的一些问题，[JP2]并对未来可能的发展方向给出预测性建议，以期为该技术为在相关领域的研究提供借鉴与参考。

关键词：演变规律；图像特征；检测技术；时间序列；农业信息

收稿日期：2016-03-29

基金项目：国家自然科学基金（编号：61501407）；河南省科技厅重点科技攻关项目（编号：132102110150）；河南省高等学校重点科研项目（编号：15A413006）；郑州轻工业学院研究生科技创新基金（编号：2015028）。

作者简介：刁智华（1982—），男，河南商丘人，博士，副教授，主要从事农作物病害识别及精准喷药技术研究。E-mail：diaozhua@163com。

农业在我国有着悠久的发展历史，在农业发展过程中，获取农作物生长过程的相关信息是提高生产管理水平、提高作物产量与质量的重要前提。在传统生产方式中，人们依据长期视觉观察对农作物的长势信息进行了解，并对农业信息发展的规律进行总结，虽然在世代经验的积累与传承下取得了一定的效果，但这种观察方式耗时、耗力，且主观性强、精确性差。同时，有些农业信息的变化具有人类视觉难以捕捉的特点，比如长时间性、细微性、环境不允许性等，这些都为视觉观察带来了困难。近年来，随着计算机技术的发展，图像处理作为一种新的信息检测手段，应用范围越来越广。从以特征提取、模式识别为主要内容的二维图像分析到以构建模型为主的三维空间序列图像应用，走向加入时间特征的多维时间序列图像的演变特征提取，图像处理经历了从静态特征检测到动态演变规律提取的过程。图像处理技术的发展为演变规律分析提供了新的思路。利用数字图像处理技术获取农作物的生长信息，能够做到对信息的定量化描述，精确地表达农业信息状况，为最佳的农作物生长控制方案提供精确的依据，推动农业生产方式向数字化、智能化方向转变，同时依据提取参数进行农业信息的过程反演能够促进现有农业研究方法的改进与完善。

以往基于图像的农业研究基本上集中在如何利用图像进行特定时刻的作物信息提取，以进行作物病虫害的识别。而真正基于时间序列图像来分析作物的生长过程，识别生长阶段，并依据整个生长周期的数据进行演变规律总结，以实现作物生长过程自动识别的研究相对较少。本文旨在结合数字农业的发展趋势，综合图像处理技术的发展应用，对基于时间序列图像的分析方法在农业信息动态演变过程中的应用研究所取得的进展进行归纳和总结。

1演变规律分析现状

农田信息是随时间变化的，在农作物的生长过程中，作物自身的颜色、形状及表面纹理特征，作物病害的病斑大小、形状、颜色及纹理特征，病害部位植株表面的颜色等都具有随时间的延续而发生连续改变的特点，人们把这种因时间的改变而在某一方面与以前有差异的现象称为信息的演变。演变是农作物生长过程中普遍存在的一种现象，在传统农业生产中人们获得这种演变信息主要依赖人类自身的视觉观察，随着图像处理技术在对研究对象的形状、大小、纹理、颜色等特征的深入理解以及提取技术的发展，图像处理技术为农作物演变信息的检测提供了新的技术与手段。利用图像处理技术获得农作物生长状态信息方面的研究在国内外已经取得很大的进展，但主要集中在病害杂草识别、作物外部生长参数提取、作物营养信息监测、作物形态结构的自动识别等基于特定时间点图像的特征提取方面，基于时间序列图像集的农作物信息演变过程的研究还相对较少[1-2]。得益于计算机运算速度的大幅提升与图像处理技术的进步，从获得的作物生长过程的时间序列图像集中提取作物生长信息的相关技术，逐渐成为近些年研究的热门领域之一。国内外在基于时间序列图像集的特征提取及应用研究方面也取得了少量的成果，大体可以归纳为3个方面：农作物长势自动观测、染病程度自动判断、具有可视化效果的植物生长模型构建。

11农作物长势自动观测

农作物的长势可以理解为农作物的生长状况与发展趋势，在农业生产中一直是人们关注的重点，它直接关系到农作物后期产量的高低和品质的好坏，也是人们采取相应控制决策的直接依据。作物的长势可以用个体和群体特征来描述，获取作物长势的传统方法是地面调查，现代农业生产中则主要利用遥感技术检测作物的生长状况和趋势[3]。随着科学技术的发展，促进了农作物长势检测理论与手段的不断发展与进步。检测手段由原始的人工实地检测经历遥感技术检测发展到最近的计算机视觉技术检测。利用计算机视觉技术获得的时间序列图像可自动判断田间作物生长状况，相比于原始的人工实地检测在很大程度上减少了农业工作人员的工作量，也减小了人工观察主观性所带来的误差。此外，此方法获得图像的过程可在田间无损进行，能减少对农作物的损害，符合精细农业的要求。相比于遥感技术，它可以减少气象环境条件对图像获取效果的影响，也降低了设备成本，提高了信息的時效性；同时检测对象为单株作物或作物的某个部分，减小了视野范围，提高了观测精确度。因此，基于图像的农作物长势信息检测技术展现了其他检测手段所没有的许多优势，成为近几年研究比较多的技术之一，按现在的研究范围，农作物生长状况的自动检测目标大致可以分为2类：作物长势的实时检测和发育期的自动判断。

在整个生长周期内，农作物的株高、茎粗、叶面积、果实大小等参数指标都在不断发生着改变，这些也成为反映作物生长状况与生长规律的重要指标参数。根据作物的视觉特征，作物的株高、茎粗、叶面积是图像特征中视觉特性最显著的参数，因此，这3种特征成为人们在分析作物长势中应用最早也是频数最高的3个参数。早在1995年Shimizu等开发出了1套自动分析农作物长势的计算机视觉系统，此系统利用相机获得的时间序列图像提取作物茎秆高度变化信息，并计算茎秆高度的变化率，作为作物的生长指标[4]。2010年马彦平开发出1套监测冬小麦、玉米生长状况的远程动态监测技术系统，在系统中以数字图像处理技术为手段，综合作物的株高、叶面积等参数指标，完成了计算机自动解析作物的生长状况指标，判断作物的长势[5]。2015年杭腾等在研究番茄长势信息的无损检测技术时，从采集的时间序列图像中提取番茄的茎粗、株高、叶面积等参数，通过相关性分析建立了番茄长势与时间序列图像特征值之间的拟合函数模型，做到了依据采集的时间序列图像分析作物长势的目的。在作物的生长过程中植株的长势状况除了表现在株高、叶面积等方面外，在颜色上也会表现出一定的变化趋势，虽限于人类视觉的分辨能力，这种变化趋势在人工视觉下表现不太明显，依靠人类视觉无法准确判断其中的变化情况，但是利用图像处理技术在高分辨率的图像中，这种颜色的变化趋势很容易计算出来。部分研究者就把研究重点放于颜色特征值的变化，以此来判断作物的长势情况。2002年Hiroaki等提出了1种利用图像处理技术监视农作物生长状况的方法，利用图像数据中颜色值的变化与苹果成熟度之间的相关性，提出苹果成熟的诊断模型。2015年杨北方等在研究利用数字图像技术分析棉花长势的过程中，通过采集棉花冠层的数字图像，提取图像的色调值，反映了棉花的长势信息[8]。在以株高、叶面积、颜色等所有作物都具有的生长参数作为长势判断依据的同时，不同种作物自身的发育特点，会产生这3种参数之外的一些自身特有的生长参数特征，比如玉米在整个周期内是单茎秆无分枝的生长，小麦在发芽后会有个分蘖期，呈丛状生长，此后的生长期仍是单茎秆无分枝的生长，但是番茄就是茎秆不断分枝的生长状态，因此作物自身的生长特点也可成为描述长势的参数。2007年刘继承在研究利用图像处理技术识别水稻长势的过程中，以水稻的株高、叶尖距、叶基角数值作为长势的主要判断指标，并结合叶面积指数来获取水稻的长势信息[9]。2013年孙红等充分地考虑了番茄植株的生理特点，在番茄的生长过程中其形态变异表现为“芽”的变化过程，即主茎顶上不断形成多蔓分枝，植株的分枝茎生长角也直接反映了番茄的长势情况，提出了基于图像几何校正的番茄生长角自动测量方法，该方法为快速、无损地获取番茄植株生长形态特征参数，分析番茄的长势提供了新的思考角度[10]。

随着研究的不断深入，人们在利用时间序列图像分析作物长势的基础上，逐步总结作物生长规律，并进一步引入自动识别算法来进行农作物生育期的自动观测，以达到能够自动识别农作物各个发展阶段的目的。农作物生育期自动观测是通过定时定点获得农作物整个生育期的图像，提取特征点并结合各时期特征得出各个时期的判断阈值，最终达到通过解读获得的时间序列图像自动判断田间作物生育期状况的目的。在农作物的生长过程中，颜色的变化贯穿整个生长周期，在不同的生育期表现出不同的特点，因此颜色的变化成为人们研究的重要方面。在玉米的生育期研究中，陆明等通过绿色比例判断播种期至大喇叭口期，从抽穗期开始综合黄色和绿色比例判断抽穗、乳熟和成熟等生育期[11]。白晓东对水稻分蘖期提出1种综合稻穗颜色特征、梯度直方图检测及卷积神经网络检测的水稻抽穗期自动检测方法，在一定程度上克服了因光照引起的叶片颜色变化的影响[12]。在作物的不同生长期内，作物的形态特征也表现出较强的不同性，特别是在作物的发育初期至个体植株成熟期，形态特征的变化尤为明显。因此形态特征的不同性成为人们研究作物个体成熟期之前发育期的重要特征参数之一。吴茜根据棉花植株的种植位置具有按行分布的特点，提出了基于直线监测的出苗期自动检测算法，经过幼苗分割、作物行提取，准确地判断出棉花出苗期；采用覆盖度统计的方法对棉花3真叶期进行自动检测；结合全局覆盖度和单株植株形态描述的方法提出了5真叶期的自动检测算法。

综合以上分析可以发现，在作物生长状况分析中，颜色和形态特征的变化是所有作物在生长周期内都有的特征点，因此是人们提取研究的重点。不同作物生长特点的不同，也会引入新的观测特征，此外同种作物不同时期的表征性状也会不同，因此作物生长情况的研究方法也不尽相同，以至于从提取图像特征的长势状况分析到后来基于长势特征规律引入识别算法的生育期自动判别，都没有统一的特征参数。所以，结合生物学充分认识农作物的生长特点，为信息提取选择最优的参数特征显得尤为重要。

12染病程度的研究

目前对农作物染病程度的判断主要依赖农业工作人员实地调查，凭借人的眼睛依据特定的技术指标来判断，然而大多数农民并不了解诊断作物病害的确切标准，这样往往会造成误诊率高，识别时间长，易错过最佳防治期，造成病情延误及农药的过量使用。图像识别技术快速、准确、无损伤的特点为病害的发病情况调查提供了新的选择。经过国内外学者的不断努力，在农业领域利用获取的图像通过图像处理技术已经实现了病虫害的有效识别，对病虫害发生程度的定性研究也取得了少量的成果[14-17]。在农作物的生长过程中，各种病害发生症状的表现各不相同且同个病害的症状在不同时期的表现也会较为复杂，但都会引起作物表面形状的改变，在图像特征上大致可分为3类：颜色、形状、纹理的变化。这3种变化量主要体现在作物本身及病害本身，且这种改变在图像上表现出较强的特征值变化，因此部分学者根据此特点对作物的染病程度进行了研究。马德贵等在研究水稻稻瘟病的发病程度表示方法时，以单株最大病斑为研究对象，采用椭圆拟合单株最大病斑，计算椭圆主长轴的长度，以此来表示稻瘟病的发病程度；用椭圆拟合水稻纹枯病单株最大病斑并计算其最高处距基部的距离，以两者之比值作为对水稻纹枯病病害程度检测的依据[18]。葛婧等在玉米小斑病病害程度的检测研究中，利用病斑的彩色图像准确分割出病斑，并计算病斑面积的大小，并以此面积与整叶面积的比值作为受害程度的参考標准[19]。郎利影等在研究棉红枯病的染病程度时利用发病叶片中颜色的不同提出了采用红色和绿色分量平均值比值作为染病程度判断的标准[20]。李静在研究玉米小斑病的染病程度时，在利用红色和绿色分量平均值的比值的同时，加入红色分量的值为变量建立其与病情指数之间的模型，并取得了较高的精度，同时研究了病斑面积百分率和叶绿素之间的关系，组建回归模型[21]。

综合近几年的研究，在利用图像技术分析农作物的病害发病程度中，利用颜色及病斑面积等参数自定义参数指标，初步做到了发病程度的判断。但是在参数选择上以颜色与面积为主，表现力单一，准确率不高，适应性差。且病害程度只是指数的表达，并没有具體的分级标准，对于基于病害整个周期的病害程度分析与总结的研究也比较少。较作物生育期的自动判断来说，病害的自动判断也须引起研究人员的关注。

13基于图像的植物生长模型、可视化研究

植物的生长模型构建、可视化研究是虚拟植物技术中一项重要的研究内容，是运用计算机技术结合生物学、应用数学、图形图像学等多学科的，在二维或者三维空间中进行植物形态结构可视化再现的一门技术，是农业科学与计算机技术的交叉领域。植物的可视化生长模型能够以可视化的方式虚拟植物在空间中的形态结构随时间推移的生长发育过程及变化规律，可以使人们对植物的生长过程进行直观的观察研究，发现传统研究方法和技术手段难以观察到的规律，以此来了解植物生长发育的整个过程。随着计算机运算速度的大幅提升、图形图像技术的发展，植物的可视化研究取得了较大的进展并在科研、教学、商业等领域都展现出了巨大的应用价值。如今植物的建模技术可总结为两大类：基于规则的方法和基于图像的方法[22]。基于规则的建模方法是根据测量统计的植物生长数据，利用设定的规则标准，通过编写的程序语言来创建植物形态结构模型。在建模中常用的L系统和粒子系统就是典型的基于规则的建模算法。在此方法中模型参数的选择是个难点，参数太少不足以表达植物复杂的形态特征，模型真实感不高，参数过多则导致模型复杂、运算量大，不同种类植物间形态结构的较大差异性，也会增加造型的复杂度。由于理论和方法的限制，数学上的模拟只能是对自然结构的一种近似，在形态细节描述方面的表现力较差。基于图像的建模技术是通过对场景实拍的一系列图像或视频，恢复出具有较强真实感的场景或者物体模型，由于图像拥有丰富的细节信息，基于图像构建的模型拥有较强的真实效果，它利用光学仪器获取图像序列集，避免了复杂的数据测量过程。相较于前者，基于图像的建模方法在数据获取、细节展现、建模效率等多个方面都有较大的优势。

近年来，基于图像的建模技术得到了快速发展，经历了从静态到动态，从二维到三维的发展过程，且研究者们已经在静态建模研究中取得了很大的进步与不少的研究成果，为动态建模的研究奠定了理论基础，促进了动态建模的发展[23]。2011年黄兴召利用高清摄像机拍摄了山核桃树不同树龄段的连续图像序列，通过提取摄像机参数及其图像序列的树木三维点云，得到不同树龄段的树木点云模型，进而构建各个树龄段的树木模型，模拟出山核桃动态生长变化的可视过程[24]。2012年徐宏明在研究植物叶片三维模型的重构方法中，利用图像处理技术获取叶片的轮廓信息，提出1种根据叶片轮廓自动生成叶片主、二级叶脉的方法，并结合枫叶老化过程中各种色素变化的数学模型，构建了真实感较强的枫叶老化动态模型[25]。虽然基于图像的建模技术在细节展现方面有很大的优势，但鉴于在大面积图像展现方面仍然存在计算量大、技术难度高等特点，所以目前单纯的基于图像建模的研究仍以小面积或细节部分的研究为主，整个植株的动态模型构建难度还较大[26]。因此，综合2种建模方法各自的优缺点，结合规则和图像的双重建模技术成为人们简化计算量的同时又能增加细节表现力的建模手段。此种建模方法是以基于规则的方法建立作物的主干模型，通过图像处理技术获取植物在不同生长期的颜色、形状、纹理等细节特征，耦合到植物的动态生长模型，以增加模型的细节表现力。2008年吴谦等运用叶片生长异速模型与Logistic方程相结合的方法，提出基于图像处理和生长规律的树木叶片动态模型，图像技术的运用使叶片纹理的展现更加细致，模拟效果更加逼真[27]。2014年周赟在花卉的生长形态可视化研究中通过图像处理技术获得各个器官的纹理图像，结合3次贝塞尔曲面构造的器官形态，完成了植物形态的可视化表达，并模拟出植株生长的整个过程[28]。2015年马学强在虚拟植物生长模型研究中运用图像处理技术构建了虚拟植物器官模型，结合L系统，提出了1种自适应的虚拟植物智能生长模型，清晰地展现了植物生长过程中各部分的形态变化与关系[29]。

总体来说，基于时间序列图像集的植物模型构建与可视化研究处于起步阶段。限于现在计算机运算速度和图像处理算法的效率性，单纯的基于图像的动态建模技术仅限于小面积、单参数的表面特性展现，而大面积、多参数的整株植物动态模型的构建还存在许多问题亟待解决。所以现在大部分研究仍然是与基于规则建模方法结合使用：以基于规则的建模技术构建植株上细节要求不高的主干结构，来减小模型的运算量，以基于图像的建模技术来构建模型表面的颜色、纹理等细节信息，从而增加模型的细节展现能力、减小测量工作量。

2总结与展望

数字图像处理技术作为一种新兴的检测技术在信息采集方面具有信息量大、速度快、精度高、非接触等优点，对于一些手工测定难以解决的问题有着特别的优势。特别是在农业信息获取中可避免传统依赖人的视觉获取信息主观性强的特点，在节约劳动力、降低主观性、提高信息精度方面具有很大的潜力。

综合以上分析，基于时间序列图像集的分析技术在农作物的长势分析、发育期自动判断、染病程度判断及植物可视化生长模型的构建等方面引起了研究者们的广泛关注并取得了一定的研究成果，在科研、教育、商业领域都展现了巨大的应用潜力。但在实际研究应用中，还存在很多有待投入更多精力加以重点研究的地方。在基于图像处理技术的农业信息演变规律提取与分析的研究中，目前存在的不足之处及未来的研究方向大致可以归纳为以下4点：

（1）现阶段的农作物长势分析和病情判断的大部分研究重点在于定义指数参数描述演变过程，做到依据参数指标人工判断农作物的信息发展情况，对于依据指数参数公式化地表达整个演变过程的研究较少。为促进数字农业的发展，加快农业的智能化进程，农业信息提取的数字化及农业信息演变规律的公式化表达、机器识别与判断是重要的研究方向与内容之一。

（2）农业信息的数字化提取不应仅仅在于生长状况信息的实时提取，更应注重对提取的生长信息规律的总结，以改变传统农业生产中信息演变规律代代口头相传的形式，使农业生产信息规律能够公式化地普及到每位农业从业人员，使基层的广大农民劳动者能够精确地了解农业信息的发展规律，并能够准确地判断信息发展的每个阶段。

（3）限于现有图像处理算法运算量大的状况，现阶段植物生长可视化模型的研究仍然以基于规则的建模方法为主，图像只是作为一种辅助手段应用其中，以增强模型的细节表现力，整体模型仍然存在表现力差的特点。因此，改进和优化图像处理算法，以提高算法的运算效率，结合计算机图形学技术促进基于图像的动态模型的改进和推广，是现在面对图像建模技术必须解决的问题。

（4）对于面向演变规律提取的特有算法的研究较少，面对不同的研究对象的演变规律提取分析须要开发专有的算法，无法实现算法之间的通用。因此，加强演变规律分析算法的研究，完善基于图像的演变规律方法理论，是减小现有演变规律分析的工作量，提高演变规律分析的准确性所必须解决的问题。

总的来说，开展基于时间序列图像集的演变规律分析的理论研究，完善面向规律提取的通用算法，改善与优化现有的图像处理算法，结合生物学优化特征参数的选择，加强公式化表达信息演变过程研究，增进演变规律的公式化总结及演变过程的自动识别算法研究，并结合计算机图形学的最新研究进展，促进基于时间序列图像集的动态可视化模型的研究与发展，可能成为今后一段时间内基于图像的农业信息演变规律分析研究的发展方向。总之，利用时间序列图像集来分析农作物的生长规律具有重要的研究意义及实用价值，它需要多个学科知识的综合运用，大量的试验积累以及新的知识理论算法的构建，才有可能使其研究成果更好地应用于农业科研和生产实践中。

参考文献：

刁智华 大田小麦叶部病害智能诊断系统研究与应用[D] 合肥：中国科学技术大学，2010

刁智华，王欢，宋寅卯，等 基于颜色和形状特征的棉花害螨图像分割方法[J] 计算机应用与软件，2013，30（12）：177-180，184[JP]

[3]陈怀亮，李颖，张红卫 农作物长势遥感监测业务化应用与研究进展[J] 气象环境与科学，2015，38（1）：95-102

[4]Shimizu H，Heins R DComputer vision based system for plant growth analysis[J] Transaetions of the ASAE，1995，38（3）：958-964

[5]马彦平 基于数字图像的冬小麦、玉米长势远程动态监测技术研究[D] 武汉：华中农业大学，2010

[6]杭腾，毛罕平，张晓东，等 基于机器视觉的番茄长势信息无损检测的研究[J] 农机化研究，2015，37（11）：192-196，197

[7]Hiroaki I，Masahiko T，Toyonori N，et al Diffuse reflectance near-infrared spectral image measurement for the field monitoring of agricultural products[C]//Instrumentation and Measurement Technology Conference New York：Proceedings of the 19th IEEE，2002：3-6

[8]杨北方，韩迎春，毛树春，等 基于数字图像的棉花长势空间变异分析[J] 棉花学报，2015，27（6）：534-541

[9]刘继承 基于数字图像处理技术的水稻长势检测研究[D] 南京：南京农业大学，2007[ZK）]

[10][ZK（#]孙红，李民赞，钱喜艳，等 基于图像几何校正的番茄茎生长角自动测量技术[J] 农业机械学报，2013，44（2）：209-214

[11]陆明，李茂松，申双和，等 图像识别技术在作物农情新奇反演中的应用[J] 自然灾害学报，2011，20（3）：18-24

[12]白晓东 基于图像的水稻关键发育期自动观测技术研究[D] 武汉：华中科技大学，2014

[13]吴茜 基于图像处理技术的棉花发育期自动观测研究[D] 武汉：华中科技大学，2013

[14]胡敏，陈洪波，许良凤，等 基于颜色和纹理特征的黄瓜病害识别算法[J] 电子测量与仪器学报，2015，29（7）：970-977

[15]夏永泉，李耀斌，黄海鹏 基于平均影响值和支持向量机的小麦病害识别[J] 计算机技术与应用，2015，41（6）：136-138，142

[16]濮永仙 基于病斑特征融合的烟草病害图像检索方法[J] 河南农业科学，2015，44（2）：71-76

[17]Patil J K，Kumar R Feature extraction of diseased leaf images[J] Journal of Signal and Image Processing，2012，3（1）：60-63

[18]马德贵，邵陆寿，葛婧，等 水稻稻瘟病及水稻纹枯病病害程度图像检测[J] 中国农学通报，2008，24（9）：485-489

[19]葛婧，邵陆寿，丁克坚，等 玉米小斑病病害程度图像检测[J] 农业机械学报，2008，39（1）：114-117

[20]郎利影，陶坚坚 基于图像处理的棉红枯病染病程度研究[J] 农机化研究，2012，34（6）：161-164

[21]李静 玉米小斑病的图像处理技术及生理指标的研究[D] 合肥：安徽农业大学，2007

[22]Quan L，Tan P，Zeng G，et al Image-based plant modeling[J] ACM Transactions on Graphics，2006，25（3）：599-604

[23]刘丹，诸叶平，刘海龙，等 植物三维可视化研究进展[J] 中国农業科技导报，2015，17（1）：23-31

[24]黄兴召 基于图像的山核桃生长模型[D] 浙江：浙江农林大学，2011

[25]徐宏明 枫叶老化虚拟方法与关键技术研究[D] 杨凌：西北农林科技大学，2012

[26]汪丽萍 基于生理生态的黄瓜叶色建模与可视化研究[D] 南昌：江西农业大学，2015

[27]吴谦，张怀清，陈永富，等 基于生长规律与图像结合的树木叶片动态模拟[J] 林业科学研究，2008，21（增刊1）：122-125[JP]

[28]周赟 高度真实感的观赏植物形态与生长可视化[D] 北京：北京林业大学，2014

[29]马学强 具有生长特征的虚拟植物模型研究[D] 济南：山东师范大学，2015

作者：刁智华　魏玉泉　吴贝贝

基于林业推广的科学技术论文 篇2：

基于weighted slope one用户聚类的林产品推荐算法

摘 要：随着电商平台用户、林产品数量规模不断扩大，协同过滤推荐时构建的用户-林产品评分矩阵变得高维稀疏，导致推荐算法精度和可扩展度下降。基于此本文提出一种weighted slope one用户聚类推荐算法，将其应用在林业产品个性化推荐服务中。首先，通过weighted slope one算法的思想填充高维稀疏的用户-林产品评分矩阵；其次，使用K-means聚类算法对用户进行聚类，产生相似用户集合，缩小推荐过程中邻居用户的搜索范围；最后，在大数据Mahout平台进行实际推荐，为林产品贸易平台个性化推荐服务的大规模实现奠定基础。经仿真实验表明，文中提出的算法能够全面提升推荐的精度和可扩展性。

关键词：林产品推荐；weighted slope one；K-means；协同过滤

0 引 言

近年来，科学技术的发展使林产品不断被精深加工，加之其所具有绿色、环保、天然的优势，林产品不断成为健康产品的主流选择。电子商务平台的不断发展带动了林产品的推广和销售，但用户和林产品的不断增多出现了严重的信息负载，个性化推荐服务应运而生。通过个性化推荐服务省去了用户搜索、筛选林产品的时间成本，直接为用户推荐其可能感兴趣的林产品，不但能提升用户在电商平台的购物体验，同时还能够为商家带来销售收入。

国家林业局于2011年提出《林业发展“十二五”规划》中指出，要加快推进林业产品信息化，实现林业产品贸易化发展[1]。因此实现林产品智能推荐是推进我国林业信息化、实现《林业发展“十二五”规划》的重要环节。完善林业产品平台的产品推荐个性化服务技术是建设人性化、智能化林产品商务网站的关键技术与必然趋势[2]。

协同过滤算法是目前应用最为广泛的推荐算法，最早是由GlodBreg等人在90年代开发推荐系统Tapestry时提出来的，并在后来被广泛的研究和应用[3]。随着电商平台上用户、林产品规模的不断扩大，构建出的用户-林产品评分矩阵将具有高维稀疏性，其中大部分元素都是0元素，这对于计算用户、产品之间相似性生成最近邻居，提升算法推荐精度、可扩展性都是非常紧迫的挑战。

为解决这一困境，近年来学者们提出了很多组合算法来提升推荐算法的推荐效果。通过降低用户-产品评分矩阵的规模来实现提升推荐精度与可扩展性。Zhan Li等提出了通过取用户的hyper-plane相似性和传统的余弦相似性的折衷来解决数据的稀疏性问题，仿真实验表明，该方法确实可以在一定程度上缓解数据的稀疏性问题[4]。Pirasteh P等人认为即使是相似性相同的两个人也不应该推荐给他们完全相同的一个产品，他们将加权策略考虑进了相似性的度量中，实验表明，的确能提升推荐算法的推荐精度，但是对于可扩展性的提升并不大[5]。陈洪涛等提出了一种新的基于社交关系的相似度传播式协同过滤推荐算法，通过量化用户社交关系计算用户之间的相似性，然后基于社交网络的相似度传播模型来给出推荐列表[6]。王茜等通过引入社交网络中的信任机制，从个体的社交圈中的主观信任和全局声誉角度出发建模，将直接、间接信任度聚合在一起构成用户信任关系，解决冷启动问题和用户-评分矩阵稀疏性问题[7]。

在对学者们的研究现状进行了充分调研的前提下，文中提出一种基于weighted slope one的用户聚类推荐算法，以有效应对用户-产品评分矩阵的高维稀疏性带来的推荐效率低的问题，并将其应用在电子商务平台上的林产品个性化推荐服务上。

1 数据源

以京东商城的产品分类中的食品、酒类、生鲜、特产为一级目录，以地方特产、茗茶、生鲜食品作为二级目录，收集二级目录下的坚干果、可食用菌类、茗茶等类目林产品为代表作为本文的林产品数据集，通过八爪鱼采集器收集产品的评论页面中的评价详情、评价时间、评价星级、林产品名称、用户名称、用户等级，用户所在地点，采集的部分数据情况如图1所示，共采集到72358条用户-林产品评价信息。

将重复的林产品进行合并，并且认为同一用户对同一种商品的评价中时间最早的评价星级为有效评论。对数据经过清洗后共有2555条有效评论，在这些评论中包含了1899个用户和60种林产品。在此基础上，构建用户-林产品评分矩阵，矩阵大小为1899×60，其中每列表示一种林产品，每行代表一个用户，每个元素代表用户对于林产品的评分情况。由于每个用户能够评论的林产品是有限的，所以呈现出的用户-林产品评分矩阵具有高维稀疏性，直接在此矩阵上无论是进行用户聚类推荐还是协同过滤推荐都存在用户之间关联性太低的问题，因此不易寻找最近邻居给出推荐结果[8-9]。

2 基于weighted slope one用户聚类协同过滤推荐算法

传统的协同过滤推荐算法遇到了性能的瓶颈，算法的推荐精度和可扩展性都在下降。在对学者们提出的算法进行了深入的分析研究之后，提出了一种基于weighted slope one用户聚类推荐算法，该算法首先构建用户-产品的评分矩阵，将weighted slope one方法实现产品推荐思想的应用于稀疏矩阵的0元素填充，然后使用K-means算法实现相似用户聚集，产生推荐列表，如图2所示。

2.1 weighted slope one算法

slope one算法是Daniel Lemire教授于2005年提出的一个基于用户打分的推荐算法，该算法通过以f（x）=x+b作为预测器，通过线性回归来预测目标用户对于未评分项目的打分情况，其中b是用户对两个项目的评分的平均偏差[10-11]。weighted slope one是slope one算法的一个递进形式，它将用户共同评分的差异度以及不同项目被用户同时评论的次数也考虑进了打分预测中。因此weighted slope one算法所预测的评分更接近于真实的用户评分。但是，文献[12]研究表明slope one在用户-项目评分矩阵比较稀疏时，其推荐的效果并不好。因此，文中并不直接利用weighted slope one算法进行目标用户对项目的打分预测，而是通过使用该算法的思想将其应用于初始的用户-林产品稀疏矩阵填充上。先降低初始用户-林产品评分矩阵的稀疏程度，确保后续进行用户聚类以及推荐的结果更优。

将weighted slope one算法应用于初始用户-林产品评分矩阵填充（以目标用户u的0元素填充为例）的具体过程为：首先，寻找目标用户u与用户v评分的林产品交集Iuv=Iu∩Iv，计算目标用户u的未评分项目j对于项目i的偏移量devji，见公式（1）。然后计算目标用户对于项目j的评分值，见公式（2）。这是经典的slope one算法预测目标用户对项目打分的方式。但显然的，用户v与目标用户u之间评分林产品的交集越多说明用户与目标用户更为相似，对其的预测评分的影响也就越深刻。因此，weighted slope one算法修正用户u对项目最终的预测评分，见公式（3）。

通过weighted slope one算法对高维稀疏矩阵进行填充后，用户-林产品的评分矩阵如图2所示，显然有效降低了数据的稀疏程度。再通过K-means算法对用户进行聚类，缩小邻居用户的搜索范围，在提升推荐算法可扩展性的同时，为快速给出推荐结果奠定基础。

2.2 K-means算法

K-means聚类算法思想简单，又容易实现对数据的大规模聚类，因此是使用的最为广泛的聚类算法之一。 其基本思想为：首先从N个数据对象中随机选择k个对象作为初始聚类中心；对于剩下的其他对象，则根据它们与这些聚类中心的相似度（距离），分别将其分配给与其最相似的聚类；然后再计算每个聚类新的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到准则函数收敛为止[13-14]。K-均值算法采用误差平方和函数作为准则函数，定义为：

文中使用K-means算法对填充过的用户-林产品评分矩阵进行聚类，用户之间距离的度量使用余弦相似性进行度量，见公式（5）。产生相似用户的候选集合，减少后续推荐的相似用户搜索的时间、空间复杂度。

2.3 协同过滤推荐

传统的协同过滤算法可以分为基于用户的协同过滤推荐和基于项目的协同过滤推荐，基于用户的协同过滤算法实现推荐时基于如下事实：如果用户对一些项目的评分比较相似就认为他们在其他项目的评分上具有相似关系[15]。算法首先遍历用户集合中的所有用户，计算目标用户与所有用户的相似性，找出前N个最相似的用户作为目标用户的最近邻居，见公式（5）；其次，对于目标用户未评分的项目，搜索邻居用户集合对于目标用户未评分项目的评分，并结合其与目标用户的相似度计算目标用户对于未评分项目的预测评分，见公式（6）。最后，针对预测评分的值给出目标用户的推荐列表。

2.4 基于weighted slope one用户聚类推荐算法

设U={u1，u2，…，um}为收集的用户集合，U′={C1，C2，…，Ck}表示生成的用户簇类，k表示具体的用户簇类个数，Ck表示第k个簇类，算法的具体描述如下：

输入：用户-评分矩阵D，聚类个数k，最近邻居大小N，推荐列表的个数M。

输出：目标用户的推荐列表以及对应的评分。

step1：根据weighted slope one算法的思想对初始用户-林产品评分矩阵D中的0元素进行填充，生成填充矩阵Dζ。

Step2：利用K-means算法对Dζ进行聚类分析，生成k个聚类输出，各聚类的中心为ci，i=1，2，……，k。

Step3：通过公式（5）计算目标用户与聚类中心ci的相似度，将目标用户分配到距离最小的聚类Ci（i=1，2，……，k）中去。

Step4：在目标用户所属的簇类中，根据公式（5）计算目标用户与其他用户的相似性，搜索出相似性最大的前N个用户作为目标用户的最近邻居集合，记为Nu。

Step5：利用公式（6）计算各个项目的预测评分，列出M个预测评分最大的项目推荐给目标用户。

3 仿真实验与结果分析

以收集到的京东商城的用户、林产品评分数据为实验数据，评分值是按照用户在评价产品时给的评分星级，用户标亮5颗星就认为用户对该林产品的评分为5，未评分的用0来表示，评分越高，说明用户对于该林产品的偏好性越强。

3.1 实验环境

文中通过JAVA语言来进行数据的清洗、去重复等工作，从而获取初始的用户、林产品评分信息。构造用户-林产品评分矩阵、基于weighted slope one算法对用户-林产品评分矩阵中的0元素进行填充、实现用户聚类均是以Matlab语言完成，最后在Apache Mahout上构建推荐平台完成推荐过程，为后续的林产品大规模推荐实现奠定基础。

3.2 推荐框架（Apache Mahout）

Apache Mahout是Apache Softwear Foundation（ASF）开发的一个基于大数据的开源项目，该项目中开发了很多机器学习的算法的接口，可以供开发人员、学者直接进行调用测试，算法涵盖了聚类、分类、推荐等。

文中的推荐算法均在Apache Mahout上直接实现。在Taste组件中包含了可以进行编程扩展的接口，包括SO算法、基于内容的协同过滤推荐算法、基于项目的协同过滤推荐算法等，同时还提供了扩展接口，工程开发人员可以根据需要实现自己提出的推荐算法。Taste组件的工作原理如图3所示：

底层是数据存储层，用于存储用户的偏好信息，在推荐系统层，用户的偏好信息被建模成Users Preferences（接口），一个preference就是一个三元组，其构成为<用户ID，物品ID，评价详情>。推荐引擎将Users Preferences提交给Recommender模块，推荐引擎通过DataModel对用户评价信息进行压缩表示，DataModel是用户评价信息的接口，它的具体实现支持从任意类型的数据源抽取用户评价信息，它支持文件读取和数据库的读取。Apache Mahout在进行协同过滤时，首先通过用户的历史行为构建DataModel，在Recommmender模块中根据用户的偏好计算用户之间的相似性，产生最近邻居，然后产生推荐策略给上层的应用层。

3.3 评测指标

协同过滤推荐算法最终的目标要给出推荐产品列表以及产品的具体评分，因此涉及到两个指标，即top M个项目的推荐性能以及评分预测的偏差。评分预测的度量多是通过MAE（平均绝对误差）来进行度量，见公式（7），而top M推荐的预测准确率一般通过准确率和召回率来进行度量[16]，见公式（8）和公式（9）。

式中：rui是用户u对于物品i的真实评分；r^ui是推荐算法给出的预测评分；T表示用户u的真实评分产品集与推荐算法预测产品集的交集。从公式（7）可以看出MAE越小说明推荐的质量越高。MAE为NAN表示对于某一用户，推荐项目集与用户真实评分的项目集交集为空，对于该用户的推荐无效。

式中：R（u）是给目标用户的推荐列表；而T（u）则是目标用户实际的行为列表。很明显的，precision表示了推荐的准确性程度，而recall则反映了推荐列表中所推荐的产品被用户响应的程度。从公式（8）和公式（9）来看，准确率和召回率都应该是越高越好。当准确率为NAN说明根据现有的用户数据无法给出推荐产品列表，典型的就是常见的冷启动问题。召回率为NAN说明用户对于推荐的响应列表也为空，可以理解为不活跃用户。

3.4 实验结果分析

为了验证改进算法的有效性，使其能够大范围的应用在林业产品贸易平台的使用上，以收集到的数据为测试数据，分别将文中提出的算法与传统的协同过滤算法、基于K-means用户聚类的算法的MAE、precision、recall进行对比，随机地取用户聚类个数为10，选取top 5个林产品作为产品列表推荐给用户。 实验结果见表1。

根据表1可知，利用文中提出的算法对用户-林产品评分矩阵首先进行填充可以有效避免数据稀疏性的问题，在与基于K-means用户聚类推荐算法的比较中可以看到，除去cluster4，cluster6之外，基于K-means用户聚类推荐的算法都出现了NAN的情况，说明文中提出算法的无论是在预测评分还是top M推荐上其整体效果都优于基于K-means用户聚类推荐，可见数据稀疏性对于推荐系统推荐结果的影响。同时，观察到cluster4、cluster9的文中提出的算法所得到的precision、recall相对比较低。通过分析聚类结果发现，首先，cluster4、cluster9簇类内用户数量较少，小用户集合中进行推荐的能力有限；其次，簇类内用户的评分行为较集中，即用户购买评分的项目基本相同。由于用户数量和小差异的集中的购买评分现象，造成了cluster4、cluster9的precision和recall都比较低。去除cluster4、cluster9这两个聚类的precision和recall值发现，文中算法的平均precision、平均recall可以达到84.73%、87.28%。虽然与传统的协同过滤算法相比较在precision上文中的算法还略低一点，但是其在recall、MAE上面的表现却是完全优于传统的协同过滤推荐算法。recall比传统的算法提升了近60%多，MAE下降的幅度也比较大。

除此之外，由于文中提出的算法通过K-means聚类算法获取了相似用户的簇类，当需要对某个目标用户进行推荐时，首先判断该目标用户所属的簇类，在目标用户所属的簇类内实现推荐而非以往在所有用户集中实现推荐过程。由于相似用户簇类的用户数量远远小于所有用户集合，因此将目标用户最近邻居的搜索空间将大大降低，从而有效提升了算法的可扩展性。

4 结束语

电子商务的不断发展会带动林产品贸易平台的完善和发展，完善林产品个性化推荐服务是推进我国林业信息化的重要途径。文中以林产品为主题，收集关于用户、林产品、评论等重要信息，通过对数据进行去重、整理生成用户-林产品评分矩阵，引入weighted slope one算法进行推荐的思想，填充稀疏矩阵矩阵进行K-means聚类产生相似用户集合，在低维的相似用户空间中实现林产品的推荐。经仿真实验表明，文中提出的方法能够很好地提升林产品推荐的效率。

【参 考 文 献】

[1]国家林业局.《林业发展“十二五”规划》[Z].2011.

[2]王 梓.林产品贸易信息用户兴趣模型及个性化搜索[D].北京：北京林业大学，2013.

[3]Goldberg D，Nichols D，Oki B M，et al.Using collaborative filtering to weave an information tapestry[J].Communications of the ACM，1992，35（12）：61-70.

[4]Li Z，Peng J Y，Geng G H，et al.Video recommendation based on multi-modal information and multiple kernel[J].Multimedia Tools & Applications，2015，74（13）：4599-4616.

[5]Pirasteh P，Hwang D，Jung J E.Weighted similarity schemes for high scalability in user-based collaborative filtering[J].Mobile Networks & Applications，2015，20（4）：1-11.

[6]陈洪涛，肖如良，邓新国.一种新的基于社交关系的相似度传播式推荐算法[J].小型微型计算机系统，2015，36（5）：1073-1077.

[7]王 茜，王锦华.结合信任机制和用户偏好的协同过滤推荐算法[J].计算机工程与应用，2015，51（10）：261-265.

[8]李 华，张 宇，孙俊华.基于用户模糊聚类的协同过滤推荐研究[J].计算机科学，2012，39（12）：83-86.

[9]贺桂和.基于用户偏好挖掘的电子商务协同过滤推荐算法研究[J].情报科学，2013，31（12）：38-42.

[10]李朝阳.基于Slope One算法的协作过滤个性化推荐系统设计与实现[D].武汉：华中科技大学，2010.

[11]王 毅.基于Hadoop的Slope One及其改进算法实现[D].成都：西南交通大学，2011.

[12]董 丽，邢春晓，王克宏.基于不同数据集的协作过滤算法评测[J].清华大学学报：自然科学版，2009，49（4）：590-594.

[13]熊忠阳，陈若田，张玉芳.一种有效的K-means聚类中心初始化方法[J].计算机应用研究，2011，28（11）：4188-4190.

[14]王 千，王 成，冯振元，叶金凤.K-means聚类算法研究综述[J].电子设计工程，2012，20（7）：21-24.

[15]李 涛，王建东，叶飞跃，等.一种基于用户聚类的协同过滤推荐算法[J].系统工程与电子技术，2007（7）：1178-1182.

[16]项 亮.推荐系统实战[M].北京：人民邮电出版社，2014.

作者：郑丹 王名扬 陈广胜

基于林业推广的科学技术论文 篇3：

植物根系表型信息获取技术研究进展

摘要：人口数量增长和全球气候变化加剧了粮食安全供给压力，育种学家亟需培育高产、高效作物品种以满足日益增长的粮食消费需求。基于根性状的品种培育改良可有效提高作物水分、养分利用率，但根系表型观测的困难性极大地限制了育种进程。随着自动化控制、成像和传感器以及图像解译技术的发展，高通量根表型信息系统性收集已成为可能。本文综述了一系列适用于室内或田间的非破坏性或破坏性根系二维或三维结构测定技术;系统阐述了主流的根表型参数提取图像分析技术和软件;探讨了基于根表型平台的根性状筛选应用于新品种培育的成功案例，并对高通量根表型平台的进一步研发进行了展望。

关键词：根系表型;高通量;图像采集;图像处理;根性状;作物改良

由于人口数量增长和消费结构升级，全球农作物消费需求快速增加。与此同时，耕地面积减少、水资源匮乏、全球气候变化和极端天气频发进一步增加了粮食安全供给的压力。依靠“大水大肥”的农田管理办法片面重视作物产量，忽视资源利用效率，造成了土壤质量下降、面源污染和温室效应等生态环境问题[1]。为保证农业绿色可持续发展，同时满足未来粮食需求，育种学家需从根源上突破，培育水分、养分高效吸收的作物品种。根系作为直接接触土壤资源的重要器官，其结构和功能对作物吸收土壤水分、养分具有重要影响[2]。良好的根系构型能最大化作物对土壤养分资源的捕获效率，从而有效提高作物产量[3]。因此，学者们提出第二次绿色革命，即基于根性状进行作物培育改良，以提高作物产量和养分资源利用率。

根系表型观测是实现优势根性状筛选和培育的基础。然而，土壤不透明性和结构复杂性导致根系观测十分困难。根表型信息的系统性收集已成为基于根性状的遗传育种研究和植物科学研究的主要限制因素之一[3]。研发高通量根表型平台，通过现代化信息采集分析手段提高根表型信息获取效率和精度，对高效筛选优势根性状、加速作物育种研究和栽培生理学研究具有重要意义。本文旨在通过介绍根表型信息高效采集、根性状参数定量提取等近年来国内综述较少的根表型测定技术，概述国际上主流根表型平台的最新研究进展，结合相关领域最新发展趋势，探讨在实验室或田间揭示植物“隐藏的另一半”的新技术、新方法及其挑战和机遇，并展望高通量根表型信息系统性收集平台的发展前景。

1 根表型信息获取技术

植物表型是理解基因型与环境互作的关键。在可控环境下规模化地筛选优质基因型和表现型，挖掘不同环境条件下作物表型性状及与之关联的遗传信息，进而揭示基因-表型-环境互作机理，是作物育种研究取得突破的重要途径[3]。建立表型与遗传信息的关系或应用表型信息优化基于基因组选择的预测模型，均需要大量精准而全面的表型和基因型信息。因此，基因-环境-表型互作机理研究需借助以大数据为核心的现代化信息技术。随着测序效率提升以及测序成本降低，作物基因组数据不断增长和完善。然而，表型信息获取仍以人工为主，尤其根表型观测仍十分困难，需破坏性测定，工作量大，且数据重复性差。

近年来，根表型研究获得了国际上越来越多研究学者和学术机构的关注。随着数据采集工具、传感器及数字图像处理和分析技术的发展，现代智能科学技术手段已逐步应用于根表型研究领域。目前，学者们已研发出一系列适用于实验室条件下的、非土壤介质或土壤介质的、非破坏性根系二维或三维结构测定技术，以及适用于田间的、破坏性或非破坏性的根系二维或三维结构测定技术。

1.1 室内二维根系表型测定技术

由于土壤的遮蔽性，获取非土壤介质下的根表型信息是许多学者开展根系研究的重要途径之一。有学者采用非穿透性低成本成像传感器（如可视相机和平板扫描仪等）在室内对根盒（发芽纸与透明玻璃板组成的栽培容器）、生长袋或透明人工生长培养基中的根系进行实时成像，以获取根系动态生长信息（图1-A、图1-B）。该类方法操作便捷、通量易拓展，但仅能观测苗期较小的植株根系，且非土壤介质及二维生长空间对根系构型影响较大。

采用非穿透性成像传感器获取土壤介质下微根窗根系图像也是目前国际上较为流行的根系表型测定方法（图1-C、图1-D）。该类方法可高通量、自动化地对根系进行成像，但该方法构建成本较高，有限的二维生长空间导致根系生长轨迹发生改变，此外，土壤颗粒的遮蔽导致成像捕获的根系结构不完整。基于热红外成像和断根修复算法的根系表型测定方法可实现根系图像信息的增强和修复[13]，在一定程度上解决土壤遮挡时根系图像信息不全的问题。

尽管室内非土壤或土壤介质二维根系表型观测技术存在一定的局限性，但由于其适合纳入高通量根系表型平台而被广泛应用，该类系统已成功应用于大豆[14]、玉米[15]、小麦[16]、油菜[9]、棉花[12]等多种作物根系性状的筛选。

1.2 室内三维根系表型测定技术

自然生长的根系结构具有许多难以在二维空间中量化的特征，如谷类作物种子根的排列（通常为不对称分布）以及玉米节根的轮次、数量和角度等。为了给植株根系提供自由生长空间并保持其空间生长位置，许多学者采用琼脂和冷凝胶作为生长介质，采用立体视觉法或激光成像法对透明介质下的根系进行三维成像（图2-A）。此类方法可重建根系三维结构，已被成功地用于揭示水稻等作物三维根系结构特征的潜在遗传基础;但琼脂无法补充养分、水分，且本身特性容易造成根系缺氧，且该方法仅能测定苗期根系;此外，非土壤介质下根系生长发育状况也与自然土壤环境下存在较大差异。

目前，已报道的采用非破坏性方法获取土壤中根系三维结构的方法包括微X射线断层扫描法（X-ray CT）、核磁共振成像法（MRI）和正电子发射断层扫描（PET）[26]等（图2-B、图2-C）。X-ray CT可以基于不同的X射线衰减实现根系三维结构可视化，已被应用于水稻根系对生长介质特异性响应，拟南芥、玉米和水稻侧根模式，白杨与云杉种间互作以及草原落叶松根系量化等研究。MRI使用射频波和强磁场刺激原子并生成三维结构，该类技术已经被应用于玉米、大豆、甜菜和大麦根系的三维成像。PET扫描显示短半衰期放射性示踪剂的分布，如植物代谢过程中使用的碳同位素，该方法对示踪剂具有很高的灵敏度，但分辨率较低（仅为1.4 mm）。以上方法最初均为医学应用而开发的层析成像技术，仪器设备成本高昂，由于低分辨率以及復杂的根系三维重建，仅能获取有限根系结构信息;此外，还存在栽培容器小（仅能测定直径小于8 cm土柱中的苗期根系）、通量低、耗时长且设备不可移动等缺点。由于操作局限和费用昂贵，这些技术在推广应用上受到很大限制。

1.3 田间根系表型测定技术

田间根系表型观测大多通过破坏性取样实现，最经典的根钻法得到了最广泛的应用。Wasson等通过应用UV光照和荧光光谱技术改进了根钻法，增强了土壤和根系图像对比度，同时实现了自动图像采集及根钻分离[27]。Shovleomics法是目前田间根系测定较为流行的方法（图3-A）[28]，该方法使用铁锹获取小范围土体内的根系，清洗后通过自动化成像和图像处理实现根系表型测定[29];该方法操作便捷高效，但仅能获取根基部相对简单的根性状（如根系轮廓、投影密度和面积等）。三维数字化技术已被成功应用于田间原位精确测定根系空间伸展轨迹（图3-B），该方法能精确描述根系三维空间结构，但费时费力，难以实现高通量测定且无法捕获侧根形态结构信息。

田间根系表型观测的非破坏性方法主要包括根室法和微根管法。根室法通过对地窖内透明玻璃窗进行成像来捕获田间根表型信息;微根管法通过扫描紧贴玻璃管生长的根系来捕获局部根表型信息;但这2种方法仅能获取局部区域根表型信息，且观测设备构建和布置成本较高。近年来，研究根系和土壤剖面的非侵入性地球物理技术也得到了发展。电阻层析成像（ERT）被用来分析直径较大的根系（如树木根系）[35]，但在作物根表型领域应用有限。地面穿透雷达技术（GPR）是另一种与电磁干扰相似吞吐量的地球物理技术，它利用高频无线电波探测物体，适用于探测和量化粗壮根系（如树木根系），然而，在探测直径小于 2 mm 的树根时分辨率不够，无法应用于形态较小、直径较细的作物根系测定。

2 根表型参数提取技术

基于获取的根系图像提取根系形态、性状等定量化信息是高通量根表型信息系统性收集的另一个关键[6]。近年来，国内外研究人员开发了一系列自动化及半自动化的根系图像处理和根系特征提取软件。

2.1 二维根系图像处理软件

国际上已有根系图像分析软件大多适用于二维根系结构特征参数的提取（表1），包括GIA Root、Root Reader 2D、SmartRoot、WinRhizo和EZ-Rhizo等。不同根系图像分析软件都有其特定的适用范围，提取的根系特征参数也存在一定差异。目前可提取的二维根系特征参数主要分为两大类：一类是基于根系整体的全局特征性状，包括总根面积、总根长、根凸包面积、根深和根宽等信息;另一类是基于拓扑连接的根系详细特征性状，包括主根和各级侧根的长度、个数、直径和角度等信息。对于有明显交叉和重叠的复杂根系或者背景对比度低的根系图像，在提取根系特征性状时需要加入大量的手动处理，尤其对于详细根特征性状的提取。

2.2 三维根系图像处理软件

国际上已有的根系三维结构分析软件较少（表1），主要包括RooTrak、iRoCS Toolbox和RootReader3D 。RooTrak能够基于X-ray断层扫描土柱半自动化地分割根系和周围的土壤，实现根系三维重建，但该软件不具备提取根系三维结构参数的功能[22]。iRoCS Toolbox能够在实现根系三维重建的基础上进一步自动化或半自动化提取根系直径和体积等简单根系表型参数[44]。RootReader3D能自动化提取根系深度、宽度、总长度、总表面积、总体积、凸包体积和根尖数目等根系表型参数，但这些表型参数大多是基于根系整体的全局根系结构特征参数，对基于拓扑连接的详细根系三维结构参数，如主根和单条侧根长度、直径、分枝位置、分枝角度和个数等，尚未能实现定量化提取和分析[18]。

3 基于根表型平台的育种改良

根系结构性状是育种人员进行作物改良以提高作物产量的主要研究对象之一。尽管对根系的观测研究存在极大挑战，基于根表型观测筛选根性状已被成功引入新品种的培育研究中[45]。研究学者通过各式根表型观测方法对环境胁迫下有助于保持作物生产力的根系结构特性进行了研究和筛选。已有学者通过根盒法[46]和田间根钻挖掘法[47]发现，小麦根系生长得深且广有利于捕获深层土壤水;通过根盒法和田间铁锹挖掘法发现，减少冠根数目有利于提高禾本科植物抗旱能力;通过发芽袋培养法发现，根系生长较浅的植株对磷有较多的吸收[50]。此外，已有学者通过花篮盆栽法研究发现，具有较倾斜根角度（根系与土壤表面夹角较大）的水稻更耐旱;并进一步明确了DRO1基因调控根系生长的深度和角度，通过将深根特征性状引入浅根品种，提高和改善了水稻的抗旱能力，证明了对根系结构的控制和改良可有效提高作物抗旱能力[51]。然而，目前基于根性状的培育改良研究进展十分缓慢，根性状的筛选仍是一个非常耗时的工作。研究学者需继续研发适用于不同培育目标的系统、规模化的高通量根表型平台，从而加速对根性状的筛选以及对根功能的认识，深入了解根性状如何与整个植物的抗逆策略相关联从而提高作物生产力，最终成功地确定作物改良的关键根系性状。

4 结论与展望

本文综述了近年来植物根表型平台研究的最新进展，成像和传感器以及图像解译技术的进步加速了高通量根表型平台的发展。室内二维根系表型平台发展最为迅速，尽管在生长空间和观测时期上存在一定的局限性，但因其通量易拓展、适合开展高通量自动化根表型分析而被广泛应用于作物育种研究和植物生理学研究;室内三维根系结构无损成像技术也取得了重要进展，该技术在未来面临的新挑战是如何将其纳入自动化表型平台，使其通量可与二维根系表型系统相媲美，以便进行大规模的定量遗传研究;田间根系表型测定技术目前发展较为缓慢，其主要限制因素仍为土壤的不透明性和田间生长环境的复杂性，未来该领域的技术研发仍面临巨大的挑战和机遇。

基于二维或三维成像的高通量根表型平台获取的图像数量庞大，导致后期的图像处理工作量繁重，需要人工干预的图像处理软件极大地阻碍了根表型信息获取的速度。根表型信息提取所需的时间依赖于根系复杂程度以及待提取的目标根特征参数。由于许多根特征参数之间具有高度的自相关性，相比获取大量详细的根特征参数，确定关键根特征参数对量化分析不同品种根系性能的差异有更为重要的作用。因此，为平衡根特征参数提取与自动化根系成像的通量和效率，可根据研究目标选择适合的根特征参数提取软件和提取方法，着重提取对于品种筛选关键的根性状。此外，深度机器學习正成为许多计算机视觉问题的标准技术，该技术在植物科学领域中的应用大部分集中于植物地上部。在未来需要研究人员与计算机科学家积极合作，将诸如深度学习等创新方法整合到根表型信息提取分析中，以提高根表型参数提取效率和精度[52]。

高通量根表型平台的研发应以支持植物生理学以及作物育种研究为目标。有研究学者提出研发一套通用的根表型平台，但在实际应用中，具有普适性的通用根表型平台极难建立，其原因在于不同育种目标都需要差异化的根表型观测技术，因此，研究学者们仍鼓励继续研发适用于不同研究目标的新的根表型平台。未来期望通过研发高通量自动化根表型平台，结合图像解译技术高效获取高通量根表型定量数据，并与大规模平行测序技术结合，通过表型组学和基因组学联合分析，挖掘控制理想根表型性状的基因组，以此指导作物育种。这种多学科方法将为基于根性状的作物改良提供重要支持，对满足未来气候变化挑战下作物高产稳产的迫切需要具有重要意义。

参考文献：

[1]朱兆良，金继运.保障我国粮食安全的肥料问题. 植物营养与肥料学报，2013，19（2）：259-273.

[2]Lynch J P. Root architecture and plant productivity. Plant Physiology，1995，109（1）：7-13.

[3]Fiorani F，Schurr U. Future scenarios for plant phenotyping. Annual Review of Plant Biology，2013，64：267-291.

[4]de Dorlodot S，Forster B，Pagès L，et al. Root system architecture：opportunities and constraints for genetic improvement of crops. Trends in Plant Science，2007，12（10）：474-481.

[5]Lynch J P，Brown K M. New roots for agriculture：exploiting the root phenome. Philosophical Transactions of the Royal Society of London. Series B，Biological Sciences，2012，367（1595）：1598-1604.

[6]Kuijken R C P，van Eeuwijk F V，Marcelis L F M，et al. Root phenotyping：from component trait in the lab to breeding. Journal of Experimental Botany，2015，66（18）：5389-5401.

[7]潘映紅. 论植物表型组和植物表型组学的概念与范畴. 作物学报，2015，41（2）：175-186.

[8]Adu M O，Chatot A，Wiesel L，et al. A scanner system for high-resolution quantification of variation in root growth dynamics of Brassica rapa genotypes. Journal of Experimental Botany，2014，65（8）：2039-2048.

[9]Gioia T，Galinski A，Lenz H，et al. GrowScreen-PaGe，a non-invasive，high-throughput phenotyping system based on germination paper to quantify crop phenotypic diversity and plasticity of root traits under varying nutrient supply. Functional Plant Biology，2016，44（1）：76-93.

[10]Nagel K A，Putz A，Gilmer F，et al. GROWSCREEN-Rhizo is a novel phenotyping robot enabling simultaneous measurements of root and shoot growth for plants grown in soil-filled rhizotrons. Functional Plant Biology，2012，39（11）：891-904.

[11]Rellán-lvarez R，Lobet G，Lindner H，et al. GLO-Roots：an imaging platform enabling multidimensional characterization of soil-grown root systems. eLife，2015，4：e07597.

[12]Wu J，Wu Q，Pagès L，et al. RhizoChamber-Monitor：a robotic platform and software enabling characterization of root growth. Plant Methods，2018，14（1）：44.

[13]卢 伟，韩 钊，蹇兴亮，等. 基于热红外成像和断根修复算法的玉米根系表型检测方法. 光谱学与光谱分析，2020，40（9）：2845-2850.

[14]Bonser A M，Lynch J，Snapp S. Effect of phosphorus deficiency on growth angle of basal roots in Phaseolus vulgaris. The New Phytologist，1996，132（2）：281-288.

[15]Hund A，Trachsel S，Stamp P. Growth of axile and lateral Roots of maize：I development of a phenotying platform. Plant and Soil，2009，325（1）：335-349.

[16]Atkinson J A，Wingen L U，Griffiths M，et al. Phenotyping pipeline reveals major seedling root growth QTL in hexaploid wheat. Journal of Experimental Botany，2015，66（8）：2283-2292.

[17]Iyer-Pascuzzi A S，Symonova O，Mileyko Y，et al. Imaging and analysis platform for automatic phenotyping and trait ranking of plant root systems. Plant Physiology，2010，152（3）：1148-1157.

[18]Clark R T，Maccurdy R B，Jung J K，et al. Three-dimensional root phenotyping with a novel imaging and software platform. Plant Physiology，2011，156（2）：455-465.

[19]Topp C N，Iyer-Pascuzzi A S，Anderson J T，et al. 3D phenotyping and quantitative trait locus mapping identify core regions of the rice genome controlling root architecture. Proceedings of the National Academy of Sciences of the United States of America，2013，110（18）：E1695-E1704.

[20]朱同林，方素琴，李志垣，等. 基于圖像重建的根系三维构型定量分析及其在大豆磷吸收研究中的应用. 科学通报，2006，51（16）：1885-1893.

[21]Flavel R J，Guppy C N，Tighe M，et al. Non-destructive quantification of cereal Roots in soil using high-resolution X-ray tomography. Journal of Experimental Botany，2012，63（7）：2503-2511.

[22]Mairhofer S，Zappala S，Tracy S R，et al. RooTrak：automated recovery of three-dimensional plant root architecture in soil from x-ray microcomputed tomography images using visual tracking. Plant Physiology，2012，158（2）：561-569.

[23]罗锡文，周学成，严小龙，等. 基于XCT技术的植物根系原位形态可视化研究. 农业机械学报，2004，35（2）：104-106，133.

[24]张建锋，吴 迪，龚向阳，等. 基于核磁共振成像技术的作物根系无损检测. 农业工程学报，2012，28（8）：181-185.

[25]Rascher U，Blossfeld S，Fiorani F，et al. Non-invasive approaches for phenotyping of enhanced performance traits in bean. Functional Plant Biology，2011，38（12）：968-983.

[26]Moradi A B，Carminati A，Vetterlein D，et al. Three-dimensional visualization and quantification of water content in the rhizosphere. The New Phytologist，2011，192（3）：653-663.

[27]Wasson A，Bischof L，Zwart A，et al. A portable fluorescence spectroscopy imaging system for automated root phenotyping in soil cores in the field. Journal of Experimental Botany，2016，67（4）：1033-1043.

[28]Trachsel S，Kaeppler S M，Brown K M，et al. Shovelomics：high throughput phenotyping of maize （Zea maysL.） root architecture in the field. Plant and Soil，2011，341（1）：75-87.

[29]Bucksch A，Burridge J，York L M，et al. Image-based high-throughput field phenotyping of crop roots. Plant Physiology，2014，166（2）：470-486.

[30]Wu J，Pagès L，Wu Q，et al. Three-dimensional architecture of axile roots of field-grown maize. Plant and Soil，2015，387（1）：363-377.

[31]陈信信，丁启朔，李毅念，等. 南方稻麦轮作系统下小麦根系的三维分形特征. 中国农业科学，2017，50（3）：451-460.

[32]Liedgens M，Richner W. Minirhizotron observations of the spatial distribution of the maize root system. Agronomy Journal，2001，93（5）：1097-1104.

[33]史建伟，于水强，于立忠，等. 微根管在细根研究中的应用. 應用生态学报，2006，17（4）：715-719.

[34]廖荣伟，刘晶淼，安顺清，等. 基于微根管技术的玉米根系生长监测. 农业工程学报，2010，26（10）：156-161.

[35]Amato M，Basso B，Celano G，et al. In situ detection of tree root distribution and biomass by multi-electrode resistivity imaging. Tree Physiology，2008，28（10）：1441-1448.

[36]Zenone T，Morelli G，Teobaldelli M，et al. Preliminary use of ground-penetrating radar and electrical resistivity tomography to study tree Roots in pine forests and poplar plantations. Functional Plant Biology，2008，35（10）：1047-1058.

[37]郭庆华，刘 瑾，陶胜利，等. 激光雷达在森林生态系统监测模拟中的应用现状与展望. 科学通报，2014，59（6）：459-478.

[38]舒洪岚. 探地雷达在植物根系研究中的应用. 江西林业科技，2007（5）：32-33.

[39]Arsenault J L，Poulcur S，Messier C，et al. WinRHIZO，a root-measuring system with a unique overlap correction method. HortScience，1995，30（4）：906-907.

[40]Armengaud P，Zambaux K，Hills A，et al. EZ-Rhizo：integrated software for the fast and accurate measurement of root system architecture. The Plant Journal，2009，57（5）：945-956.

[41]Lobet G，Pagès L，Draye X. A novel image-analysis toolbox enabling quantitative analysis of root system architecture. Plant Physiology，2011，157（1）：29-39.

[42]Clark R T，Famoso A N，Zhao K Y，et al. High-throughput two-dimensional root system phenotyping platform facilitates genetic analysis of root growth and development. Plant，Cell & Environment，2013，36（2）：454-466.

[43]Galkovskyi T，Mileyko Y，Bucksch A，et al. GiA Roots：software for the high throughput analysis of plant root system architecture. BMC Plant Biology，2012，12（1）：116.

[44]Schmidt S，Bengough A G，Gregory P J，et al. Estimating root-soil contact from 3D X-ray microtomographs. European Journal of Soil Science，2012，63（6）：776-786.

[45]Tracy S R，Nagel K A，Postma J A，et al. Crop improvement from phenotyping roots：highlights reveal expanding opportunities. Trends in Plant Science，2020，25（1）：105-118.

[46]Hurd E A. Phenotype and drought tolerance in wheat. Agricultural Meteorology，1974，14（1）：39-55.

[47]Wasson A P，Rebetzke G J，Kirkegaard J A，et al. Soil coring at multiple field environments can directly quantify variation in deep root traits to select wheat genotypes for breeding. Journal of Experimental Botany，2014，65（21）：6231-6249.

[48]Sebastian J，Yee M C，Viana G W，et al. Grasses suppress shoot-borne roots to conserve water during drought. Proceedings of the National Academy of Sciences of the United States of America，2016，113（31）：8861-8866.

[49]Lynch J P. Rightsizing root phenotypes for drought resistance. Journal of Experimental Botany，2018，69（13）：3279-3292.

[50]Henry A，Chaves N F，Kleinman P J A，et al. Will nutrient-efficient genotypes mine the soil？ Effects of genetic differences in root architecture in common bean （Phaseolus vulgarisL.） on soil phosphorus depletion in a low-input agro-ecosystem in Central America. Field Crops Research，2010，115（1）：67-78.

[51]Uga Y，Sugimoto K，Ogawa S，et al. Control of root system architecture by DEEPER ROOTING 1 increases rice yield under drought conditions. Nature Genetics，2013，45（9）：1097-1102.

[52]Atkinson J A，Pound M P，Bennett M J，et al. Uncovering the hidden half of plants using new advances in root phenotyping. Current Opinion in Biotechnology，2019，55：1-8.

作者：吴茜 张伟欣 张玲玲 孙传亮 刘乃森 岳延滨 曹静 梁万杰 葛道阔 唐普传 李百明 曹宏鑫 张文宇