大豆因其作为油籽和谷物的用途而受到重视，但与玉米和水稻等作物相比，其产量受到限制，这凸显了开发高产品种的必要性。

通过高通量无人机表型分析和动态建模提高大豆产量

然而，大豆冠层早期生长与总产量之间的关系仍知之甚少，表明存在重大研究空白。虽然高通量表型分析的进步，特别是通过无人机技术，提高了监测效率，但它们在数据分析准确性方面面临挑战，特别是在图像分割方面。

植物表型学发表了题为“通过结合多模态深度学习和动态建模进行大豆生长分析的时间序列现场表型”的研究。

在本研究中，使用专为分析无人机捕获的多源表型数据而定制的多模态深度学习模型来评估 RIFSeg-Net 在大豆冠层分割方面的有效性。

该研究涉及针对已建立的模型(例如 FCN、UNet、SegNet)进行比较精度评估，并对作为 RIFSeg-Net 骨干的不同 ResNet 架构进行分析，揭示了 ResNet-50 在精度方面的卓越性能。

此外，使用 SAM 模型提取单个大豆叶子，这是一项需要大量计算资源的任务，根据叶子长宽比将 200 个大豆品种分为四个不同的组。然后将动态模型应用于这些群体，提取五个表型参数来研究冠层发育动态，证明不同大豆亚群的冠层覆盖度存在显着差异。

该方法利用无人机在整个大豆繁殖周期中进行高时间精度数据收集，通过实现大规模、高通量田间实验，超越了传统的手动表型分析。多模态数据输入的融合显着提高了分割精度，从而可以自动捕获和监测动态冠层覆盖。

以“S”生长函数为基础的动态模型建立了表征基因型差异的可靠参数，强调了早期活力在产量结果中的关键作用。这种方法不仅有利于针对早期活力的详细表型分析，而且有助于识别具有有利性状的大豆种质资源，以培育更具生产力和抗逆性的品种。

总之，该研究展示了无人机表型分析与先进的深度学习和动态建模技术相结合的潜力，可以有效地对多种大豆基因型进行表型分析，为高产大豆品种的育种提供宝贵的见解。这种综合方法强调了农业研究中尖端技术和方法的整合，从而为田间条件下的高通量表型分析设立了新标准。