欧亚国际

来自澳大利亚的科学家利用WIWAM高光谱成像模块（400-1700nm）发表了题为“Hyperspectral imaging predicts yield and nitrogen content in grass–legume polycultures”的文章，文章发表在期刊Precision Agriculture上。该科学家已经利用本系统发表了数篇研究文章。

WIWAM植物表型成像系统由比利时SMO公司与Ghent大学VIB研究室联合研制生产，整合了LED植物智能培养、自动化控制系统、叶绿素荧光成像测量分析、植物热成像分析、植物近红外成像分析、植物高光谱分析、自动条码识别管理、RGB真彩3D成像等多项先进技术，实现大量植物样品——从拟南芥、玉米到各种其它植物的生理生态与形态结构成像分析，用于高通量植物表型成像分析测量、植物胁迫响应成像分析测量、植物生长分析测量、生态毒理学研究、性状识别及植物生理生态分析研究等。依托在工业自动化领域和植物科学领域的丰富经验，SMO公司在植物表型成像分析领域处于的技术前列，植物生长、胁迫响应等测量参数达几百个。

SMO公司是欧洲先进的自动化工程公司，专注于为机械自动化、机器视觉以及各个领域提供定制化解决方案。公司工厂配备各种设备，具有3D设计、强度计算、焊接、切割以及组装等丰富的经验。SMO自动化领域涵盖工业机械制造的尖端制造技术，提供自动传输系统到专业焊接等各个领域的技术，针对客户需求提供定制化解决方案。在远程过程工作领域，SMO 拥有先进的经验，通常过程自动化包括改进生产线，例如标准机械件布局，重新规划传感器和PLC控制系统。SMO还拥有提供交钥匙工程的能力，如设计整条生产线。在多种情况下，公司工程师从客户提供想法开始，通常客户已经有生产过程的想法。自动化还包括电气配电柜、机械电缆，PLC控制，成像以及机器人各个部分。设计线路图，配电柜、机械电缆以及PLC控制的组织安装。

在科研领域，利用WIWAM植物表型成像系统发的文章呈现井喷的状态，近年来利用高通量植物表型成像平台发表的文章已经达到几十篇，其中有一篇文章发表在Nature Biotechnology上。

高光谱成像预测草豆科复合栽培的产量和氮含量

高光谱成像技术能否成功用于推进精准农业，在很大程度上取决于对感兴趣物种的校准。迄今为止，用于预测植物生长和养分含量的高通量高光谱成像在很大程度上仅限于单一物种的栽培。因此，本研究旨在根据高光谱图像数据校准混合栽培的一系列农艺性状。它成功地证明了高光谱成像可以预测植物特性生物量（g）、叶片氮（N）浓度（mg g⁻¹）和N产量（mg）。可见光和近红外（VNIR）以及短波红外（SWIR）的输入仅导致绿色植物在背景中出现轻微的图像误分类（0.02%），而与物种无关。经过训练的偏最小二乘回归（PLSR）模型VNIR-HH（超色调）和SWIR的误分类错误率最低，分别为3.16%和9.56%，用于草豆科植物的分类。对于草，除了N×P对N产量的影响外，实验室得出的混合效应模型与高光谱测量得出的PLSR模型之间有很好的一致性。豆类模型的一致性不如草精确，可能是因为肥料驱动的处理对测量性状的影响没有那么明确。本研究确定了影响预测氮含量和生物量的PLSR模型强度的关键波长。在受控条件下，根据混合耕作的高光谱数据对生长和养分吸收特性进行有效校准，是对改进遥感技术以在混养大田作物中更广泛应用的重要贡献。

Hyperspectral imaging predicts yield and nitrogen content in grass–legume polycultures

Successful use of hyperspectral imaging technology to progress precision agriculture is highly dependent on calibration on species of interest. To date, high-throughput hyperspectral imaging to predict plant growth and nutrient content has largely been limited to single-species cultivations. Therefore, this study aimed to calibrate a range of agronomic traits in mixed cultivations to hyperspectral image data. It successfully demonstrated that hyperspectral imaging can predict the plant traits biomass (g), foliar nitrogen (N) concentration (mg g⁻¹) and N yield (mg), in grass and legume monocultures and polycultures in response to differential N and phosphorus (P) fertilization in a controlled greenhouse experiment. Visible light and near infrared (VNIR) and short wavelength infrared (SWIR) input resulted in only minor image misclassification (0.02%) for the green plants from the background regardless of species. The trained partial least square regression (PLSR) models VNIR-HH (hyper-hue) and SWIR had the lowest misclassification errors of 3.16% and 9.56% and were used for the grass–legume classification. For grass, there was good agreement between the mixed-effect models derived from the laboratory, and the PLSR models from hyperspectral measurements, except for the effect of N × P on N yield. Legume model agreement was not as precise as grass, likely because fertilizer-driven treatment effects on the measured traits were not as clear. Key wavelengths contributing to the strength of the PLSR models for predicting N content and biomass were identified from this study. Effective calibration of growth and nutrient uptake traits against hyperspectral data in mixed cultivations under controlled conditions is an important contribution towards improving remote sensing technologies for broader application in polyculture field cropping.