欧亚国际

2019年10月，Plant Phenomics刊发了来自日本静冈大学Kazumasa Wakamori 和 Hiroshi Mineno撰写的题为Optical Flow-BasedAnalysis of the Relationships between Leaf Wilting and Stem Diameter Variationsin Tomato Plants的研究论文，作者在不采用深度神经网络等黑盒方法的情况下，研究了叶片萎蔫与茎直径变化的关系。Hiroshi Mineno为该文章的通讯作者。

水分胁迫的估计对进行优质果品的生产至关重要。多模态深度神经网络已成功地将茎杆直径变化作为一种估计水分胁迫的指数，该指标根据叶片萎蔫和环境数据计算。然而，这些研究并没有揭示叶片萎蔫在评估中的具体作用。揭示叶片萎蔫的作用不仅保证了评估模型的可靠性，而且为改进评估方法提供了契机。本文在不采用深度神经网络等黑盒方法的情况下，研究了叶片萎蔫与茎直径变化的关系。为了阐明叶片萎蔫的作用，采用互相关分析方法，以光流法量化叶片萎蔫，并分析其与茎直径变化之间的时滞相关性，并将其作为一种水分胁迫指数。分析表明，叶片萎蔫与茎直径短期变化时滞相关性显著，这是植株对水分胁迫的响应。本研究的结果与已知的植物-水运输机制一致，说明使用光流法量化叶片萎蔫可以解释茎直径短期变化。

Fig1: Data collection environment. Overhead view of the greenhouse(a), overhead view of a cultivation line (b), layout of measuring equipment forone targeted tomato plant (c).

Fig2: Relationships between cross-correlation and environmentaldata. 

Relationships between the maximum cross-correlation coefficient and themean PPFD (a) and mean VPD (b). The relationships between the time lags andmean PPFD (c) and mean VPD (d).

本研究的结果有四个局限性

首先，其他环境条件下可能不会出现本研究描述的叶片萎蔫和茎直径变化之间的关系。本研究假定的蒸腾平衡条件基于以下事实：环境条件在5分钟的时间间隔内不变。因此，在蒸腾不平衡条件下，例如在阴天，没有发现时滞相关性。在蒸腾不平衡条件下，由于蒸腾驱动力的变化，茎直径的变化会影响叶片的萎蔫状态。未来的研究需要开发一种分析方法，阐明包括蒸腾不平衡在内的各种环境条件下，茎直径和叶片萎蔫之间的关系。

其次，本研究发现不同类型植物的蒸腾速率和较大水势各不相同，并且还受其生长阶段的影响。因此，包括相关系数、时滞和回归方程在内的量化结果可能不适用于其他植物。再次，本研究仅分析了水分胁迫下叶片相对萎蔫与相对茎直径之间的关系。与植物水分胁迫或蒸腾相关的生物因素有很多，如土壤水势、气孔导度、CO2水平等，本研究的结果与这些因素之间是否存在关系尚不清楚。未来，应该收集这些生物指标的相关数据并进行详尽的分析。较后，在有限的灌溉条件下，植株会发生卷叶和叶片萎蔫两种现象。基于光流法的分析方法无法检测和定量叶片卷曲，但是，还是有必要建立基于叶片整体状态的较健壮的灌溉控制机制。叶片卷曲会导致其三维（3D）性状发生变化，可以使用深度相机（可以获得深度数据和RGB信息）检测这种变化。在未来的研究中希望检验深度相机对叶况量化的适用性。

How to Cite this Article

Kazumasa Wakamori and Hiroshi Mineno, “Optical Flow-Based Analysis of the Relationships between Leaf Wilting and Stem Diameter Variations in Tomato Plants” Plant Phenomics,vol. 2019,Article ID 9136298, 12 pages, 2019. http://doi.org/10.34133/2019/9136298

Latest Articles

Jobs | 南京农业大学作物表型分析团队博士后、博士职位

Report | 园艺植物表型组学研究进展

Article | 有效表型研究揭示新的小麦叶枯病定量抗性基因位点

Article | 评估碳同位素识别值在小麦育种中的应用

Article | 利用机器视觉量化葡萄白粉病严重程度的高通量表型系统

Article | 利用表型组学辅助筛选技术开发有效植物育种表型预测因子

Article | 基于深度学习的识别田间条件下小麦的穗区域的表型分析方法

Article | 来阵风，就知道！一种植物无损快速振动表型分析方法

Article | 一种用于高粱头状花序检测和计数的弱监督深度学习框架

Article | 用于估计穗密度和地上生物量的茎特征高通量测量方法

Article | 新方法！预测芸薹属植物花期耐热抗旱性的无损表型测量方法

Article | 将FAIR原理应用于GnpIS植物表型数据管理

Article | instaGraminoid，一种评估除草剂抗性的新型比色法

Article | 利用高通量表型技术探索三种植物种类对真菌菌根和锌的生长反应

Article | 如何利用卷积神经网络诊断植物病害 

Perspective | 植物表型：过去、现在和未来

Editorial | 植物表型组学：一种新兴的跨学科科学 

About Plant Phenomics

《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行，是Science合作出版的第二本期刊。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的较新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。2019年8月，已正式被DOAJ数据库收录。

翻译：孙港

编辑：黄艺清 （实习）

审核：孔敏、尹欢