《Frontiers in Plant Science》：Artificial intelligence in plant science: from image-based phenotyping to yield and trait prediction
编辑推荐：
这篇综述系统阐述了人工智能（AI）技术如何革新植物科学研究。文章聚焦于两大核心应用：图像表型分析（Image-Based Phenotyping）与多源遥感驱动的产量和性状预测（Yield and Trait Prediction）。作者详细梳理了从传统机器学习（ML，如SVM、RF、GBLUP）到深度学习（DL，如CNN、RNN、Transformer、GNN、多模态学习、联邦学习FL）的方法论演进，并探讨了这些技术在从受控实验室环境扩展到复杂田间应用时所面临的挑战与未来方向，为构建精准、可持续的现代农业提供了跨学科范式。
1 引言
全球粮食系统正面临人口快速增长、气候多变和自然资源有限的严峻挑战，迫切需要创新策略以提高作物生产力并确保农业的可持续生产。传统表型分析和产量预测方法耗时费力，且难以捕捉复杂的相互作用。人工智能，特别是机器学习（ML）和深度学习（DL），凭借其在算法创建方面的重大方法论进展和大量作物数据集的可获取性，正迅速改变这一局面。本综述旨在展示AI如何通过图像表型分析和多源遥感两大支柱，推动植物科学进入数据驱动的高通量时代。
2 植物表型和性状分析的统一AI框架
现代AI已从手工设计特征发展到端到端的深度学习，具备自动表征学习能力。传统ML方法，如支持向量机（SVM）、随机森林（RF）和基因组最佳线性无偏预测（GBLUP），在早期表型预测任务中发挥了作用。随着DL的出现，卷积神经网络（CNN）、循环神经网络（RNN）、Transformer、图神经网络（GNN）、多模态学习以及联邦学习（FL）等先进模型为表型分析和遥感提供了更高效、可扩展的数据分析能力。这些方法在收敛性和准确性之间存在权衡，模型设计正朝着更通用、灵活和符合现实世界需求的方向发展。
3 图像表型分析：从实验室研究到田间应用
传统植物表型依赖人工测量，速度慢、规模小且主观。现代图像表型方法通过自动化分析实现了无损、大规模性状获取。深度学习已重塑植物图像分析，成为处理大型植物图像数据集的主导方法。核心计算机视觉任务包括语义分割、目标检测以及基于三维重建的性状提取。这些技术使得从单器官到田间冠层等不同尺度的植物性状精确量化成为可能。
3.1 深度学习在植物图像分析中的进展
CNN是现代植物图像分析的基石，能够从原始图像中学习层次化特征，广泛应用于器官识别、胁迫和病害表型分析。视觉Transformer（ViT）则通过自注意力机制捕捉图像中的长程依赖和全局空间关联，在植物病害检测和精准农业中展现出优势，尤其在处理复杂性状时能减少人为和结构偏差。为克服数据限制，模型融合策略（如集成学习）被用于提升小数据集上的分析精度。
3.2 核心计算机视觉任务：分割、检测与性状提取
语义分割可实现像素级分类，精确测量叶面积、冠层覆盖度等。目标检测算法（如Faster R-CNN, YOLO系列）则用于果实计数、穗部检测等。基于无人机（UAV）的成像和高通量三维重建技术，能够提取植物高度、冠层体积等结构形态性状，提供了二维图像难以捕获的信息。
3.3 将图像表型分析扩展到真实田间条件
将模型从受控环境（如温室）迁移到多变田间是一大挑战。为解决此问题，研究集中在三个方向：通过领域自适应（如使用GANs生成合成数据）增强模型鲁棒性；通过模型压缩和轻量级架构（如MobileNet系列）实现模型在移动设备和UAV上的边缘部署，支持实时分析；以及利用搭载传感器的UAV平台实现高通量表型分析（HTP），快速获取大田性状数据。
3.4 植物表型分析中的开放科学平台
开放科学平台如PlantCV、Deep Plant Phenomics以及标准化数据集（如全球小麦穗部检测数据集GWHD）的共享，促进了算法开发、结果比较和跨机构合作。遵循可查找、可访问、可互操作和可重用（FAIR）数据原则，将进一步加强数据共享和协作，推动领域发展。
4 用于产量和性状预测的遥感技术
除了图像表型，遥感技术通过整合多源数据（卫星观测、UAV成像、土壤气候数据、时空信息）来提升性状监测和产量预测的精度。AI模型能够学习这些异构数据中的复杂模式，以应对基因型×环境（G×E）互作的挑战。
4.1 多样化数据源与多源输入
作物产量受天气、土壤属性、管理措施等多种因素影响。AI模型可以处理卫星或UAV图像序列（通过植被指数捕获冠层发育）、天气变量时间序列、静态土壤和地形图以及作物品种等分类变量，从而学习与最终产量相关的各种模式。ML方法（如RF、SVM、GBLUP、RKHS）和DL方法（如CNN、LSTM、Transformer、GNN）均已成功应用于此。
4.2 时空动态建模
作物生长和产量形成具有显著的时空动态特征。结合CNN（捕捉空间特征）和LSTM/Transformer（捕捉时间模式）的混合模型，以及专门处理时空关系的图神经网络（GNN）和时空同步图卷积网络（STSGCN）等先进AI技术，能够有效建模这些复杂的时空依赖性，实现更准确的预测。
4.3 具有代表性的应用与案例研究
AI驱动的预测模型已应用于多个场景：田间试验分析，用于预测数千种基因型的产量和抗逆性；区域产量预报，为政府和市场提供收获前的可靠预测；以及胁迫和抗性性状预测，如利用遥感数据预测干旱胁迫指数或病虫害发生风险，从而实现早期管理。
4.4 基于田间的AI产量预测
大量证据表明，AI方法能显著提高基于遥感和环境数据流的产量预测精度。机器学习（如随机森林集成）和深度学习（如CNN-RNN混合模型、Transformer-based Informer模型）均在多种作物和地区证明了其相对于传统统计或过程模型的优势，能够提供更准确、更早季且可迁移的产量预测。
5 在实际农业环境中部署AI的挑战
尽管取得了显著进展，但在真实农业系统中部署AI仍面临挑战。数据限制和领域偏移是主要问题，即模型在数据丰富的训练环境与数据匮乏的预测环境之间泛化能力不足。此外，高性能模型的计算资源需求、传感器不稳定性以及模型的“黑箱”特性导致的信任问题，也阻碍了其在实际生产中的广泛应用。
6 结论
AI与成像技术及多源数据的融合，正在将植物表型分析从传统低通量、劳动密集型的限制转变为智能、数据驱动的高通量框架。各种AI架构的进展显著提高了精准农业的精确性和灵活性。
7 展望与讨论
未来研究将更侧重于整合、标准化和可解释性。确保表型、环境和基因组数据遵循FAIR原则，将促进大规模协作和跨研究比较。模型可解释性技术（如Grad-CAM、SHAP分析）对于建立用户信任至关重要。全球作物监测系统（CMS）的整合与协作将提升农业管理和粮食安全评估水平。展望未来，基础模型（Foundation Models）在植物研究中的应用前景广阔，但需要计算机科学家、植物生物学家、农学家和政策制定者的紧密合作，共同构建一个集成、智能的全球农业架构，实现可持续的生产系统。
