2019年9月，Plant Phenomics刊发了来自加拿大萨斯喀彻温大学（University of Saskatchewan）的Hema S.N.Duddu等人撰写的题为High-Throughput UAV Image-Based Method Is More Precise Than Manual Rating of Herbicide Tolerance的研究论文，介绍了一种基于无人机图像的高通量除草剂耐受性评价方法，发现该方法比人工评价方法更加精准。

传统的视觉评分系统劳动强度大，耗时长，容易出现人为错误。基于无人机（UAV）图像的植被指数（VI）在高通量植物表型研究中具有潜在的应用价值。本研究旨在确定无人机图像能否准确、一致地估计除草剂对作物的伤害，及其作为人工视觉评价方法替代品的潜力。该研究于2016年和2017年在萨斯喀彻温大学的Kernen作物研究农场进行。采用随机完全区组设计（RCBD）的方法，以2种耐药率评价了蚕豆作物对9种混合除草剂的耐药性。在试验处理1周后，使用多光谱相机对试验田进行成像，地面采样距离（GSD）为1.2 cm。在成像的同时记录生长减少和生理性萎黄的人工视觉评分。根据正交镶嵌图的阈值计算土壤调整植被指数（OSAVI）的优化值。将人工视觉评分与基于无人机的OSAVI进行比较，结果显示，基于无人机的结果更为精确。OSAVI的变异系数（CV）为~1%，而人工视觉评分的变异系数为18%~43%。此外，Tukey检验的真实显著性差异（HSD）测试显示，基于无人机植被指数的平均分离度比人工视觉评分的更为精确。该研究的OSAVI与人工视觉评分之间的显著相关性表明，使用基于无人机的方法可以最小化人工视觉评分相关的不良变异。基于无人机图像的方法评价除草剂对作物的危害比人工视觉评分更为精确。这些方法有可能取代人工视觉评分，并有助于筛选对除草剂具有耐受性的作物。

Field experimental layout of the study.

Image processing workflow for vegetation index calculation.

本研究主要是为了比较数字和人工视觉评分方法的表型精确度。因此，在比较其他方法时，应谨慎使用本研究得出的结论。本研究中OSAVI较低的变异系数和标准误差表明，基于无人机的方法可以将人工视觉评分相关的不良变异性降至最低。重复之间缺乏可重复性是人工视觉评分方法性能差的主要原因。在高通量表型分析的背景下，需要在短时间内对大量植物进行评估，评估者/评估者们的表现是否一致将成为评估是否准确的关键因素。此外，重复性通常与育种过程中的遗传性相关，因此通常从分析中去除低重复性的测量值。这将使重复和地点增多，以获得足够的可重复性/遗传性，可能导致额外的育种成本。根据本研究的结果，具有高通量能力和足够精度的基于无人机的方法有可能取代人工视觉评分，特别是对于冠层尺度的测量。

How to Cite this Article

Hema S. N. Duddu, Eric N. Johnson, Christian J. Willenborg, and Steven J. Shirtliffe, “High-Throughput UAV Image-Based Method Is More Precise Than Manual Rating of Herbicide Tolerance,” Plant Phenomics, vol. 2019, Article ID 6036453, 9 pages, 2019.https://doi.org/10.34133/2019/6036453.