中国最重要的用材树种之一：杉木抗逆性品种选育

-＜前言＞-

杉木是我国最重要的用材树种之一。 随着全球气候变暖，培育抗旱、耐热新品种已成为杉木育种者的重要任务。 然而，对干旱或高温胁迫下杉木的生长状况进行分类和评价仍然是一项耗时耗力的工作。

随着全球变暖，我国南方干旱高温天气越来越频繁。 全球变暖导致气温上升和降雨量减少，这将导致未来极端天气事件的发生。

许多研究表明，干旱和高温是影响树木生长、发育和分布，甚至影响森林生态系统和生物地理过程的重要环境胁迫。 杉木，常绿针叶树，主要分布于我国南方，是一种速生、高产、品质优良、抗病虫害、具有巨大商业价值的重要用材树种。

图像数据集并用于该研究。

通过将四种基本CNN模型与LSTM模型进行比较，确定-LSTM是生长状态分类的最佳模型，并且LSTM可以显着提高分类性能。

基于计算机视觉的表型分析为植物生理和生长状态的评估和分类提供了一种简单、快速和高度自动化的方法。

特别是卷积神经网络的出现使得不同胁迫下植物表型的识别更加高效和自动化。 CNN 和基于 CNN 的方法已在相关工作中得到广泛应用。

虽然单个CNN在图像分类和分割方面具有良好的性能，但它们不适用于动态系统的图像，例如从整个生长时期获取的时间序列图像数据集。

另一方面，传统的深度神经网络在处理图像尤其是植物图像时往往无法准确定位和提取有判别性的感兴趣区域，这极大地影响了图像的分类和检测精度。

通过深度神经网络对不同胁迫下的杉木生长状况进行分类和评价仍然是一个巨大的挑战。 此外，模型还应克服不同状态的外观相似性带来的干扰。

考虑到杉木在我国木材工业中的重要地位，以及气候变化和全球变暖对杉木生产的潜在负面影响，提出了一种基于图像的方法，对干旱和高温胁迫下杉木的生长状况进行分类，促进育种工作开展具有重要的现实意义。

由于目前还没有公开的杉木幼苗干旱胁迫和热胁迫图像数据集，因此我们分别建立了两个基于干旱和热处理的杉木幼苗图像数据集。 每幅图像中杉木幼苗的生长状况也经过人工评分，数值范围为0到1.0。

-<图像捕捉>-

这些照片是用佳能相机拍摄的。 每6小时拍摄一次热胁迫下幼苗的图像杉树种类，每7天拍摄一次干旱胁迫下幼苗的图像。

对于每棵幼苗，从 8 个角度（每个 45°）拍摄图像。 为了确保分类的鲁棒性，我们在固定位置拍照，以便数据集的所有图像都是从同一角度拍摄的。

最终收集了干旱胁迫下幼苗的24张图像和热胁迫下幼苗的1776张图像。 根据幼苗的生长状况，对每张图像进行人工评分，以0~1.0为标记，用于损失函数中。

据此，将干旱胁迫和热胁迫下幼苗的生长状况分为6个时期。 使用分层五折交叉验证方法来评估模型。

为此，80% 的图像准备用于训练，20% 的图像用于测试。 并使用20%的训练数据作为验证集，防止过拟合问题。

-<生长状况评估>-

基于-LSTM-att混合模型，通过给出预测分数来评估测试集中图像幼苗的生长状况。 通过分为多个阶段的预测分数成功地评估了幼苗的生长状态。

-＜讨论＞-

近几十年来，深度学习和图像处理技术的发展为其在植物表型研究中的应用提供了良好的机遇。

人们提出了许多基于不同深度学习模型的方法，并将其应用于农作物和园艺植物产量预测、疾病检测、生长监测、营养状况诊断等任务。 这些研究证明了深度学习模型在不同植物表型性状的识别、分类和评估中的广泛应用。

杉木是我国人工林主要用材树种之一，广泛分布于我国南方地区。 在全球气候变暖的背景下，选育抗逆新品种已成为杉木育种者的重要任务。

本研究的主要目的是提供一种快速、自动化、非侵入性的方法对干旱和高温胁迫下杉木苗木的生长状况进行分类和评价，以减少劳动力和成本，提高效率和准确性。的育种工作。