智慧農業(yè)背景下的植物表型組學研究進展

楊文慶，劉天霞，唐興萍，徐國富，馬 喆，楊賀凱，吳文斗

（1. 云南農業(yè)大學 大數據學院，云南 昆明 650201；2. 云南農業(yè)大學 食品科學技術學院，云南 昆明 650201；3. 云南農業(yè)大學 機電工程學院，云南 昆明 650201）

人口快速增長、氣候變化以及環(huán)境問題等因素使得糧食增長速率嚴重落后于人口增長速率。中國人均耕地少，糧食產量對人民生活水平、國民經濟發(fā)展和國家糧食安全尤為重要，亟需依靠現代科技推動農業(yè)生產發(fā)展。植物表型是指能夠反映植物細胞、組織、器官、植株和群體結構及功能特征的物理、生理和生化性狀，其本質是植物基因圖譜的三維表達及地域分異特征和代際演進規(guī)律[1]。表型組學是研究生物個體或群體在特定條件下所表現出可觀察的形態(tài)特征及其變化規(guī)律的學科[2]，植物表型組學是進一步探索基因型—表型—環(huán)境內在關聯的關鍵技術[3]，為基因組功能分析、分子育種以及農業(yè)生產精準管理提供了技術支撐。

1911 年，丹麥遺傳學家JOHANNSEN 首次提出了生物學上的表型（Phenotype）概念，他定義表型為可以通過直接觀察或測量得到的進行描述區(qū)分的生物屬性[4]。隨著基因測序技術的發(fā)展，越來越多的作物已經完成了基因組測序工作。由于植物表型本身的復雜性及其動態(tài)變化，導致植物表型研究落后于基因型研究[5]。1996 年，GARAN 在滑鐵盧大學的一次演講中首次提出表型組學（Phenomics）的概念[6]。相較于傳統單株單性狀的表型檢測，植物表型組學檢測有數據量大，數據采集快速、準確，可以將一個性狀分割成多個性狀來檢測等特點，為高通量、快速、系統地研究基因組和表型組提供了可能[7]。

發(fā)展智慧農業(yè)是“十四五”時期乃至2035 年我國農業(yè)高質量發(fā)展的重要內容[8]。智慧農業(yè)是數字經濟的組成部分，是指將物聯網、大數據、人工智能、云計算、區(qū)塊鏈等現代信息技術應用于農業(yè)生產中，促進農業(yè)向現代化、智慧化、標準化、綠色化、數據化發(fā)展，使農業(yè)生產環(huán)節(jié)按照需求實現閉環(huán)可控，向對人類有利的最優(yōu)化方向發(fā)展[9]。植物表型組學是發(fā)展智慧農業(yè)的重要技術之一，對農業(yè)生產過程精準管理、智慧育種、脅迫研究等有重大意義。在發(fā)展智慧農業(yè)的背景下，植物表型數據量龐大，且對表型數據獲取的準確性、實時性和全面性的要求不斷提高。僅依靠人工檢測和分析的傳統植物表型研究無法大規(guī)模、高精度地獲取和分析植物表型數據，已不能滿足農業(yè)現代化發(fā)展的需求。在物聯網、人工智能等現代信息技術快速發(fā)展的今天，植物表型組學也將與新一代傳感器技術以及數據處理技術深度融合，高通量、高精度、全自動獲取和分析植物表型數據是未來植物表型研究的熱點。高光譜成像、激光雷達成像、核磁共振成像等數據采集技術以及以深度學習為代表的人工智能技術已廣泛應用于植物表型研究中，為高通量、高精度、全自動獲取和分析植物表型數據奠定了基礎。國內外在植物表型研究平臺的開發(fā)中也取得了大量成就。近年來，隨著生物學、信息技術和數據處理技術的發(fā)展，表型組學研究迎來了發(fā)展契機[10]。第一，高通量和非破壞性的實時成像技術、光譜技術、圖像分析系統、機器人表型分析手段逐漸成熟；第二，能夠實現對生物體的整個生長周期實時監(jiān)測；第三，隨著人工智能、云計算、統計學和生物學以及基因組、蛋白質組和轉錄組等組學的發(fā)展，使得處理植物表型大數據的能力越來越強。未來植物表型組學研究將向多學科深度融合的方向發(fā)展。

通過大量文獻閱讀，結合自身研究方向和理解，對植物表型研究發(fā)展現狀進行了總結。首先，總結了常用的植物表型采集技術、植物表型數據處理技術以及這些技術的未來發(fā)展趨勢，并概述了國內外植物表型組學研究平臺的建設情況。其次，介紹了植物表型組學在智慧農業(yè)發(fā)展中的應用，并分析了植物表型組學在各應用中的現狀及其面臨的挑戰(zhàn)。最后，對植物表型組學的未來發(fā)展進行展望。

1 植物表型組學研究現狀

1.1 植物表型數據獲取

當前已有大量圖像采集技術用于獲取植物表型信息，對植物的物理、生理、生化等信息進行成像[11]。圖像采集技術按照圖像的性質可分為二維成像技術和三維成像技術[12]，不同的圖像采集技術可以采集不同的表型參數，在實踐中需要考慮應用場景及成本等因素來選擇合適的成像技術。表1列舉了常用的成像技術及其主要獲取的參數[13]。

表1 常用的植物表型成像技術Tab.1 Common used plant phenotype imaging techniques

可見光成像、熒光成像、紅外成像以及高光譜成像等二維成像技術都是采集植物表型數據的重要技術，被廣泛應用于農業(yè)生產中。但是，采用某單一成像技術采集表型數據，獲取的數據單一，不能滿足高通量、高精度的表型研究需求。集成多種成像技術的設備能夠在一定程度上解決表型數據單一、數據量不足的問題。近年來，三維成像技術進入人們的視野中，激光雷達成像技術、CT 成像技術以及核磁共振技術等已大量用于植物表型組學研究中，三維成像技術能夠獲得更豐富的表型數據。隨著技術的進步和設備逐漸成熟，三維成像技術的應用將會越來越廣泛。

當前植物表型數據獲取的研究重點是構建表型基礎設施，研發(fā)便攜式低成本的表型獲取裝置，進一步提高表型數據獲取的通量、分辨率和自動化程度[1]。數據采集設備可搭載傳送帶、無人機、車載平臺以及自走式平臺等多種平臺。植物表型采集平臺主要包括田間型和溫室型2 種，田間作物位置固定，一般通過移動傳感器的方式獲取表型信息，常用的平臺包括車載式平臺、自走式平臺、無人機平臺以及飛機、衛(wèi)星等。傳送帶平臺和軌道式平臺是比較常見的溫室表型采集平臺，傳送帶平臺通過傳送帶將作物傳送到成像區(qū)域成像，軌道式平臺通過移動傳感器實現在作物原位置上采集表型數據。表2 是典型的表型信息采集平臺，在具體實踐中可根據檢測環(huán)境、檢測對象特征以及成本等來選擇平臺。

表2 常見植物表型信息采集平臺Tab.2 Common used plant phenotype information collection platforms

續(xù)表2 常見植物表型信息采集平臺Tab.2（Continued） Common used plant phenotype information collection platforms

隨著無人機技術的逐漸成熟、遠近程傳感設備性能的提升，基于無人機的植物表型采集技術迅速發(fā)展，無人機平臺在田間和室內均適用，能夠在短時間內采集大面積作物的表型數據。但是，目前多數無人機平臺不能實現數據的實時分析，數據處理能力亟待提高。隨著傳感器技術的發(fā)展，高分辨率的傳感器質量遠超過小型無人機所能負擔的質量，為了更全面、更深入地獲取植物表型信息，衛(wèi)星、飛機等飛行設備陸續(xù)投入使用，航空表型技術進一步發(fā)展[35]。航空表型采集技術測量范圍廣、速度快，能夠滿足高精度、高通量的需求。但是航空表型技術對天氣條件要求較高，在大風、大雨等惡劣天氣情況下，不能正常工作。

1.2 植物表型數據處理與解析

植物表型數據解析是指從采集到的圖像數據中提取出有意義的生物學信息。目前，植物表型數據解析研究的重點是增加可觀測、可量化、具有明確生物學意義的植物表型性狀數量，提高定量化植物表型解析的精度和效率，并針對不同植物的形態(tài)結構和生理生態(tài)功能研發(fā)相關算法[1]。比較常見的植物表型數據處理技術有機器視覺、三維重建、機器學習以及深度學習等，表3 列出了常見的表型數據分析技術以及相關的應用案例。

表3 常用植物表型數據分析技術Tab.3 Common used plant phenotype data analysis techniques

植物表型數據分析技術的發(fā)展促進了植物表型組學研究的進展，解決了傳統人工分析表型數據費時費力、受主觀經驗影響等問題。隨著表型采集技術的發(fā)展，表型數據急劇增長且數據類型多樣，傳統的圖像分析技術難以從海量表型數據中萃取出有價值的信息。此外，由于田間環(huán)境復雜，易受光照差異以及遮擋物陰影等因素的干擾，部分植物表型圖像處理與分析技術存在特征設計困難、面向復雜任務有局限性等弊端。例如機器視覺技術在處理表型圖像時，難以解決相鄰葉片、穗和果實造成的重疊、遮擋等問題[48]。針對海量數據以及表型圖像復雜的問題，以深度學習為代表的人工智能技術憑借著強大的特征提取能力和建模能力給出解決思路，以卷積神經網絡、轉移學習等算法為基礎研發(fā)的算法成為表型數據分析的主要研究方向。深度學習技術已廣泛應用于植物表型研究中，并取得了大量成就，例如基于深度學習的植物葉片分割[49]、養(yǎng)分監(jiān)測、脅迫分析、植物識別以及產量預測等。然而，深度學習的潛力要在海量數據集中才能被激發(fā)出來，數據量較小時普通的機器學習即可滿足需求，因此，在實踐中需要考慮研究對象的特征和數據量來選擇合適的算法。

為補償二維圖像信息的不足和實現不同環(huán)境下無損地獲取表型信息，研究者們開始關注三維重建技術[50]。三維重建技術是精確描述作物形態(tài)全信息結構的重要工具[51]，是植物表型組學研究中的基本技術之一。根據取樣方法和重構方法不同，三維重建方法大致可分為4類，分別是基于規(guī)則的方法、基于圖像的方法、基于三維掃描儀的方法以及基于數字化儀的方法。目前，在單株作物三維重建、田間群體作物三維重建以及作物根系三維重建等方面都取得了一定成就，涉及的農作物廣泛，包括玉米、小麥、大豆、水稻、棉花、番茄、葡萄、草莓等。但是，重建對象的特征差異、數據提取困難、三維掃描儀價格昂貴等因素制約了農作物三維重建技術的發(fā)展。

從海量的表型數據中提取出關鍵的性狀信息后，關鍵的環(huán)節(jié)是將性狀數據轉換為有具體意義的生物學知識，并用于指導農業(yè)生產。這一過程的實現一方面需要高通量、高分辨率表型采集平臺的發(fā)展，獲取充足、全面、高質量的表型數據；另一方面，需要提高表型數據的分析效率，萃取可靠的性狀特征。此外，從表型數據到有意義的生物學知識，離不開生物學領域以及其他組學團隊的共同努力。

1.3 國內外植物表型研究平臺建設

高通量表型平臺是集成傳送系統、高通量成像系統、數據分析存儲系統以及控制系統為一體的全自動、無損傷的獲取植物整個生長周期表型信息的研究平臺，根據應用場景的不同主要分為溫室型和田間型2 種。國外對植物表型的研究開始較早，已有許多大型平臺投入使用。德國Lemna Tec 公司在植物表型研究中處于世界領先水平，開發(fā)了一系列從低通量到高通量、從實驗室到田間、從細菌到高等植物的表型檢測和分析平臺。比利時CorpDesign公司的TraitmillTM 是集生物信息學分析，高通量基因工程、基因轉換和作物高分辨率表型分析于一體的高通量平臺[52]，通過機器人采集和分析數據，每天可采集的圖像達50 000 張。捷克PSI 公司的PlantScreenTM 系統是比較著名的室內植物表型研究平臺，主要用于擬南芥和豌豆等植物的葉片葉綠素熒光成像和測量。

國內華中農業(yè)大學和華中科技大學研發(fā)的全生育期高通量水稻表型測量平臺HRPF[53]可以有效提取株高、葉面積等15 個參數。該平臺可容納5 472 盆水稻，測量通量可達1 920 盆/d。中國科學院遺傳與發(fā)育生物學研究所研發(fā)的PPAP 平臺[54]集成可見光成像、紅外成像、根系近紅外成像、葉綠素熒光成像、高光譜成像及激光雷達成像等多種成像設備，建立了穗部性狀采集分析、根系表型采集分析及抗逆性狀采集分析等技術體系?；弁芯吭篬3]圍繞植物表型組學研究，研發(fā)了側吊式扁根盒自動化閉環(huán)成像環(huán)線裝置、推拉式扁根盒自動化成像單機、基于高低雙筒圓根盒的根系自動化成像工作站等一系列相關表型裝置?；壑Z瑞德公司的TraitDiscover 平臺可以搭載葉綠素熒光成像儀、光合表型測量儀、三維激光掃描儀等多種表型傳感器，根據系統的大小，一套系統一天可以測量幾百株、數千株，甚至上萬株植物。國內植物表型相關研究技術相對落后于國外發(fā)達國家，自主研發(fā)較少，多依賴于國外技術的引進。

2 植物表型組學研究在智慧農業(yè)生產中的應用

準確采集和分析作物的重要表型性狀是精準育種和作物生產過程精準管理的關鍵。育種學家需要精確測量大量的表型數據來篩選優(yōu)良性狀，選育高產高抗的作物品種。在農業(yè)生產實踐中，有效識別和監(jiān)測作物不同物侯期的特定形態(tài)結構，進而可實現作物全生長周期長勢監(jiān)控與水肥智能化調控，提高智慧農業(yè)生產管控與智能化管理水平。

2.1 植物識別與雜草控制

植物識別和雜草控制在農業(yè)生產中有重要意義，傳統的植物識別與分類多依賴于專家的經驗，通過觀察植物根、莖、葉、花、果實的特點來識別植物，不僅費時費力，而且個人主觀的判斷易出現誤差。隨著智慧農業(yè)的發(fā)展，計算機視覺、機器學習和深度學習等技術開始用于植物識別和分類的任務中。雷建椿等[55]提出Ada Boost.M2-NFS 植物識別算法，將改進的傳統神經模糊系統（NFS）與Ada Boost.M2 結合，新模型的識別率相較于單個NFS 增加了3.33 個百分點。GRINBLAT 等[44]利用卷積神經網絡（CNN）識別白豆、黃豆和大豆3種豆科植物，識別準確率隨著CNN 網絡深度的增加而上升，網絡達到5 層時，準確率高于所有基于傳統特征分類的算法。僅依靠某一組織或器官識別植物有一定的困難，一般通過綜合多個組織或器官的性狀特征來提高識別的準確率。目前，植物識別的重點一是提高對作物本身或作物特定性狀的識別效率，二是提高算法的泛化能力。

雜草控制是作物生長管理中的重要部分，對智慧農業(yè)發(fā)展有重大意義。傳統的雜草控制主要通過人工除草和化學除草，人工除草效率低下，大范圍噴灑除草劑不僅會破壞環(huán)境而且影響作物品質，甚至存在食品安全隱患。在計算機技術快速發(fā)展的今天，基于計算機技術的自動化除草是未來雜草控制的新方向。自動化除草的關鍵在于準確識別雜草和作物，然后定點噴灑除草劑[56]，這樣可以減少除草劑的使用。深度學習有獨特的特征提取方式，在雜草控制中有許多的應用，例如基于改進DenseNet 的田間雜草識別系統[57]，識別準確率達到98.63%；基于優(yōu)化Faster R-CNN 的棉花苗期雜草識別與定位系統[58]，識別雜草的準確率達到94.21%。雖然深度學習算法在雜草識別中表現出較好的性能，但是訓練深度學習網絡需要大樣本數據集，且對計算機計算能力要求較高，在某些情況下并不適用。為此，任全會等[59]使用圖像處理技術識別田間雜草，利用Canny算子進行圖像邊緣檢測，計算出重要的特征參數，通過遺傳算法的特點構建雜草識別模型，雜草識別的錯誤率可達到3.2%以下。苗中華等[60]提出了一種基于圖像處理的多算法融合的田間雜草自動化檢測算法，以大豆田間除草為例，測試該算法的性能。結果表明，融合多種圖像處理算法的方法在雜草識別中準確率達到98.21%，相較于使用單一圖像處理方法的算法準確率提高了5.71%，并且在有陰影和雨滴的條件下測試算法，識別的準確率達到90%以上。該方法有較強的魯棒性和較高的準確率，為智能除草提供了技術支持。

2.2 與脅迫抗性相關的植物表型研究

植物在生長過程中受多種環(huán)境因素的影響，主要分為生物脅迫和非生物脅迫兩大類。其中干旱和病蟲害是影響世界糧食產量的兩大因素[61]。植物抗性分為避性、御性和耐性3 種形式[62?63]，根據植物與不同逆境的交互情況又可分為抗旱、抗熱、抗凍、抗?jié)场⒖刮廴?、抗病等[63?64]。在作物受脅迫且未形成不可恢復的損傷之前，精準識別受脅迫部位，定性脅迫種類，判定脅迫程度，為有效開展植保工作贏得寶貴時機是智慧農業(yè)植保工作的目標。此外，分析不同植物受脅迫時的應激反應有助于選育高抗性的作物品種。

干旱嚴重影響作物生長[65]。研究者們對干旱脅迫進行了大量研究，以期減少其對作物的影響。獲得性耐旱性狀（ADT）是研究作物對干旱脅迫響應的重要性狀參數，VIJAYARAHAVAREDDY 等[66]評估了IR64 和Apo 2 種水稻以及耐旱小麥Weebill 的ADT，開發(fā)了具有自動灌溉系統的新型表型檢測平臺，該平臺可用來獲取植株在生長階段的ADT，提供了評估ADT 特性的最優(yōu)方法。張慧春等[67]以簸箕柳為對象，構建了一套面向植物耐旱性研究的多源表型信息采集系統，利用YOLOv3 目標檢測算法和圖像處理算法提取了植物投影葉面積、葉片數量、冠層溫度、株高等表型參數。結果表明，干旱脅迫下簸箕柳的投影葉面積、株高、水分利用率、日耗水量都隨著時間的推移明顯低于正常施水情況。該研究為實時、連續(xù)評估植物在干旱脅迫下的長勢參數提供了可行性技術，可促進抗旱基因的快速篩選，指導抗性育種中水分的使用。盡管干旱脅迫相關研究已取得了一些成就，但是目前的研究大部分都集中在植物表型和生理生化方面[68]，對抗旱基因、分子、蛋白質的研究較少，且多數針對單一基因或單一轉錄因子。在基因組、轉錄組、蛋白質組、代謝組等組學快速發(fā)展的今天，植物耐旱性研究需與多種組學相互融合，促進抗旱基因的篩選。

病蟲害脅迫也是影響農業(yè)生產的重要因素，在病蟲害發(fā)生早期進行控制是減少病蟲害對植物破壞的重要手段。如今僅靠人工在田間監(jiān)測病蟲害已經不能滿足農業(yè)生產精準高效的需求[69]。隨著數據分析技術和圖像采集技術的發(fā)展，有關病蟲害脅迫的研究越來越多，如煙草花葉病害嚴重程度判別分析[70]，白菜和菠菜葉潛蠅檢測[71]，對小麥[72]、水稻[73]和玉米[74]病蟲害監(jiān)測等。當前病害檢測主要面臨以下幾個難點[56]：一是圖像背景復雜，除了染病區(qū)域外，圖像可能包含莖稈、土壤等，還可能受光照、角度差異等因素影響；二是染病區(qū)域和健康區(qū)域可能沒有明顯的邊界；三是同一種病害在不同發(fā)展時期有不同的特征表現，甚至不同位置的病害也會有不同的特征；四是不同種類的病害特征表現可能相同或差異微小，同一位置可能存在多種病害。這些問題給病害檢測帶來了巨大挑戰(zhàn)。自2015年以來，深度學習技術被廣泛應用于植物病理學研究中，與其他方法相比，深度學習有較高的準確率。LI 等[75]提出了一種基于深度學習的自定義主干網植物病蟲害視頻檢測體系結構，將視頻轉換為靜止幀發(fā)送到用Faster-RCNN 作為框架的靜態(tài)圖像檢測器進行檢測，檢測過的幀重新合成視頻，該方法能夠實現對水稻視頻的檢測。SLADOJEVIC 等[76]研發(fā)了一種基于深度卷積神經網絡的植物病害識別模型，該模型能夠識別出13種不同的病害，并且能夠很好地區(qū)分葉片和周圍環(huán)境。由于深度學習在圖像處理中有顯著的優(yōu)勢，因此，深度學習能夠在一定程度上解決植物病蟲害檢測所面臨的困難?；谏疃葘W習的病蟲害檢測技術不僅能夠檢測病蟲害類型，還能對感染程度做出判斷。但是，目前植物病蟲害相關的公開數據集較少，不能滿足研究需求，在未來需要注重相關數據庫的建設。

2.3 與產量相關的性狀和產量預測

作物產量與收獲植物器官如禾谷類作物種子的生物量有顯著的相關性，單位面積穗數、每穗粒數以及籽粒質量是評估產量的重要指標[77]。然而在現實中很難測量、獲取這些指標，因此，常通過研究與產量相關的表型性狀來預測產量。與產量相關的表型性狀主要有地下和地上兩部分：地下部分包括植物根部的根系尺寸、根系三維形態(tài)以及結構特征等[78]；地上部分包括一些重要器官的形態(tài)參數，如葉長、葉寬、冠層面積以及植株高度等，還有一系列重要農藝性狀，如分蘗數、單位面積穗數等[79，63]。隨著圖像識別技術的發(fā)展，圖像識別成為自動化產量預測的關鍵技術。HU 等[29]提出一種基于X-ray CT 的稻穗3D 圖像自動分析方法來提取谷粒3D 性狀，包括粒數、粒長、粒寬、粒厚和谷粒體積等23 個性狀，為作物產量預測提供了基礎。除了植物根部性狀、葉片性狀以及農藝性狀外，與光合作用有關的性狀以及植物生長曲線也可以用于產量預測。生長率通常是通過計算地上部分生物量得到的，而傳統的地上部分生物量測量方法對作物有一定的破壞。針對傳統生長率測量存在的問題，DEERY等[26]提出一種基于激光雷達的小麥地上部分生物量和生長率可重復性檢測方法，利用地面激光LiDAR技術對拔節(jié)期到開花期的98 個不同基因型小麥的冠層表型信息進行獲取，用以評估地上生物量和生長率。

部分作物產量預測方法建立在對果實目標有效識別的基礎上，例如研究人員通過設計水果獨特的特征屬性如顏色、紋理、形狀等，從背景樹葉中鑒別出水果，然后采用基于區(qū)域和計數的方法估計水果產量[61]。對作物果實目標的識別往往受不同生長時期果實的顏色、形狀、紋理、位置和大小等動態(tài)變化的影響，特定的算法通常只適用于特定生長期的果實識別。深度學習是解決產量預測中果實目標分割困難的關鍵技術。李志軍等[80]以蘋果樹為研究對象，提出了一種包括改進YOLOv5 果實檢測算法和產量擬合網絡的產量預測方法，結果表明，該方法能夠準確檢測果實，并能很好地預測果樹產量，基本滿足自然環(huán)境下樹上蘋果的測產要求，為智慧化果園管理提供了技術支持。除在水果產量預測中的應用外，深度學習技術還可用于水稻、小麥等糧食作物的產量預測，ALKHUDAYDI 等[81]提出了基于深度學習識別田間條件下英國面包小麥穗區(qū)域的表型分析方法，利用分布式表型分析工作站CropQuant 收集的小麥圖像，開發(fā)了一種基于深度學習的分析管道，用于復雜背景和穗區(qū)分割。采用全卷積神經網絡（FCN）對圖像進行語義分割，從而分割小麥穗區(qū)域，為提取單位面積穗數和每穗小穗數等與產量相關的性狀奠定了基礎。

3 研究展望

近年來，國內外的植物表型組學研究均取得了大量成就，在表型采集設備以及表型數據分析方面都取得重大進展，構建了大量高通量、高精度的表型研究平臺。植物表型組學是數字農業(yè)轉向智慧農業(yè)的關鍵技術之一，其已逐漸滲透到農業(yè)生產中，為智慧育種和智慧種植提供了技術支持，但是目前植物表型組學研究仍存在一些不足，在未來的研究和應用中需要進一步完善。

（1）在表型數據采集方面，首先，集成多種傳感器的表型采集平臺是未來研究的重點[13]。單獨使用某種傳感器存在測量樣本批量小、數據處理速度慢、表型參數單一等問題。多個分辨率高、抗干擾性強的傳感器融合，可實現同時測量多個表型參數，獲取更全面的表型數據。其次，當前很多表型研究缺少對植物生長環(huán)境的監(jiān)測[13]，生長環(huán)境對植物的影響不可忽略，同一作物的相同基因在不同環(huán)境下的表型可能不同。應在表型采集平臺中加入相應的環(huán)境信息采集設備，在記錄表型信息的同時記錄環(huán)境信息。此外，要促進低成本、高通量、高精度的植物表型數據獲取設備的發(fā)展，提高植物表型數據獲取的效率。

（2）在表型數據解析方面，隨著高通量表型數據采集技術的發(fā)展，植物表型數據呈現出多樣、海量的特點，這給表型數據解析帶來了巨大的挑戰(zhàn)，人工智能和計算能力是表型技術普及應用的突破點。深度學習在海量數據處理和圖像處理中有顯著的優(yōu)勢，以深度學習為框架的算法逐漸成為植物表型數據分析的關鍵技術。三維重建技術是表型研究的一個熱點，它提供了一種無損觀測不同環(huán)境和不同時期植物表型的方法。在未來的發(fā)展中，應將深度學習、機器學習、三維重建等技術相互融合，以解決現存的技術瓶頸，提高表型數據分析的效率。

多學科融合是植物表型組學未來的發(fā)展方向，隨著表型數據采集技術和分析技術不斷進步，有越來越多高精度、高通量的表型研究平臺用于智慧農業(yè)建設中，為智能、高效的作物管理和育種提供技術支持。植物表型組學的進一步發(fā)展將推動我國智慧農業(yè)的發(fā)展進程。