溫維亮 ，郭新宇 ，張穎 ，顧生浩 ，趙春江 ＊

（1. 北京市農(nóng)林科學院信息技術(shù)研究中心，北京 100097；2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3. 數(shù)字植物北京市重點實驗室，北京 100097）

一、前言

作物表型指能夠反映作物細胞、組織、器官、植株、群體結(jié)構(gòu)及功能特征的物理、生理、生化性狀，實質(zhì)上是作物基因圖譜的時序三維表達、地域分異特征、代際演進規(guī)律[1]。隨著作物科學、計算機科學與工程等領(lǐng)域協(xié)同研究程度的不斷提高，通過多源傳感、理化分析等方式采集的作物表型數(shù)據(jù)積累形成了多維度、多尺度的作物表型組大數(shù)據(jù)。作物表型性狀的復雜程度決定了表型組大數(shù)據(jù)的獲取、解析、管理、應用是極大的科學系統(tǒng)工程。

當前，作物表型組大數(shù)據(jù)已成為國際農(nóng)業(yè)科學、生命科學領(lǐng)域的戰(zhàn)略前沿方向[2]，也被視為種業(yè)科技發(fā)展的核心競爭力[3]。在我國，與信息技術(shù)、智能裝備深度融合的作物表型組學成為搶占未來農(nóng)業(yè)產(chǎn)業(yè)發(fā)展制高點的關(guān)鍵內(nèi)容，相關(guān)研究發(fā)展趨勢鮮明：由新興學科建設(shè)轉(zhuǎn)向?qū)W科規(guī)模化建設(shè)，由單一尺度及關(guān)鍵時間點的表型解析轉(zhuǎn)向綜合化、智能化及全生命周期的連續(xù)檢測，表型數(shù)據(jù)組內(nèi)關(guān)聯(lián)轉(zhuǎn)向多組學協(xié)同創(chuàng)新。

近年來，研究者從作物表型獲取技術(shù)、表型平臺裝備、表型解析算法、多組學數(shù)據(jù)挖掘分析等方面著手，分析了作物表型組學的發(fā)展歷史、面臨挑戰(zhàn)、未來趨勢[4～10]。然而，立足國情并把握行業(yè)發(fā)展實際，圍繞我國作物表型組大數(shù)據(jù)技術(shù)及裝備開展的綜合性發(fā)展研究依然缺乏。為此，本文立足國內(nèi)外作物表型組學已有研究成果，結(jié)合我國作物表型組大數(shù)據(jù)技術(shù)及裝備的研發(fā)現(xiàn)狀和產(chǎn)業(yè)發(fā)展實際，明晰定位、梳理現(xiàn)狀、剖析問題并形成技術(shù)性發(fā)展建議，以期為作物表型組學及農(nóng)業(yè)科技發(fā)展研究提供基礎(chǔ)參考。

二、作物表型組大數(shù)據(jù)技術(shù)及裝備的發(fā)展需求與產(chǎn)業(yè)牽引

作物表型組大數(shù)據(jù)技術(shù)及裝備正處于快速發(fā)展階段，既是我國農(nóng)業(yè)科研和生產(chǎn)的需要，也得益于作物表型產(chǎn)業(yè)的牽引。

（一）作物表型組大數(shù)據(jù)技術(shù)及裝備發(fā)展需求分析

1. 實現(xiàn)種業(yè)科技自立自強的需要

開展種業(yè)“卡脖子”技術(shù)攻關(guān)、打好種業(yè)翻身仗、建設(shè)種業(yè)強國，離不開作物表型組大數(shù)據(jù)技術(shù)及裝備的關(guān)鍵支撐。表型數(shù)據(jù)的檢測貫穿于種業(yè)生產(chǎn)的品種繁育、品種測試、示范推廣各個環(huán)節(jié)，但傳統(tǒng)的表型采集和鑒定方法費時耗力、標準化程度不足，迫切需要表型組大數(shù)據(jù)技術(shù)裝備有力支撐育種決策。現(xiàn)代作物表型組大數(shù)據(jù)技術(shù)及裝備的發(fā)展最早是由巴斯夫股份公司、拜爾集團、孟山都公司等全球種業(yè)巨頭推動的，旨在通過信息感知、自動控制、智能解析技術(shù)提升作物表型檢測的通量、效率和標準化程度。在人工氣候室內(nèi)設(shè)置理想種植條件，通過調(diào)節(jié)光周期促進植物生長達到加代目的，在一年內(nèi)得到4～6 代，大幅縮短育種周期[11]。借助作物表型組大數(shù)據(jù)技術(shù)裝備和分子育種輔助技術(shù)，有望實現(xiàn)加速育種技術(shù)的革命性突破[12]。

2. 推進作物種質(zhì)資源表型性狀精準化、規(guī)?；b定的需要

農(nóng)作物種質(zhì)資源是保障國家糧食安全與重要農(nóng)產(chǎn)品供給的戰(zhàn)略性資源，農(nóng)業(yè)科技原始創(chuàng)新與現(xiàn)代種業(yè)發(fā)展的物質(zhì)基礎(chǔ)。作物表型鑒定通過表征作物種質(zhì)資源的農(nóng)藝性狀、產(chǎn)量性狀、品質(zhì)性狀、抗性性狀等特性，旨在發(fā)掘具有生產(chǎn)利用價值但未被充分利用的特異性種質(zhì)及其基因[13]。我國農(nóng)作物種質(zhì)資源評價多為單一性狀、單一環(huán)境下的鑒定結(jié)果，缺乏基因信息和綜合評價，限制了種質(zhì)資源在育種中的有效利用（《全國農(nóng)作物種質(zhì)資源保護與利用中長期發(fā)展規(guī)劃（2015—2030年）》）。目前，我國農(nóng)作物種質(zhì)資源80%以上來自國內(nèi)，遺傳多樣性不足；在長期保存的52萬份種質(zhì)資源中，開展基因型和表型精準鑒定的數(shù)量不到10%；在現(xiàn)存的2.5萬份玉米、4萬份小麥和8萬份水稻種質(zhì)資源中，開展深度鑒定的只有5%[14]。此外，作物的抗旱、抗倒、高光效等綜合表型是多基因控制的復雜數(shù)量性狀，對表型鑒定提出了較高要求。亟需借助作物表型組大數(shù)據(jù)技術(shù)及裝備，開展表型性狀規(guī)?；?、精準化鑒定，以有效推進作物種質(zhì)資源的保護與利用。

3. 加快突破作物重要性狀形成機制基礎(chǔ)研究的需要

農(nóng)作物高產(chǎn)、優(yōu)質(zhì)、高效及其協(xié)同改良是作物科學重要的研究內(nèi)容。綜合利用遺傳學、基因組學、分子生物學等技術(shù)手段，挖掘株型、穗型、種子大小等產(chǎn)量性狀，蛋白質(zhì)、油分、硬度等品質(zhì)性狀，養(yǎng)分吸收、轉(zhuǎn)運、代謝等養(yǎng)分高效利用性狀的關(guān)鍵調(diào)控基因，闡明高產(chǎn)、優(yōu)質(zhì)、高效協(xié)同改良的分子調(diào)控網(wǎng)絡，對創(chuàng)制產(chǎn)量、品質(zhì)、資源高效利用均顯著提升的優(yōu)異新基因資源具有重要意義。然而，傳統(tǒng)的表型測定方法存在通量低、標準不一致、深度不足等問題，限制了重要性狀形成機制的突破進程[12]。借助作物表型組大數(shù)據(jù)技術(shù)裝備，可以從作物近緣種、野生種、地方品種中找到克服各類逆境的性狀，深入開展控制優(yōu)異性狀的關(guān)鍵基因和遺傳網(wǎng)絡解析，進而克隆相關(guān)基因[15]，為分子設(shè)計育種[16]的定向改良提供基因資源。

4. 提升作物智慧生產(chǎn)信息感知技術(shù)裝備的需要

制定作物生產(chǎn)中耕、種、管、收等關(guān)鍵環(huán)節(jié)的作業(yè)方案，離不開對農(nóng)田長勢狀況的判定。當前，我國農(nóng)作物在生產(chǎn)過程中主要依靠人工到田間地頭利用肉眼進行觀測、憑借經(jīng)驗進行決策，造成農(nóng)業(yè)生產(chǎn)效率不高，還會存在誤判和漏判的風險，直接影響作物產(chǎn)量和農(nóng)民效益的提升。理論和實踐均表明，作物表型組大數(shù)據(jù)技術(shù)及裝備可應用于糧食、蔬菜、花卉等大多數(shù)農(nóng)作物生產(chǎn)管理環(huán)節(jié)的長勢診斷，通過移動式或固定式平臺搭載可見光、光譜、激光雷達、紅外熱成像等傳感器，快速分析不同尺度農(nóng)田作物的長勢、水分、氮營養(yǎng)、病蟲害、產(chǎn)量等信息；結(jié)合作物生長模型[17]和知識管理模型，定量估算作物對水、肥、藥的需求量，進而指導農(nóng)業(yè)機械進行精準作業(yè)，實現(xiàn)作物產(chǎn)量、品質(zhì)、資源利用效率的協(xié)同提升[18]。

（二）以作物表型組大數(shù)據(jù)技術(shù)及裝備為核心的表型產(chǎn)業(yè)方興未艾

1. 市場規(guī)模迅速增長

植物表型市場規(guī)模正在經(jīng)歷快速增長。Coherent Market Insights 公司的研究報告顯示，2021 年全球植物表型市場規(guī)模約為1.84億美元，預計2028年為3.87 億美元，復合年增長率為11.2%[19]。該市場的迅速增長主要得益于以下方面：一是全球氣候變化和人口增長，使國際糧食安全面臨嚴峻挑戰(zhàn)，迫切需要通過科技創(chuàng)新提升糧食產(chǎn)能[20]；二是信息技術(shù)的快速發(fā)展，如機器學習、計算機視覺、傳感器網(wǎng)絡、空天遙感的不斷進步，使植物表型檢測和鑒定變得更加自動化、數(shù)字化、高通量，提高了評估效率和準確性[9]；三是育種基礎(chǔ)性研究需求的持續(xù)增加，對作物種質(zhì)資源表型性狀鑒定提出了多生境、時序性、優(yōu)質(zhì)多抗的要求[13]；四是政策和資金的支持，為市場主體在技術(shù)研發(fā)和推廣應用方面創(chuàng)造了良好環(huán)境。

2. 產(chǎn)業(yè)鏈條逐步延伸

當前，作物表型組大數(shù)據(jù)技術(shù)及裝備主要應用于基因鑒定[21]、種質(zhì)資源表型鑒定[13]、生物和非生物脅迫的無損檢測等作物科學研究[22]。面對保障國際糧食安全和農(nóng)產(chǎn)品質(zhì)量安全、促進農(nóng)業(yè)增產(chǎn)與農(nóng)民增收等世界各國的共同訴求，作物表型組大數(shù)據(jù)技術(shù)裝備還可應用于農(nóng)業(yè)生產(chǎn)智能化管理、農(nóng)產(chǎn)品質(zhì)量無損檢測、農(nóng)產(chǎn)品智能收獲等多類場景，為不同農(nóng)業(yè)產(chǎn)業(yè)市場主體（如家庭農(nóng)場、植物育種公司、農(nóng)業(yè)科研機構(gòu)、智慧農(nóng)業(yè)公司、農(nóng)產(chǎn)品貿(mào)易商）提供信息化技術(shù)和智能化裝備支撐。

3. 商業(yè)模式不斷涌現(xiàn)

全球作物表型產(chǎn)業(yè)的業(yè)務和產(chǎn)品主要以表型獲取基礎(chǔ)設(shè)施平臺的搭建為主，如大田的龍門吊式平臺、溫室的懸掛式軌道平臺、地面移動式平臺、低空無人機平臺等[7]。按照產(chǎn)品品類口徑，2021 年全球植物表型市場中硬件設(shè)備占主導，超過軟件和傳感器之和。也要注意到，基于傳感器數(shù)據(jù)的解析指標主要是形態(tài)指標，缺乏對深度表型和綜合性狀的解析，因而提供智能化的表型解析軟件和在線化的表型分析平臺將成為新的商業(yè)模式。作物表型平臺是涉及到自動控制、數(shù)據(jù)傳輸、設(shè)備調(diào)試、系統(tǒng)集成等環(huán)節(jié)的復雜系統(tǒng)[23]，其運行保障、硬件維護、軟件服務等具有一定的技術(shù)門檻，將成為作物表型產(chǎn)業(yè)的另一類商業(yè)模式。

4. 育種龍頭企業(yè)發(fā)展的必由途徑

構(gòu)建以商業(yè)化育種流程管理軟件、表型高通量精準鑒定平臺、表型組大數(shù)據(jù)管理系統(tǒng)等信息技術(shù)和智能裝備為核心的商業(yè)化育種技術(shù)體系，是育種企業(yè)數(shù)字化轉(zhuǎn)型升級、實現(xiàn)數(shù)字技術(shù)賦能企業(yè)生產(chǎn)經(jīng)營的重要內(nèi)容，具有分段式、流程化、標準化的特點，有助于縮短大規(guī)模育種周期、促進企業(yè)提質(zhì)增效。國際種業(yè)巨頭如拜耳集團、先鋒公司、巴斯夫股份公司等，高度重視作物表型組學的發(fā)展及其產(chǎn)業(yè)應用，紛紛部署作物表型高通量獲取平臺及設(shè)施并納入商業(yè)化育種和發(fā)展數(shù)字種業(yè)的業(yè)務流程。作為我國種業(yè)龍頭企業(yè)的北大荒墾豐種業(yè)股份有限公司已于2016年建設(shè)運行了高通量表型精準鑒定平臺，華為技術(shù)有限公司正在積極探索表型機器人和智慧育種多組學大模型，袁隆平農(nóng)業(yè)高科技股份有限公司、甘肅省敦煌種業(yè)集團有限公司等企業(yè)也在積極建設(shè)相關(guān)能力。

三、作物表型組大數(shù)據(jù)技術(shù)及裝備研發(fā)現(xiàn)狀

作物表型組大數(shù)據(jù)是一項科學系統(tǒng)工程，以作物育種和栽培的實際需求為導向，依賴傳感器、表型平臺、無線通信、數(shù)據(jù)庫、大數(shù)據(jù)分析等現(xiàn)代信息技術(shù)和機械裝備，需要農(nóng)學、植物學、自動化、機械工程、圖形圖像、計算機科學等多學科緊密協(xié)作，才能將作物表型組大數(shù)據(jù)最終轉(zhuǎn)化為生物學和農(nóng)學新知識。借鑒大數(shù)據(jù)知識工程發(fā)現(xiàn)模式[24]，作物表型組大數(shù)據(jù)從數(shù)據(jù)的產(chǎn)生到最后的應用，可分為物理層、傳輸層、數(shù)據(jù)層、知識層、應用服務層（見圖1）。

圖1 作物表型組大數(shù)據(jù)技術(shù)及裝備從研發(fā)到應用路線圖

（一）物理層

21 世紀以來，在作物表型數(shù)據(jù)高通量獲取方面，以各類新型物理、化學和生物（生理）傳感器、圖形圖像技術(shù)、人工智能技術(shù)、物聯(lián)網(wǎng)技術(shù)為代表的新一代表型獲取技術(shù)體系，正在為作物研究提供海量表型和環(huán)境數(shù)據(jù)源[25]。物理層指利用傳感器、表型平臺等數(shù)據(jù)獲取手段，獲取作物的圖像、點云、光譜等初始表型數(shù)據(jù)，重點關(guān)注數(shù)據(jù)的高通量獲取；具體又可分為傳感器、成像單元、表型平臺三方面。

1. 作物表型傳感器

作物表型常用的傳感器有可見光相機、深度相機、多光譜相機、高光譜相機、激光雷達[26]、熱紅外相機、葉綠素熒光傳感器等。目前，可見光相機是應用最為廣泛的傳感器，其次是多光譜相機、高光譜相機、激光雷達等[10]?？梢姽庀鄼C滿足多數(shù)條件下的作物表型成像需求，具有分辨率高、采集快的特點，但在復雜田間條件下連續(xù)采集的穩(wěn)定性仍待提升。近年來，激光雷達、深度相機、多光譜相機、熱紅外相機等傳感器的分辨率、精度和穩(wěn)定性顯著提升，成本逐步降低，為作物表型提供了多種選擇方案，但整體而言分辨率和精度仍有較大提升空間。高光譜相機、葉綠素熒光傳感器成本較高且成像范圍有限，在表型研究中的使用率有待提升。

2. 作物表型成像單元

多源表型數(shù)據(jù)的時空同步獲取是表型信息采集的重要趨勢，有利于提升效率和精度。作物表型成像單元意在整合多傳感器以實現(xiàn)表型數(shù)據(jù)的時空同步采集，可分為多源成像單元、同源多個傳感器組成的成像單元。典型的多源成像單元如Altum三合一傳感器可以實現(xiàn)多光譜、熱成像、RGB信息的同步采集；PlantEye 可以實現(xiàn)點云、RGB、多光譜數(shù)據(jù)的同步獲取與實時解析；CropLidar 集成了激光雷達、多光譜、可見光傳感器，可以掛載于無人機或軌道式平臺實現(xiàn)多源數(shù)據(jù)同步采集。典型的同源成像單元是多目立體視覺系統(tǒng)，成像單元可以掛載于無人機、軌道式、車載式等平臺。高集成度、小型化、同步控制、數(shù)據(jù)實時融合解析是作物成像單元的難點問題。

3. 作物高通量表型平臺

作物高通量表型平臺系統(tǒng)整合了傳感器或成像單元，通過傳動裝置、系統(tǒng)控制、數(shù)據(jù)傳輸與計算等實現(xiàn)高通量、自動化的表型數(shù)據(jù)采集。近年來，室內(nèi)植物表型平臺、大田植物表型平臺、便攜式表型采集設(shè)備、地面及航空機器人采集平臺等多層次表型獲取技術(shù)發(fā)展迅猛[7,27]。國內(nèi)作物表型平臺建設(shè)及應用發(fā)展迅速，但主要依靠進口。中國農(nóng)業(yè)科學院生物技術(shù)研究所、中國科學院遺傳與發(fā)育生物學研究所、北大荒墾豐種業(yè)股份有限公司、上海市農(nóng)業(yè)科學院等分別購置并部署了LemnaTec 高通量表型平臺，實現(xiàn)最多680 盆作物植株的高通量數(shù)據(jù)采集。南京農(nóng)業(yè)大學作物表型交叉研究中心構(gòu)建了掛載多個PlantEye 傳感器的田間高通量表型平臺FieldScan、溫室傳送型高通量作物表型平臺PhenoConveyor。在自主研發(fā)方面，華中農(nóng)業(yè)大學研制了國內(nèi)第一套水稻表型自動檢測分析系統(tǒng)[28]，陸續(xù)發(fā)展了室內(nèi)流水線式作物單株表型平臺、水稻考種機等；南京農(nóng)業(yè)大學自主設(shè)計并建造了田間作物表型艙、人工智能氣候艙；北京市農(nóng)林科學院信息技術(shù)研究中心先后研發(fā)了溫室軌道式[29]、大田軌道式[23]、室內(nèi)流水線式、便攜式[30]、無人機和果穗考種[31]等表型平臺。

（二）傳輸層

作物表型傳感器、表型平臺獲取到表型數(shù)據(jù)后，需要將之傳輸?shù)骄哂懈咝阅苡嬎隳芰Φ姆掌鬟M行數(shù)據(jù)解析。作物表型數(shù)據(jù)量龐大，數(shù)據(jù)傳輸受到距離、速度等諸多因素的限制。雖然在采集端基于邊緣計算[32]的作物表型實時解析是降低數(shù)據(jù)傳輸任務量的解決方案和未來趨勢，但尚未廣泛應用，也在一定程度上降低了高分辨率數(shù)據(jù)的應用質(zhì)量。數(shù)據(jù)上云并在云端解析是表型數(shù)據(jù)處理的發(fā)展方向，故表型數(shù)據(jù)的傳輸仍是作物表型組大數(shù)據(jù)鏈條中的重要問題。目前，固定區(qū)域的表型平臺可通過網(wǎng)絡傳輸，但多無法達到實時水平。例如，在田間或溫室軌道式表型平臺附近構(gòu)建控制室，通過有線或無線的方式進行數(shù)據(jù)傳輸[23]；對于小型化的表型平臺，可構(gòu)建局域網(wǎng)減少控制和數(shù)據(jù)傳輸所用線纜[33]，提升平臺整體性能。對于非固定區(qū)域的表型平臺如無人機、便攜式平臺等，多采用人工拷貝的方式下載數(shù)據(jù)。5G 技術(shù)是未來表型平臺數(shù)據(jù)傳輸?shù)睦硐虢鉀Q方案，但需部署基站而增加表型平臺的建設(shè)成本。

（三）數(shù)據(jù)層

數(shù)據(jù)層（又稱信息層）指由獲取的原始數(shù)據(jù)到含有語義信息、高度結(jié)構(gòu)化表型性狀的過程，具體包括表型解析、數(shù)據(jù)計算、數(shù)據(jù)庫構(gòu)建三部分。

1. 表型解析算法

在作物表型智能解析方面，將初始數(shù)據(jù)轉(zhuǎn)化為具有生物學意義的表型性狀至關(guān)重要。近年來，各類計算機視覺算法、機器學習和深度學習方法在表型數(shù)據(jù)解析中得到大規(guī)模應用，極大地推動了表型大數(shù)據(jù)的分類、解析與可視化。通過融合專家先驗知識，從各種結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)中實現(xiàn)了作物形態(tài)結(jié)構(gòu)[34,35]、顏色紋理[36]、生理生化[37]、生育動態(tài)[38]等重要表型性狀的解析。由于圖像數(shù)據(jù)便于獲取、數(shù)據(jù)標注方便、面向圖像的深度學習框架較為豐富，基于圖像的作物表型解析算法應用進展良好[39]，在實時性和穩(wěn)定性方面達到較好的效果；而基于點云和光譜等數(shù)據(jù)的作物表型解析算法研究及應用相對滯后。

2. 數(shù)據(jù)計算

表型解析的計算效率決定了后續(xù)應用的實時性。目前，作物表型數(shù)據(jù)主要是在采集后通過實驗室中的高性能工作站進行計算解析。在采集端進行實時計算解析以圖像表型和測距為主，多在數(shù)據(jù)的精度上有所折衷；但這種實時計算在以栽培為應用場景的實時決策中非常重要，需逐步引入邊緣計算以提升數(shù)據(jù)計算的實時性。此外，由于獲取的初始表型數(shù)據(jù)體量較大，需在自動化、管道化的表型解析算法基礎(chǔ)上，由部署在云端的算力進行數(shù)據(jù)的云計算。

3. 表型數(shù)據(jù)庫構(gòu)建

作物表型數(shù)據(jù)庫主要用于系統(tǒng)地整理結(jié)構(gòu)化和半結(jié)構(gòu)化的作物表型大數(shù)據(jù)[40]。研究者致力于開發(fā)表型數(shù)據(jù)管理系統(tǒng)[41]并建立包含多物種、多品種、多生境、多尺度的作物表型數(shù)據(jù)庫。受表型數(shù)據(jù)獲取手段、數(shù)據(jù)解析算法、作物種質(zhì)資源等因素的限制，構(gòu)建的作物表型數(shù)據(jù)庫多是圍繞單一物種的單一尺度表型組數(shù)據(jù)庫，如顯微尺度的玉米莖稈維管束表型數(shù)據(jù)庫[42]、用于分布式植物表型分析的開源信息管理系統(tǒng)——基于物聯(lián)網(wǎng)的表型數(shù)據(jù)分析平臺（CropSight）[43]等。

隨著高通量檢測技術(shù)的快速發(fā)展，作物生物學數(shù)據(jù)朝著多組學、多維度的層面快速積累。多組學信息的系統(tǒng)整合將進一步加速作物遺傳研究、改良作物的優(yōu)異農(nóng)藝性狀。2020年，華中農(nóng)業(yè)大學成功整合了來自同一玉米群體的基因組、轉(zhuǎn)錄組、表型組、代謝組、表觀基因組、遺傳變異、遺傳定位結(jié)果等多組學數(shù)據(jù)，構(gòu)建了玉米定制化多組學數(shù)據(jù)庫（ZEAMAP）[44]；通過多維度生物組學數(shù)據(jù)的聯(lián)合分析，挖掘株型、產(chǎn)量等性狀相關(guān)的重要基因和遺傳變異，實現(xiàn)了玉米多組學數(shù)據(jù)“云端”集成、快速檢索、智能分析，為分子設(shè)計育種提供了理論基礎(chǔ)[45]。2022年，北京市農(nóng)林科學院通過人工和前沿表型組學技術(shù)對全球超過1000份生菜種質(zhì)資源進行表型數(shù)據(jù)獲取，結(jié)合超過1000種生菜品種的重測序數(shù)據(jù)，構(gòu)建了綜合生菜數(shù)據(jù)庫（LettuceGDB）[46]。

（四）知識層

知識層旨在從多源海量的作物表型組大數(shù)據(jù)中挖掘出能用于解決特定領(lǐng)域問題的知識，通過數(shù)據(jù)知識化實現(xiàn)數(shù)據(jù)增值[24]，主要分為表型精準鑒定、多組學分析兩類。

1. 表型精準鑒定

表型信息的獲取是作物種質(zhì)資源精準鑒定的重要環(huán)節(jié)。傳統(tǒng)人工檢測的問題日益突出，必須綜合考量準確性、通量、成本之間的平衡。隨著作物表型技術(shù)及裝備的發(fā)展完善，表型獲取通量、指標解析精度、效率等得到顯著提升，為種質(zhì)資源的規(guī)?；?、批量化鑒定評價提供了硬件基礎(chǔ)和技術(shù)支撐。國內(nèi)外科研單位、種業(yè)優(yōu)勢企業(yè)研發(fā)了以“作物表型高通量獲取 - 智能解析 - 模型計算 - 大數(shù)據(jù)分析 -表型精準鑒定”為主線的技術(shù)體系，在高光效[47]、抗倒伏[48]、高水效[49]等綜合性狀表型精準鑒定中得到成熟應用。我國農(nóng)作物資源豐富，但在種質(zhì)資源精準鑒定方面與國外相比還有較大差距。隨著高通量表型技術(shù)的發(fā)展與完善，在完成主要作物基因組精細圖譜繪制、作物種質(zhì)資源基因組重測序的基礎(chǔ)上，系統(tǒng)且精準地鑒定作物遺傳資源重要農(nóng)藝性狀（如產(chǎn)量、品質(zhì)、抗病、耐逆、養(yǎng)分高效等），深入挖掘重要農(nóng)藝性狀優(yōu)異等位變異并闡明其形成的分子機制，不僅可為我國作物育種取得新突破、保障農(nóng)業(yè)可持續(xù)發(fā)展提供優(yōu)異資源和重要基因，而且可為解析作物馴化與改良的分子機制提供理論依據(jù)。

2. 多組學分析

隨著高通量測序技術(shù)的發(fā)展與完善，單組學研究日趨成熟，而整合多組學數(shù)據(jù)研究植物生長發(fā)育的工作方興未艾。多組學研究在作物重要基因挖掘、全基因組關(guān)聯(lián)分析、基因表達調(diào)控網(wǎng)絡構(gòu)建、作物全基因組選擇、系統(tǒng)生物學研究等方面發(fā)揮著日益重要的作用?；谪S富的多組學數(shù)據(jù)，差異表達基因識別、復雜表型的轉(zhuǎn)錄因子識別或代謝物富集等遺傳調(diào)控研究進展迅速，代表性工作有：利用顯微電子計算機斷層掃描（CT）表型技術(shù)結(jié)合全基因組關(guān)聯(lián)分析（GWAS），鑒定到調(diào)控維管束數(shù)目、維管束分布密度等性狀的特異候選基因[42]；利用高通量表型平臺對玉米進行連續(xù)無損檢測，揭示玉米抗旱的遺傳基礎(chǔ)以及潛在抗旱位點[50]；基于三維全自動高通量表型分析平臺，通過提取圖像性狀（i-traits）結(jié)合全基因組關(guān)聯(lián)研究（GWAS），解析玉米株高形成的動態(tài)遺傳基礎(chǔ)和調(diào)控網(wǎng)絡[51]；結(jié)合表型數(shù)據(jù)和預測模型，揭示調(diào)控玉米節(jié)間發(fā)育的基因表達模式，發(fā)掘一批參與節(jié)間數(shù)和節(jié)間長度形成的候選基因，驗證關(guān)鍵候選基因ZmD1調(diào)控玉米節(jié)間發(fā)育的分子機制[52]；基于二維圖像根系高通量表型平臺，發(fā)掘81個玉米根系構(gòu)型候選基因，利用轉(zhuǎn)基因玉米明確其中兩個候選基因（ZmRSA3.1、ZmRSA3.2）的功能[53]。

2020 年，Nature Review Genetics期刊以“遺傳學和基因組學的未來之路”為題刊登述評，將“解碼多因素表型”列為未來重點方向之一。基因調(diào)控網(wǎng)絡（GRN）對多個基因表達的調(diào)控以及GRN 的變化如何引起特定細胞、組織、器官、植株的反應，將是解碼多因素表型的有效途徑。涵蓋微觀表型與宏觀表型多尺度的作物表型組大數(shù)據(jù)，將大規(guī)模發(fā)現(xiàn)基因、表型、環(huán)境之間，微觀表型與宏觀表型之間的跨尺度關(guān)聯(lián)及相互作用，精準解析表型與分子機制之間未發(fā)現(xiàn)的聯(lián)系，從而構(gòu)建精準的“基因 - 表型 - 環(huán)境”調(diào)控網(wǎng)絡[45]。

（五）應用層

1. 數(shù)字育種

多組學的智能設(shè)計育種是新一代育種核心技術(shù)。作物智能設(shè)計育種在作物基因組學、表型組學等大數(shù)據(jù)的基礎(chǔ)上，通過機器學習等智能算法構(gòu)建目標作物品種的性狀預測模型，預測雜交種的各種農(nóng)藝性狀表現(xiàn)，能夠優(yōu)化品種選育技術(shù)路線、提高精準育種效率、快速實現(xiàn)育種目標[54,55]。孟山都公司在其創(chuàng)建的現(xiàn)代農(nóng)業(yè)育種流程中，利用高通量表型精準鑒定并與基因組數(shù)據(jù)偶聯(lián)對植物進行改良，選育出許多優(yōu)異種質(zhì)材料，顯著提高了育種效率。目前，利用高通量表型實現(xiàn)作物育種的應用案例還較少。這是因為，一方面一線育種學家更傾向于圍繞具有直觀生物學意義的表型性狀（breeder-oriented）開展育種研究，另一方面利用圖像、點云、光譜數(shù)據(jù)解析得到的綜合表型（technology-oriented）所表征的性狀較為復雜，難以直接與育種目標性狀建立關(guān)聯(lián)，尚未在育種中廣泛應用[56]。

2. 智慧栽培

作物智慧栽培旨在建立覆蓋耕、種、管、收作物生產(chǎn)全程，人、機、物全生產(chǎn)要素互聯(lián)互通并可互操作的智能管控平臺，實現(xiàn)良田 - 良種 - 良法、信息 - 農(nóng)藝 - 農(nóng)機的有機融合，最終達到作物高產(chǎn)、優(yōu)質(zhì)、高效、生態(tài)、安全的生產(chǎn)目標[57]。作物智慧栽培對作物的感知即利用作物表型組大數(shù)據(jù)技術(shù)及裝備，對作物生產(chǎn)過程中的作物參量進行實時采集，進而為定量作物生產(chǎn)系統(tǒng)各要素的關(guān)系、優(yōu)化生產(chǎn)技術(shù)規(guī)程及管理方案提供數(shù)據(jù)支撐。當前，利用無人機獲取田間作物長相長勢表型信息可指導田間作物病害的防控和管理，利用圖像深度學習方法可實現(xiàn)田間機器人的除草作業(yè)，但受表型獲取技術(shù)裝備時效性的限制，尚難以將農(nóng)機與表型技術(shù)裝備高效整合。因此，整合農(nóng)機與表型技術(shù)裝備、在田間打通“聯(lián)接 - 感知 - 認知 - 管控”通道、實現(xiàn)田間栽培管理的實時感知和決策，是未來作物表型組大數(shù)據(jù)技術(shù)及裝備開展智慧栽培應用的難點和方向。

3. 實用性分析

從應用角度出發(fā)，用戶主要關(guān)心作物表型大數(shù)據(jù)技術(shù)及裝備的數(shù)據(jù)獲取自動化水平、數(shù)據(jù)處理在線化水平、最終得到表型性狀的數(shù)據(jù)精度水平。然而，這些實用性指標受到諸多因素的影響（見圖2）：① 目標作物本身的形態(tài)結(jié)構(gòu)復雜性以及栽培 / 部署的一致性，對于表型獲取和解析具有根本性的影響；② 表型數(shù)據(jù)獲取環(huán)節(jié)的傳感器、成像單元和表型平臺決定了數(shù)據(jù)獲取的無人化水平；③ 數(shù)據(jù)傳輸、數(shù)據(jù)預處理和表型解析算法的智能化水平?jīng)Q定了表型數(shù)據(jù)處理的在線化水平。在表型數(shù)據(jù)“獲取 - 解析 - 應用”整個鏈條中，每個環(huán)節(jié)都對下一步有著重要影響，會形成誤差累積并逐級放大。因此，提升各環(huán)節(jié)的數(shù)據(jù)質(zhì)量和算法精度，對于整體性提升作物表型組大數(shù)據(jù)技術(shù)及裝備的實用性至關(guān)重要。

圖2 作物表型組大數(shù)據(jù)技術(shù)及裝備實用性分析示意圖

四、我國作物表型組大數(shù)據(jù)技術(shù)及裝備的發(fā)展問題與態(tài)勢分析

作物表型組大數(shù)據(jù)技術(shù)及裝備仍處于快速發(fā)展過程之中，我國在作物表型高通量信息獲取與解析方面已有一定積累，但整體上處于跟蹤模仿階段，未能打破表型高通量獲取裝備主要被歐美國家所壟斷的局面；特別是多樣化表型配套設(shè)施和低成本表型傳感器及設(shè)備的自主研發(fā)、表型大數(shù)據(jù)實時與高效傳輸技術(shù)、表型多尺度數(shù)據(jù)融合與組學大數(shù)據(jù)挖掘理論方法等，亟待解決或突破。

（一）作物表型組大數(shù)據(jù)高通量獲取發(fā)展問題與態(tài)勢分析

我國在作物表型組大數(shù)據(jù)獲取方面整體處于“跟跑”“并跑”階段，主要表現(xiàn)在以下三方面。

1. 傳感器

高分辨率、高精度的傳感器和核心部件主要依靠進口，存在著價格昂貴、軟硬件升級改造受限、關(guān)鍵技術(shù)無法定制、表型數(shù)據(jù)安全隱患等問題。自主研發(fā)的傳感器光學成像方式單一，在穩(wěn)定性、數(shù)據(jù)分辨率方面與國外先進產(chǎn)品仍有差距，尤其是在復雜田間條件下長時間連續(xù)獲取數(shù)據(jù)的傳感器存在嚴重的穩(wěn)定性問題。

2. 成像單元

由于單項傳感器的研發(fā)水平相對滯后，受制于傳感器的集成尺寸、接口協(xié)議等因素，國內(nèi)研發(fā)的成像單元與國外先進產(chǎn)品差距顯著，主要表現(xiàn)在質(zhì)量及尺寸大、系統(tǒng)集成性不高、整體運行穩(wěn)定性低等方面，尚未見到可以同步獲取點云、圖像、光譜數(shù)據(jù)，在傳感器層面高度集成的作物表型成像單元。為實現(xiàn)高質(zhì)量多源數(shù)據(jù)的同步連續(xù)采集，只能進口如PlantEye等成像單元，但成本高、后續(xù)表型解析個性化程度低，難以滿足國內(nèi)大量多源表型數(shù)據(jù)獲取的實際需求。

3. 高通量表型平臺

國外作物高通量表型平臺和基礎(chǔ)設(shè)施發(fā)展較早，具有系統(tǒng)集成度高、穩(wěn)定性好等特點，我國作物高通量表型平臺和基礎(chǔ)設(shè)施整體仍以進口為主。進口產(chǎn)品購置、運營和維護成本高，平臺在使用過程中出現(xiàn)問題后反饋周期長，導致部分進口平臺尤其是中大型表型平臺“用不起來”，平臺考慮普適性而難以對特定作物給出高精度、定制化的表型獲取解決方案，硬件控制核心算法和設(shè)計“黑盒子化”也難以滿足后續(xù)表型數(shù)據(jù)處理與解析軟件對不同作物的表型獲取需求。近年來，國內(nèi)高校及科研院所自主研發(fā)了多生境的作物高通量表型平臺，雖然在美觀程度、穩(wěn)定性、自動化水平方面略遜于進口平臺，但因研發(fā)者與用戶溝通便捷、反饋周期短、可開展定制化表型解析和軟件開發(fā)等諸多優(yōu)勢，形成了一批真正實用的表型平臺產(chǎn)品，如華中農(nóng)業(yè)大學的軌道式表型平臺[28,50]、北京市農(nóng)林科學院的軌道式表型平臺[23,58]和玉米果穗流水線考種系統(tǒng)[31]等。

（二）作物表型組大數(shù)據(jù)智能解析技術(shù)發(fā)展問題與態(tài)勢分析

近十年是作物表型組大數(shù)據(jù)技術(shù)裝備快速發(fā)展階段，國際表型組學研究與應用仍面臨諸多的問題和挑戰(zhàn)，主要表現(xiàn)在數(shù)據(jù)傳輸、表型解析算法軟件、表型信息的挖掘與應用等方面?？梢哉J為，國內(nèi)外在這些方面形成了“并跑”之勢。

1. 表型智能解析

當前，作物表型解析算法多針對主要性狀以少量數(shù)據(jù)進行測試，雖可以解析到目標性狀，但多需要人工交互，存在普適性差的問題，在處理作物表型組大數(shù)據(jù)過程中表現(xiàn)得尤為明顯。迫切需要開發(fā)無需人工交互、自動化、管道化的表型解析算法，適應作物表型組大數(shù)據(jù)批量化處理的需求。作物表型解析的研究重點是增加可觀測、可定量化、具有明確生物學含義的作物表型性狀數(shù)量，提高可定量化作物表型解析的精度和效率；針對不同作物的形態(tài)結(jié)構(gòu)和生理生態(tài)功能，研發(fā)相關(guān)算法開展定制化的表型解析。當前作物表型解析的時效性不足，無法滿足諸如面向農(nóng)機作業(yè)實時決策等智慧栽培的需求。通過多源數(shù)據(jù)融合提升表型解析精度[58]、通過表型模型融合增強解析過程的可解釋性、通過優(yōu)化解析算法的魯棒性實現(xiàn)管道化處理，是表型解析未來發(fā)展的趨勢。

2. 表型大數(shù)據(jù)融合分析

當前，國內(nèi)外作物表型組大數(shù)據(jù)技術(shù)及裝備仍處于研發(fā)階段，表型大數(shù)據(jù)分析、應用與服務能力不足。隨著多生境表型平臺的快速發(fā)展，多維度、多尺度、多源表型大數(shù)據(jù)正在大量累積；如果多尺度、多模態(tài)、多生境的表型大數(shù)據(jù)不進行有效整合，將很難充分發(fā)揮大數(shù)據(jù)的潛在價值。因此，面向表型大數(shù)據(jù)的融合分析、知識挖掘和應用服務是國內(nèi)外需要解決的共性難題。

五、我國作物表型組大數(shù)據(jù)技術(shù)及裝備發(fā)展建議

以包括人工智能在內(nèi)的新一代信息技術(shù)為依托，通過表型數(shù)據(jù)的無人化獲取、在線化解析來實現(xiàn)作物表型組大數(shù)據(jù)的高通量及精準積累，是發(fā)展作物表型組大數(shù)據(jù)技術(shù)及裝備的主導技術(shù)路徑。建設(shè)作物表型組大數(shù)據(jù)技術(shù)及裝備方面的大科學工程，形成作物表型組大數(shù)據(jù)“獲取 - 解析 - 利用”技術(shù)體系，實現(xiàn)“基因 - 表型 - 環(huán)境”多維組大數(shù)據(jù)整合與分析利用，從而在數(shù)字育種、智慧栽培方向提出中國方案。相關(guān)目標可分為3 個實施階段：① 積極在傳感器、成像單元、表型平臺、基礎(chǔ)設(shè)施建設(shè)方面形成標志性產(chǎn)品，努力在多數(shù)據(jù)融合、表型解析關(guān)鍵技術(shù)方向取得重要突破，使部分技術(shù)與應用達到世界領(lǐng)先水平；② 作物表型組大數(shù)據(jù)技術(shù)及裝備的國產(chǎn)化率高于95%，形成數(shù)字育種、智慧栽培的代表性應用案例，使核心技術(shù)及裝備處于與國際“并跑”態(tài)勢；③ 建成作物表型組大數(shù)據(jù)技術(shù)及裝備的自主創(chuàng)新體系，整體性實現(xiàn)自主產(chǎn)品替代進口，形成面向數(shù)字育種、智慧栽培的商業(yè)化服務模式并構(gòu)建作物表型服務新業(yè)態(tài)，整體上處于“領(lǐng)跑”態(tài)勢。針對上述目標，提出我國作物表型組大數(shù)據(jù)技術(shù)及裝備發(fā)展的具體建議。

（1）從底層芯片層面突破作物表型傳感器關(guān)鍵技術(shù)，解決基礎(chǔ)傳感器成本高、整合難、采購受限等“卡脖子”問題；研發(fā)能用、好用、用得起的表型技術(shù)及裝備產(chǎn)品，形成穩(wěn)定性好、高度自主化、規(guī)模化的成像單元、表型平臺設(shè)備及相關(guān)基礎(chǔ)設(shè)施，實現(xiàn)可快速定制、面向不同作物、多生境、個性化的作物表型高通量獲取解決方案，帶動我國在新一代農(nóng)業(yè)傳感器和表型平臺技術(shù)裝備創(chuàng)新從“跟跑”“并跑”轉(zhuǎn)向“領(lǐng)跑”。

（2）在可控開源的基礎(chǔ)上，融入小樣本學習、預訓練大模型、知識圖譜等人工智能技術(shù)，突破多源數(shù)據(jù)融合、系列作物多維表型性狀智能解析、時序表型解析等關(guān)鍵技術(shù)，形成自主化的表型解析技術(shù)體系；構(gòu)建作物表型組大數(shù)據(jù)解析“大腦”，使高通量獲取的作物表型組大數(shù)據(jù)成為農(nóng)學家切實可用的數(shù)據(jù)，促進數(shù)據(jù)和知識增值賦能。

（3）加強作物表型組大數(shù)據(jù)技術(shù)及裝備的標準體系建設(shè)，提升作物表型組大數(shù)據(jù)結(jié)構(gòu)化水平，降低數(shù)據(jù)噪聲及獲取和使用成本，提高表型數(shù)據(jù)可用性；建設(shè)國家級和區(qū)域尺度的表型組大數(shù)據(jù)搜索引擎、新型基礎(chǔ)資源服務平臺，提升作物表型組大數(shù)據(jù)的整合程度和應用安全性。

（4）提出“基因 - 表型 - 環(huán)境”多維大數(shù)據(jù)驅(qū)動的數(shù)字育種和智慧栽培創(chuàng)新模式，實施組學大數(shù)據(jù)與表型精準鑒定設(shè)施的大科學工程；逐步形成智慧化、無人化、在線化的表型工廠服務模式，構(gòu)建基于作物表型組大數(shù)據(jù)的數(shù)字育種和智慧栽培協(xié)同創(chuàng)新平臺。

（5）建設(shè)作物表型組大數(shù)據(jù)技術(shù)及裝備的人才隊伍和協(xié)作網(wǎng)絡，形成多學科交叉合作與協(xié)同創(chuàng)新機制，培育涵蓋技術(shù)裝備研發(fā)、表型軟硬件產(chǎn)品應用、設(shè)備設(shè)施運維管理、數(shù)據(jù)與知識挖掘、作物育種與栽培應用環(huán)節(jié)的人才鏈條，力爭在作物表型組大數(shù)據(jù)技術(shù)及裝備領(lǐng)域開創(chuàng)“人無我有、人有我強”的引領(lǐng)式發(fā)展格局。

利益沖突聲明

本文作者在此聲明彼此之間不存在任何利益沖突或財務沖突。

Received date:April 21, 2023;Revised date:June 12, 2023

Corresponding author:Zhao Chunjiang is a research fellow from the Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, and a member of the Chinese Academy of Engineering. His major research field is agricultural information technology and intelligent equipment. E-mail: zhaocj@nercita.org.cn

Funding project:National Key R&D Program of China (2022YFD200 2300); Chinese Academy of Engineering projects “Strategic Research on the Digital Development of Biological Breeding” (2021-JJZD-04),“Strategic Research on Smart Agriculture Development in Anhui Province” (2021-DFZ-17)