《Computers and Electronics in Agriculture》:IoT irrigation and multimodal phenotyping with CRITIC-based weighting: a monitoring and evaluation framework for moisture stress assessment in tomato
编辑推荐:
•结合土壤湿度传感的物联网自动滴灌系统实现了基因型层面的体积水量量化。•传感器控制灌溉调度在基于作物蒸散(ETc)的灌溉基础上实现了节水,同时未损害与基因型相关的生产力。•经验证的红外热成像与基于深度学习的RGB成像在亏缺灌溉条件下捕获了互补的胁迫与生长动态。•基于CRITI
- •
结合土壤湿度传感的物联网自动滴灌系统实现了基因型层面的体积水量量化。
- •
传感器控制灌溉调度在基于作物蒸散(ETc)的灌溉基础上实现了节水,同时未损害与基因型相关的生产力。
- •
经验证的红外热成像与基于深度学习的RGB成像在亏缺灌溉条件下捕获了互补的胁迫与生长动态。
- •
基于CRITIC的MIPF将多模态性状客观整合为一个可重复的基因型排序指数。
- •
耐旱性与水分利用效率之间的差异凸显了在水分限制条件下进行客观多模态基因型评价的重要性。
引言
全球番茄生产正面临地下水枯竭和气候变化导致的水资源短缺的双重压力(Wyngaard和Kissinger,2022)。该作物对水分亏缺极为敏感,尤其在开花和坐果期,水分胁迫会通过落花、果实变小及品质下降导致不可逆的产量损失(Khapte等,2019)。因此,筛选在水分受限条件下仍能维持生产力的基因型,需要一种能够准确捕捉并区分不同灌溉处理下植株层面胁迫响应的工具(Smith等,2021)。植物表型组学——即对形态、生理和生长性状的系统量化——已成为识别耐逆基因型并将灌溉管理与作物性能结果相关联的最适合方法(Haworth等,2023)。
基于传感器的精准灌溉技术已在此需求下取得了显著进展。物联网(IoT)技术现已实现实时土壤湿度监测与自动化控制,田间研究表明,相较于固定的基于作物蒸散(ETc)的调度方案,可精准施水并显著节水(Pramanik等,2022;Boukri等,2026;Thomas等,2020)。无线传感器网络,尤其是基于LoRaWAN的远距离低功耗通信协议的发展,大幅拓展了农业电子设备在田间规模实时灌溉监测与控制中的应用范围(Pramanik等,2022)。然而,这些系统仅监测土壤水分可用性,而关于特定基因型实际如何响应水分状况的信息则相对匮乏。
植株侧表型组学在一定程度上弥补了这一缺口。红外热成像可量化因气孔关闭而升高的冠层温度,基于深度学习的RGB分析可实现非破坏性数字生物量估算(Shoaib等,2025;Mertens等,2023),但这些模态与灌溉控制仍然脱节,且单一模态仅能捕捉植物胁迫响应的一部分。热成像可检测到急性胁迫,但缺乏触发灌溉行动所需的土壤湿度背景信息;而基于生长的指标反映的是数天至数周内累积的胁迫,而非植株当前的即时需求(Kanneh等,2026;Blanco等,2023)。
当多种表型组学模态同时部署时,还会出现另一个挑战。热成像、结构参数和生理参数通常同时测量,但要将它们整合为一个可信的基因型表现指数,需要一种有原则的聚合方法,而非随意的或主观赋权打分。多准则决策分析(MCDM)提供了一种此类方法。在客观MCDM技术中,CRITIC(基于准则间相关性的准则重要性评估)直接从数据本身——即各参数的鉴别能力及其与其他参数的冲突程度——而非专家判断中推导参数权重(Krishnan等,2021)。这一双重准则会惩罚冗余的协变性状,并奖励贡献独特信息的参数,这一特性特别适用于多模态数据集,在此类数据集中热成像、结构和生理变量预期存在相互关联(Zhang等,2024)。
在开放田间条件下,基于物联网的灌溉系统提供精准的灌溉调度,而表型组学平台则表征植物的胁迫和生长响应。Owino和S?ffker(2022)综述了基于土壤、大气和植物的感知在精准灌溉控制中的应用,并强调了更多依赖基于植物的信号以及个体化植株层面控制是推进精准灌溉的重要方向。Zandi等(2025)系统综述了植物胁迫评估的多模态方法,包括基于图像的表型组学、机器学习和数据融合,强调了多种感知模式所获得的互补信息。尽管这些学者分别综述了精准灌溉和多模态植物胁迫评估的各个方面,但他们各自的范围并未涵盖两者结合使用以及利用数据驱动的聚合方法进行基因型层面评价的整合应用。本研究通过一种将物联网土壤湿度传感与自动滴灌同多模态植物表型组学相结合的方式弥补了这些空白。这些输出结果被综合为一个多模态整合性能框架(MIPF),即一种基于CRITIC权重的基因型评价方法。本研究的创新之处在于将用于基因型层面体积水量量化的物联网架构与红外热成像及RGB成像流程相结合,共同捕捉胁迫和生长动态,并整合为加权基因型排序。
基于上述理由,我们提出以下假设:(i)基于传感器的灌溉与基于ETc的调度方案相比可实现显著节水,且不损害与基因型相关的生产力;(ii)基因型对亏缺灌溉的特异性响应可通过多模态(热成像和RGB)表型组学检测到,表现为显著的基因型×灌溉交互效应;(iii)通过CRITIC分析推导的多模态整合性能框架(MIPF)在多模态性状整合下可产生基因型排序。
从工程和计算角度来看,本研究展示了一种用于田间作物监测的模块化感知与分析架构。LoRaWAN网络提供土壤湿度传感节点与灌溉控制层之间的无线通信,而热成像和RGB计算机视觉流程则实现自动冠层分割和数字生物量量化。这些异质的传感器及图像衍生测量值随后通过基于CRITIC的加权方法处理,以整合互补的表型信息。该架构展示了如何将无线感知、计算机视觉和数据驱动的多准则分析在统一的分析流程中结合,用于评价番茄对水分亏缺条件的响应。
章节摘要
试验地点与品种
田间试验于2024年12月至2025年4月在印度卡纳塔克邦班加罗尔Hesaraghatta的印度农业研究委员会—印度园艺研究所(ICAR-IIHR)试验农场(13°08′N,77°30′E,海拔864米)进行。共评估了4个在ICAR-IIHR培育的番茄(Solanum lycopersicum L.)基因型:两个杂交种(Arka Rakshak和Arka Abhed)和两个常规种(Arka Vikas和Arka Meghali)。
土壤湿度传感器标定与自动灌溉系统验证
Watermark土壤湿度传感器相对于称重法的标定证实,在灌溉调度相关的操作湿度范围内,传感器输出与实际土壤水分状况之间存在强而可靠的关系。
渐进式土壤干燥在称重法测定的土壤含水量(%)与以土壤水分张力(kPa)表示的Watermark传感器读数之间产生了强的负线性关系(图5;n = 123对观测值),
基于物联网的灌溉性能
本研究提出了一种结合多模态表型组学的物联网滴灌系统,以评估两种水分制度下基因型特异的响应。传统基于土壤的灌溉依赖于预设根区阈值(Fu等,2024),但关键土壤湿度阈值在不同生态系统中差异显著,并受植物功能特性和大气蒸散需求影响(Fu等,2022),而基于植物的指标可提供更精确的作物生理状态评估
结论
本研究表明,将基于土壤湿度的灌溉控制与植株层面表型组学相结合,可有效提升两种灌溉制度下的水分管理。传感器触发阈值控制通过仅供应所需水量减少过灌溉,提高了水分利用效率,并实现了施水量的准确体积量化。冠层温度与相对含水量之间的强相关性验证了红外热成像作为可靠胁迫指标的适用性,同时
利益冲突声明
作者声明,他们不存在可能影响本文所报告工作的已知竞争性财务利益或人际关系。
致谢
作者感谢印度农业研究委员会(ICAR)"气候韧性农业国家创新"(NICRA)项目的支持。作者还感谢印度农业研究委员会—印度园艺研究所(ICAR-IIHR)班加罗尔分校提供相关设施。
P. Hemamalini|MK. Chandraprakash|K. Suneetha|RH. Laxman