作物表型研究方法，作物表型学研究的主要内容
chanong
|本文摘自《中国工程院学报》《中国工程科学》 2023年第4期。
作者：温伟良、郭新宇、张颖、顾胜浩、赵春江
王志强， 王志强， 等. 作物表型大数据技术与装备开发研究[J]. 中国工程科学， 2023, 25(4):227-238.
编者注
农作物表型大数据已成为国际农业和生命科学领域的战略前沿，也被认为是种业技术发展的核心竞争优势。利用集成自动化平台设备和信息技术获取多尺度、多生境、多源异质作物表型大数据，将极大促进作物功能基因组学、数字育种和智慧栽培的研究进程。中国工程院赵春江院士领导的研究团队在《中国工程院学报》2023年第4期发表论文《中国工程科学》。从作物表型技术、表型平台设备、表型分析算法、多组学数据挖掘分析等方面入手，分析了作物表型发展的历史、挑战和未来趋势，本文在国内外均有应用。已经是基于作物的表型组学研究成果，我们将结合日本作物表型大数据技术和设备的研发现状以及产业发展实际，明确定位、梳理现状，分析问题，制定解决方案技术体系。旨在为作物表型组学提供指导，提出发展建议，为农业科技发展研究提供基础参考资料。
一、简介
作物表型是指反映作物细胞、组织、器官、植物和群体的结构和功能特征的物理、生理、生化性状，本质上是三维时间序列，是指表现形式、区域分化特征、及作物的分化特征。作物遗传图谱的代际进化规律。作物科学、计算机科学和工程学等领域的协作研究不断完善，通过多源传感、理化分析等方法收集的作物表型数据不断积累，可实现多维度、多尺度的作物改良发育。表型形成。大数据。作物表型性状的复杂性决定了表型大数据的获取、分析、管理和应用是一项庞大的科学系统工程。当前，农作物表型大数据已成为国际农业和生命科学领域的战略前沿，也被认为是种业技术发展的核心竞争力。在日本，与信息技术、智能装备深度融合的作物表型组学已成为把握未来农业发展高度的重要课题，相关研究发展趋势明确。从单一尺度和关键时刻构建大规模领域，点表型分析转向全面、智能、跨生命周期的连续检测，表型数据组内的相关性从多组学协作转向创新。近年来，研究人员从作物表型技术、表型平台设备、表型分析算法、多组学数据挖掘分析等方面分析作物物候学发展的历史、挑战和未来趋势。然而，基于了解国情和行业发展实际，我国目前还缺乏作物表型大数据技术和装备的综合开发研究。为此，本文在国内外作物表型分析现有研究成果的基础上，结合我国作物表型大数据技术和设备的研发现状以及产业发展实际，提出了以下定位：清除。梳理现状，分析问题，提出技术发展建议，期望为作物表型组学研究和农业科技发展提供基础参考。
2、农作物表型大数据技术及装备的发展需求及产业牵引
作物表型分析大数据技术和设备正处于快速发展阶段，不仅是我国农业科研和生产所必需的，而且受益于作物表型行业的牵引。 （一）作物表型大数据技术及装备发展需求分析1、种业实现科技独立、自力更生的需要，离不开种业“卡脖子”技术攻关的需要。 这是。农作物表型大数据技术装备是发展种业、重建种业、建设强种业的重要支撑。表型数据检测贯穿于种业品种选育、品种检测、示范推广等各个环节，但传统的表型采集和鉴定方法费时、费力、标准化程度差。需要表型大数据技术和设备的有力支撑。巴斯夫、拜耳集团、孟山都等全球公司正在开发最新的作物表型大数据技术和设备，旨在通过信息传感、自动控制和智能分析技术改进作物表型检测。最先由大型种业公司推广。效率和标准化程度。在人工气候室中设置理想的种植条件，调整日照长度，可以促进植物生长，达到增代的目的，一年内可获得4-6代，繁殖周期显着缩短。借助作物表型大数据技术设备和分子育种辅助技术，加速育种技术有望实现革命性突破。 2. 农作物遗传资源表型性状精准、大规模鉴定的需要农作物遗传资源是保障国家粮食安全和重要农产品供给的战略资源，具有独特的科学技术和现代社会发展的特点。种业也是创新的重要基础。作物表型分析是指对作物遗传资源的农艺性状、产量性状、品质性状、抗性性状等特征进行鉴定，鉴定具有生产和利用价值但未得到充分利用的特定遗传性状，目的是发现基因。日本对农作物遗传资源的评价大多基于单一性状或单一环境的鉴定结果，缺乏遗传信息和综合评价，限制了遗传资源在育种中的有效利用（《作物表型组大数据技术及装备发展研究》）。目前，日本农作物遗传资源80%以上来源于国内资源，遗传多样性不足；长期保存的52万份遗传资源中，能通过基因型和表型准确鉴定的不足10%种质资源25000份。在4万份玉米、4万份小麦和8万份水稻遗传资源中，只有5%得到了详细鉴定。此外，全球作物的耐旱、抗倒伏、高光效率等表型是多基因控制的复杂数量性状，对表型鉴定提出了更高的要求。为有效促进作物遗传资源的保存和利用，迫切需要利用作物表型大数据技术和仪器，对表型性状进行大规模、精准鉴定。三、作物重要性状形成机制基础研究需要加快突破作物高产、优质、高效及其协调改良是作物科学的重要研究课题。综合利用遗传学、基因组学、分子生物学等技术手段，可以高效调控株型、穗型、种子大小等性状，以及蛋白质、含油量、硬度、营养成分等品质性状。发现充分利用它的关键。阐明控制基因并协同提高高产、质量和效率的分子调控网络对于创造可显着提高产量、质量和效率的优质新遗传资源至关重要。资源利用。然而，传统的表型分析方法存在通量低、标准不一致、深度不够等问题，限制了重要性状形成机制的突破。利用作物表型大数据技术和设备，从作物近缘种、野生种、乡土种中发现能够克服各种逆境的性状，识别控制优良性状的重要基因和遗传网络。细节。通过分子设计育种进行定向改良提供遗传资源，相关基因可以被克隆和传递。
4. 作物智慧生产需要完善信息传感技术和装备作物生产的耕种、管理、收获等关键环节的作业方案制定，离不开对农田生长条件的确定。你不能。目前，日本农产品的生产过程主要由人们到田间地头凭视觉经验进行决策，导致农业生产效率低下，存在误判或漏判的风险。直接影响农作物产量和农民利润。从理论和实践上来说，农作物表型大数据技术和设备可以通过可见光、光谱、光等移动或固定平台，应用于谷物、蔬菜、花卉等大多数农作物的生产和经营环节。它已被证明具有诊断适用性。激光雷达、热成像等红外传感器可以快速分析各种尺度的农田作物生长、水分、氮素营养、病虫害、产量等信息，并可与作物生长和知识管理模型相结合，对作物的需求进行分析定量估计。它提供水、肥料、药品并指导农业。机器执行精确的运动，以实现作物产量、质量和资源利用效率的协调提高。 （二）以作物表型大数据技术和设备为核心的表型产业崛起1、市场规模快速增长植物表型市场正在快速增长。根据Coherent Market Insights 的研究报告，预计2021 年全球植物表型市场规模约为1.84 亿美元，2028 年将达到3.87 亿美元，复合年增长率为11.2%。这一市场的快速增长主要源于以下几个方面：一是全球气候变化和人口增长对国际粮食安全和粮食生产科技创新构成严峻挑战，产能急需提升，其次，机器学**等信息技术的快速发展。计算机视觉、传感器网络以及大气和空间遥感的不断进步，使植物表型检测和识别更加自动化、数字化和高通量，提高了效率和准确性。完善评价；三是基础育种研究需求不断增加，农作物遗传资源表型性状鉴定，满足多生境、多季节、高品质、多耐受性的要求；四是政策和资金支持必须创造良好的环境。面向市场主体的技术研发、推广和应用。 2、产业链逐步拓展，目前作物表型大数据技术和设备广泛应用于作物科学，如遗传鉴定、种质资源表型鉴定、生物和非生物胁迫无损检测等。研究。面对国际粮食安全、保障农产品质量安全、促进农业增产、农民增收等世界各国的共同诉求，农作物表型大数据技术和装备日趋智能化不仅可以应用于农业生产，也可以应用于管理。面向各类农业产业市场主体（家庭农场、种苗公司、农业科研院所、智慧农业等）在农产品质量无损检测、农产品智能收获等场景的信息技术和智能装备等提供支持。公司、农产品供应商）。 3、商业模式不断涌现，全球农作物表型行业的业务和产品主要以表型为主，如达达的龙门吊平台、温室吊车平台、地面移动平台等，都是基于搭建基础设施平台用于分析采集。按照低空无人平台、机械平台等产品类别口径，预计硬件设备将在2021年主导全球植物表型市场，超过软件和传感器的总和。此外，基于传感器数据的分析指标主要是形态指标，缺乏深度表型和综合性状分析，难以提供智能表型软件和在线表型平台，有潜力成为一种新的商业模式。
作物表型平台是一个复杂的系统，包括自动控制、数据传输、设备调试、系统集成等。其运行保障、硬件维护、软件服务等方面存在一定的技术限制，将成为作物表型行业的一个单独门类。业务类型。 4、发展成为养殖龙头企业的必由之路，打造以信息技术和智能装备为核心的商业化养殖技术体系，如商业化养殖流程管理软件、高通量精准表型鉴定平台、表型大数据等。养殖企业数字化转型升级，实现数字化技术提升企业生产经营是重要因素，其特点是碎片化、加工化、标准化，可以缩短规模化养殖周期，促进生产。提高公司质量和效率。拜耳集团、先锋股份公司、巴斯夫股份公司等国际种业巨头非常重视作物表型组学的发展及其产业应用，纷纷引进高通量作物表型分析平台和设施，并将其应用于商业育种和商业育种。数字化发展、种业业务流程。作为我国种业领军企业，北大荒建丰种业有限公司于2016年建成并运营高通量精准表型分析平台。华为技术有限公司正在积极研究表型机器人和智能养殖多系统。组学大模型、袁隆平农业高科技有限公司、甘肃敦煌种业集团有限公司等企业也在积极致力于相关能力建设。
3.作物表型大数据技术与装备研发现状
作物表型大数据是面向作物育种和栽培的实际需要，依托传感器、表型平台、无线通信、数据库、大数据分析等现代信息技术和机械设备，形成的科学化、系统化的方法。只有通过植物学、自动化、机械工程、图形学、计算机科学等学科的密切合作，作物表型大数据最终才能转化为新的生物和农艺知识。基于大数据知识工程发现模型，作物表型大数据从数据生成到最终应用，可分为物理层、传输层、数据层、知识层和应用服务层（见图1）。
图1 作物表型大数据技术与装备从研发到应用的路线图（1）物理层21世纪以来，从作物表型数据高通量获取的角度，各种新的物理、化学、生物（生理）传感器已投入实际应用。利用图形成像技术、人工智能技术、物联网技术的新一代表型技术系统将为作物研究提供大量的表型和环境数据源。物理层是指利用传感器、表型平台等数据采集技术获取图像、点云、作物光谱等初始表型数据，重点是数据的高通量采集，具体可以分为如下：传感器、成像单元、表型等平台的三边。 1.作物表型传感器作物表型分析常用的传感器包括可见光相机、深度相机、多光谱相机、高光谱相机、激光雷达、热红外相机、叶绿素荧光传感器等。目前，可见光相机是应用最广泛的传感器，其次是多光谱相机、高光谱相机、激光雷达等。可见光相机满足大多数条件下作物表型成像的需求，具有分辨率高、采集速度快的特点，但复杂田间条件下连续采集的稳定性仍有待提高。近年来，激光雷达、深度相机、多光谱相机、热红外相机等传感器的分辨率、精度和稳定性显着提高，且成本逐渐下降，为作物表型分析提供了广泛的选择。到过。分辨率精度还有很大的提升空间。高光谱相机和叶绿素荧光传感器相对昂贵且成像范围有限，因此它们在表型研究中的应用需要改进。 2.作物表型成像单元时空同步采集多源表型数据是表型信息采集的重要趋势，有利于提高效率和准确性。作物表型成像单元旨在集成多个传感器，实现表型数据的时空同步采集，而多源成像单元是由多个来自同一来源的传感器组成的成像单元，可以将其分开。流行的多源成像单元，例如Altum 三合一传感器，可以同时采集多光谱、热成像和RGB 信息。 PlantEye 可同时进行点云、RGB 和多光谱采集和实时分析。 CropLidar集成了LIDAR，可以在无人机或轨道平台�**沧岸喙馄缀涂杉獯衅鳎允迪滞笔占喔隼丛吹氖荨５湫偷耐闯上竦ピ嵌嗍咏橇⑻迨泳跸低常梢园沧霸谖奕嘶⒃诠臁⒊翟氐绕教ㄉ稀８呒啥取⑿⌒突⑼娇刂埔约笆凳笔萑诤虾头治鍪亲魑锍上竦ピ媪俚难暇粽健� 3.作物高通量表型平台作物高通量表型平台系统集成了传感器和成像单元，通过传输、系统控制、数据传输、计算等方式实现高通量、自动化的表型数据采集。近年来，室内植物表型平台、室外植物表型平台、便携式表型采集装置、地面和空中机器人采集平台等多层次表型技术迅速发展。虽然国内作物表型平台的建设和应用发展迅速，但主要依赖进口。中国农业科学院生物技术研究所、中国科学院遗传与发育生物学研究所、北大荒建丰种业有限公司、上海农科院采购引进LemnaTec优质种子。吞吐量表型平台最多可容纳680 个盆作物的高通量数据收集。南京农业大学作物表型交叉研究中心建成了配备多个PlantEye传感器的田间高通量表型分析平台FieldScan和温室传输的高通量作物表型分析平台PhenoConveyor。
研究人员正在致力于开发表型数据管理系统，并建立包括多个物种、品种、栖息地和规模的作物表型数据库。受表型数据获取方法、数据分析算法、作物遗传资源等因素的限制，目前建立的作物表型数据库大多以单一物种为中心，如微观尺度的玉米秸秆维管表等单一尺度的表型数据库。开源分布式植物表型信息管理系统——基于物联网的表型数据分析平台（CropSight）等随着高通量检测技术的快速发展，农作物生物学数据正在向多组学、多维度水平快速积累。多组学信息的系统整合将进一步加速作物遗传研究，提高作物的优良农艺性状。 2020年，华中农业大学整合同一玉米群体的基因组、转录组、表型、代谢组、表观基因组、遗传变异、基因图谱结果等多组学数据，打造了玉米定制化的多组学，成功构建了组学数据。数据库（ZEAMAP）；通过多维生物组学数据协同分析，挖掘与植物品种、产量等性状相关的重要基因和遗传变异，对玉米多组学数据进行“云”整合快速检索和智能分析。分子设计育种提供了理论基础。 2022年，北京农林科学院将利用人工、前沿的表型组学技术，获取全球1000多个生菜种质的表型数据，并与1000多个生菜品种的重测序数据相结合，构建综合生菜。数据库（LettuceGDB）。 （4）知识层知识层旨在从多源海量的农作物表型大数据中提取可用于解决特定领域问题的知识，并通过将其转化为知识来实现数据的附加值。有两种类型的表型多组学分析。 1、准确的表型鉴定获取表型信息是准确鉴定农作物种质资源的重要一步。传统人工检测的问题越来越明显，必须统筹考虑精度、吞吐量和成本之间的平衡。作物表型分析技术和装备的发展和完善，显着提高了表型获取的通量、指标分析的准确性和效率，为大规模、批量鉴定和评价种质资源提供了基础设施和技术支撑。国内外科研机构和种业领先企业开发了以“作物表型高通量获取-智能分析-模型计算-大数据分析-表型精准识别”为核心的技术体系。它很好地应用于综合性状和表型的准确识别。虽然我国农作物资源丰富，但在遗传资源的精准鉴定方面与其他国家相比还存在较大差距。在完成主要农作物详细基因组图谱和农作物遗传资源基因组重测序的基础上，高通量表型分析技术的发展和完善，使得农作物重要农艺性状（产量、品质、抗病性、抗逆性）的开发和改良成为可能。作物遗传资源等）将变得清晰。营养效率等），深入寻找重要农艺性状的优良等位基因变异并阐明其形成的分子机制，使我国农作物育种取得了新的突破，将为农业的可持续发展做出贡献。它还可以为分析发育的分子机制以及作物驯化和改良提供理论基础。 2.多组学分析随着高通量测序技术的发展和完善，单组学研究日趋成熟，整合多组学数据来研究植物生长发育的研究也越来越多。多组学研究在基因挖掘、全基因组关联分析、基因表达控制网络构建、作物全基因组选择以及重要作物的系统生物学研究等方面发挥着越来越重要的作用。
基于丰富的多组学数据，基因调控研究正在取得快速进展，包括差异表达基因的鉴定、转录因子复杂表型的鉴定以及代谢物的富集。典型的研究包括使用显微计算机断层扫描(CT) 表型分析技术，并结合全基因组关联研究。 （GWAS）鉴定了调节维管束数量、维管密度和其他性状的特定候选基因，并利用高通量表型平台对玉米进行连续无损测试，并揭示了遗传基础和潜在的干旱。玉米的抗性位点分析底层基础设施和控制网络。玉米株高形成；结合表型数据和预测模型，揭示控制玉米节间发育的基因表达模式，发现众多参与节间数量和长度形成的候选基因，验证关键分子机制。候选基因ZmD1在玉米节间发育调控中的作用；基于二维图像根系的高通量表型平台发现了81个与玉米根系结构相关的候选基因，并利用转基因玉米对候选基因进行了研究。其中两个（ZmRSA3.1 和ZmRSA3.2）被揭示。 2020年，《自然评论遗传学》杂志发表了一篇题为《遗传学和基因组学的未来》的评论，其中将“破译多因素表型”列为未来的关键方向之一。基因调控网络(GRN) 对多个基因表达的控制以及GRN 的变化如何触发特定细胞、组织、器官和植物的反应是破译多因素表型的有效方法。涵盖微观和宏观表型多个尺度的作物表型大数据可以帮助理解基因、表型和环境之间以及微观表型和宏观表型之间的跨尺度相关性和相互作用，从而可以大规模和精确地进行发现。分析表型和分子机制之间未被发现的关系，构建精确的“基因-表型-环境”调控网络。 （五）应用层1、数字育种多组学智能设计育种是新一代育种的核心技术。作物智能设计育种以作物基因组学、表型组学等大数据为基础，利用机器学**等智能算法，构建目标作物品种的性状预测模型，对杂交种中各种农艺性状的表现进行预测和优化品种选择。技术路线，精准育种提高效率，快速实现育种目标。孟山都开发的现代农业育种流程，利用高通量表型分析技术，准确识别并结合基因组数据来改良植物，选育出许多优良种质材料，并显着提高育种效率。目前，高通量表型分析在作物育种中的应用还很少。这是因为一线育种者更倾向于将育种研究重点放在具有直观生物学意义的表型性状上，另一方面则注重图像、点云、光谱数据的分析。由获得的综合表型表达的性状。更为复杂，因此很难与正在育种的性状直接相关，并且在育种中没有广泛使用。 2、农作物智慧栽培智慧栽培涵盖农作物生产、种植、管理、收获的全过程，是人、机器、物料等所有生产要素互联互通的智能管控平台。好土地、好种子、好方法、信息农艺——农机有机融合，最终实现高产、优质、高效、生态、安全的生产目标。作物智能栽培作物识别利用作物表型大数据技术和设备，实时采集作物生产过程中的作物参数，从而量化作物生产系统不同要素之间的关系，为优化生产工程程序和控制方案提供信息。数据支持。
目前，无人机用于获取大田作物外观和生长的表型信息，可用于预防、控制和管理大田作物病害，图像深度学**技术可用于田间机器人除草。我正在完成工作。由于表型技术和设备的时效性限制，农业机械和表型技术设备的高效集成仍然存在困难。因此，整合农机与表型技术装备，打通田间“连接-感知-认知-控制”通道，实现田间栽培管理实时识别和决策，将引领作物的未来。是一款智能栽培应用。表型大数据技术与设备、难点与方向。 3.实用分析从应用角度来看，用户主要感兴趣的是作物表型大数据技术和设备数据采集的自动化水平、数据处理的在线水平以及表型性状最终数据的准确性水平。然而，这些实用指标受到多种因素的影响（见图2）：目标作物本身形态结构的复杂性和栽培/扩容的一致性是表型采集和分析的基础；表型数据传感器、成像单元采集过程中的表型平台和表型平台决定了数据采集的无人值守水平；数据传输、数据预处理和表型分析算法的智能化水平决定了表型数据处理的在线水平。在表型数据从采集到分析再到应用的流程中，每个环节都对下一步产生重要影响，误差逐步积累和放大。因此，提高各环节的数据质量和算法精度对于提高作物表型大数据技术和设备的整体效用具有重要意义。
图2 农作物表型大数据分析实用技术与设备示意图
4、日本农作物表型大数据技术与装备发展问题及现状分析
农作物表型大数据技术和设备仍处于快速发展过程中，虽然我国在农作物表型高通量信息的获取和分析方面积累了一定的经验，但总体上还缺乏跟踪和模仿。仍处于起步阶段，尚未取得足够的成果。现状是，突破表型高通量流程的定量采集设备主要被西方国家垄断，特别是独特研发的多样化表型支撑设施和低成本的表型传感器和设备，实时的学**表型大数据的高效传输技术，以及大数据挖掘的理论方法，迫切需要解决和突破表型多尺度数据的融合和聚合。 （一）农作物表型大数据高通量获取的发展问题及现状分析日本在农作物表型大数据获取方面处于“追随”和“并列”阶段，主要体现在以下三点。 ing。边。 1、传感器高分辨率、高精度传感器及核心部件主要依赖进口，但价格昂贵，软硬件升级有限，关键技术缺乏定制化，表型数据潜力不足，存在以下问题安全风险。自主研发的传感器虽然采用单一光学成像方式，但在稳定性、数据分辨率等方面均逊于国外先进产品，难以长时间获取连续数据，尤其是在复杂的现场条件下。对于获取. 2、由于单个传感器的发展水平比较缓慢，成像单元受传感器集成尺寸、接口协议等因素影响，国内研发的成像单元与国外先进产品存在较大差距。这主要体现在它们的质量和尺寸较大，系统集成度差，整体运行稳定性差，点云、图像和光谱数据同时采集且高度集成，目前还不存在专用的作物表型成像单元。传感器级别。实现同时、连续收集高质量多源数据的唯一方法是引入PlantEye这样的成像单元，但由于成本高且后续表型分析的个体化程度低，这是困难的。中国获取大量多源表型数据的实际需求。 3、高通量表型平台国外农作物高通量表型平台及基础设施发展较早，具有系统集成先进、稳定性好的特点，但我国农作物高通量表型平台及基础设施整体仍依赖进口。输入
口产品购置、运营和维护成本高，平台在使用过程中出现问题后反馈周期长，导致部分进口平台尤其是中大型表型平台“用不起来”，平台考虑普适性而难以对特定作物给出高精度、定制化的表型获取解决方案，硬件控制核心算法和设计“黑盒子化”也难以满足后续表型数据处理与解析软件对不同作物的表型获取需求。近年来，国内高校及科研院所自主研发了多生境的作物高通量表型平台，虽然在美观程度、稳定性、自动化水平方面略逊于进口平台，但因研发者与用户沟通便捷、反馈周期短、可开展定制化表型解析和软件开发等诸多优势，形成了一批真正实用的表型平台产品，如华中农业大学的轨道式表型平台、北京市农林科学院的轨道式表型平台和玉米果穗流水线考种系统等。（二）作物表型组大数据智能解析技术发展问题与态势分析近十年是作物表型组大数据技术装备快速发展阶段，国际表型组学研究与应用仍面临诸多的问题和挑战，主要表现在数据传输、表型解析算法软件、表型信息的挖掘与应用等方面。可以认为，国内外在这些方面形成了“并跑”之势。1. 表型智能解析当前，作物表型解析算法多针对主要性状以少量数据进行测试，虽可以解析到目标性状，但多需要人工交互，存在普适性差的问题，在处理作物表型组大数据过程中表现得尤为明显。迫切需要开发无需人工交互、自动化、管道化的表型解析算法，适应作物表型组大数据批量化处理的需求。作物表型解析的研究重点是增加可观测、可定量化、具有明确生物学含义的作物表型性状数量，提高可定量化作物表型解析的精度和效率；针对不同作物的形态结构和生理生态功能，研发相关算法开展定制化的表型解析。当前作物表型解析的时效性不足，无法满足诸如面向农机作业实时决策等智慧栽培的需求。通过多源数据融合提升表型解析精度、通过表型模型融合增强解析过程的可解释性、通过优化解析算法的鲁棒性实现管道化处理，是表型解析未来发展的趋势。2. 表型大数据融合分析当前，国内外作物表型组大数据技术及装备仍处于研发阶段，表型大数据分析、应用与服务能力不足。随着多生境表型平台的快速发展，多维度、多尺度、多源表型大数据正在大量累积；如果多尺度、多模态、多生境的表型大数据不进行有效整合，将很难充分发挥大数据的潜在价值。因此，面向表型大数据的融合分析、知识挖掘和应用服务是国内外需要解决的共性难题。 五、我国作物表型组大数据技术及装备发展建议 以包括人工智能在内的新一代信息技术为依托，通过表型数据的无人化获取、在线化解析来实现作物表型组大数据的高通量及精准积累，是发展作物表型组大数据技术及装备的主导技术路径。建设作物表型组大数据技术及装备方面的大科学工程，形成作物表型组大数据“获取 – 解析 – 利用”技术体系，实现“基因 – 表型 – 环境”多维组大数据整合与分析利用，从而在数字育种、智慧栽培方向提出中国方案。相关目标可分为3个实施阶段：① 积极在传感器、成像单元、表型平台、基础设施建设方面形成标志性产品，努力在多数据融合、表型解析关键技术方向取得重要突破，使部分技术与应用达到世界领先水平；② 作物表型组大数据技术及装备的国产化率高于95%，形成数字育种、智慧栽培的代表性应用案例，使核心技术及装备处于与国际“并跑”态势；③ 建成作物表型组大数据技术及装备的自主创新体系，整体性实现自主产品替代进口，形成面向数字育种、智慧栽培的商业化服务模式并构建作物表型服务新业态，整体上处于“领跑”态势。针对上述目标，提出我国作物表型组大数据技术及装备发展的具体建议：（1）从底层芯片层面突破作物表型传感器关键技术，解决基础传感器成本高、整合难、采购受限等“卡脖子”问题；研发能用、好用、用得起的表型技术及装备产品，形成稳定性好、高度自主化、规模化的成像单元、表型平台设备及相关基础设施，实现可快速定制、面向不同作物、多生境、个性化的作物表型高通量获取解决方案，带动我国在新一代农业传感器和表型平台技术装备创新从“跟跑”“并跑”转向“领跑”。（2）在可控开源的基础上，融入小样本学**、预训练大模型、知识图谱等人工智能技术，突破多源数据融合、系列作物多维表型性状智能解析、时序表型解析等关键技术，形成自主化的表型解析技术体系；构建作物表型组大数据解析“大脑”，使高通量获取的作物表型组大数据成为农学家切实可用的数据，促进数据和知识增值赋能。（3）加强作物表型组大数据技术及装备的标准体系建设，提升作物表型组大数据结构化水平，降低数据噪声及获取和使用成本，提高表型数据可用性；建设国家级和区域尺度的表型组大数据搜索引擎、新型基础资源服务平台，提升作物表型组大数据的整合程度和应用安全性。（4）提出“基因 ? 表型 ? 环境”多维大数据驱动的数字育种和智慧栽培创新模式，实施组学大数据与表型精准鉴定设施的大科学工程；逐步形成智慧化、无人化、在线化的表型工厂服务模式，构建基于作物表型组大数据的数字育种和智慧栽培协同创新平台。（5）建设作物表型组大数据技术及装备的人才队伍和协作网络，形成多学科交叉合作与协同创新机制，培育涵盖技术装备研发、表型软硬件产品应用、设备设施运维管理、数据与知识挖掘、作物育种与栽培应用环节的人才链条，力争在作物表型组大数据技术及装备领域开创“人无我有、人有我强”的引领式发展格局。 注：本文内容呈现略有调整，若需可查看原文。 作者介绍 赵春江 农业信息技术专家，中国工程院院士。主要从事数字农业、精准农业和智慧农业技术与装备研究。 注：论文反映的是研究成果进展，不代表《中国工程科学》杂志社的观点。