一个研究小组利用激光雷达数据开发了 SCAG 算法，用于精确检测大豆植株的分枝并计算其角度。SCAG 在分枝检测(F 值=0.77)和角度计算(r =0.84)方面取得了很高的准确度，优于传统方法。该算法确定了用于评估大豆密度耐受性的新型可遗传性状，例如平均角度与高度之比 (AHR) 和角度与茎长之比 (ALR)。开源 SCAG 可应用于其他作物，增强植物结构表征并有助于选择理想的品种，从而改善农业成果。

大豆是植物油和蛋白质的主要来源，对于满足不断增长的全球人口的需求至关重要。提高大豆产量是一个长期的育种目标，但有限的耕地和各种压力，特别是营养压力，带来了挑战。传统的压力监测方法劳动密集且效率低下，而遥感技术也有其自身的局限性。当前的研究强调了深度学习(尤其是 Transformer 架构)在增强高光谱成像分析方面的潜力。然而，将深度学习与高光谱成像相结合以识别大豆营养压力仍未得到充分探索，这需要进一步研究。

2024 年 5 月 19 日发表在《植物表型学》上的一项研究 (DOI：10.34133/plantphenomics.0190)介绍了使用 LiDAR 数据对大豆进行精确分支检测和角度计算的 SCAG 算法。

这种创新方法在 152 个不同的大豆品种上进行评估时，在分支检测(F 分数=0.77)和角度计算(r =0.84)方面表现出色，明显优于 SVM( F 分数=0.53)和基于密度(F 分数=0.55)的方法。通过参数敏感性分析证实了 SCAG 的稳健性，结果显示它对参数 N 和 D 不敏感，对参数 H 的敏感性较小，为获得最佳效果，应将参数 H 设置为分支直径的大约两倍。在 Pheno4D 数据集中的玉米和番茄点云上测试了 SCAG 的适用性，结果显示它在叶片/分支角度计算方面表现出很高的准确性(玉米r =0.95，番茄r =0.94)，展示了其对多种作物类型的潜力。该算法还确定了用于评估大豆密度耐受性的新特征，例如平均角度与高度 (AHR) 和平均角度与茎长之比 (ALR)，与冠层宽度与高度之比 (CHR) 等传统特征相比，这些特征表现出更好的遗传性和可重复性。尽管取得了成功，但 SCAG 仍面临着复杂的 3D 结构、稀疏点云和小目标的挑战。未来的研究应侧重于提高数据质量、解决数据缺失问题以及集成先进的深度学习方法以提高检测准确性。

该研究的首席研究员金世超表示：“我们的工作展示了 3D 表型分析和植物结构筛选方面的重大进展。该算法可应用于其他作物，如玉米和番茄。我们的数据集、脚本和软件都是公开的，这可以通过增强植物结构表征和促进理想品种的选择来进一步造福植物科学界。”

综上所述，开源 SCAG 算法在提高作物生长和农业生产力方面具有巨大潜力。未来的研究将侧重于提高数据质量和整合先进方法，以进一步扩大其适用性。