生物量是功能生态学和生长分析中一个重要的表型特征。传统测量生物量的方法是具有破坏性的，它们需要大量的个体进行重复的培养以及测量分析，目前，一些基于图像的生物量研究指出植物生物质与图像中投射植物区面积具有线性关系。

● 普通相机结合Image-J软件，对感染甜菜孢囊线虫病和正常的甜菜，进行表型分析

作者通过对不同时期（播种后16天、20天和35天）未染病和已染病的甜菜进行拍照，相机距离植物冠层的高度保持在80cm，分辨率为0.2cm²/像素，获取原始图像后，使用Image-J软件，图像分为三个颜色通道（R：红色，G：绿色和B：蓝色）。这三层中的每一层都是8位图像。在每一个图层，像素有一个0至255（2⁸）特殊的强度范围。三个图层中的每一个具有强度为255的像素将是白色的。然后使用Woebbecke等人提出的过量绿色指数EGI（EGI = 2G-B-R），将生成的三个通道图像合并到图片上的绿色区域。然后应用一个阈值来分割新生成的图像，从55到255的像素被认为是绿色像素。计算绿色像素的总数，然后再按比例重新计算，获得最终数字冠层面积，用cm²表示（注：此处理过程运用LemnaTec的软件可以更加自动且高通量的完成）。

（来源：Samuel Joalland et al., Plant Soil. 2015 Belowground biomass accumulation assessed by digital image based leaf area detection）

所分析得到的数字冠层面积与叶片实际总干重的相关性良好，n=40,R²=0.95, p <0.01；进一步，作者还将叶片总干重与甜菜鲜重数据做了同样的相关性分析，进一步证实数字冠层面积与生物量的关系。

● 水稻生物量预测的文章中也指出了投影面积与生物量存在一定的相关性

以0°和90°拍摄图像所得的投影面积均值的平方，乘以顶部成像所得投影面积的结果开平方，所得值即为数字生物量。

（来源：Hairmansis et al. Rice 2014, 7:16 Image-based phenotyping for non-destructive screening of different salinity tolerance traits in rice.） 

由此可见，随着基于图像的高通量植物表型设备的出现，非破坏性的生物量测量方法能解决很多类似的科学问题。伴随而来的问题是如何从数字图像中，实现对单个植物生物量的预测，变得越来越重要。

● 以不同处理的大麦表型数据为基础，进行模型建立和验证，所得模型结果可用来预测生物量

浙江大学Ming Chen教授提出了一种方法，对基于图像衍生的表型性状进行了生物量估计。他们从德国IPK研究所（http://iapg2p.sourceforge.net/modeling/#dataset）中调出大麦的表型成像数据（IPK之前大麦案例分析中已有介绍，大家可以参考延伸阅读），提取植物面积、植物致密性和植物年龄三个参数，对植物体进行了建模。建模过程大致可以分为图像获取与处理、特征分割与提取、离群值（outlier）检测、数值剔除和生物量模型构建。

建模过程（来源：Ming Chen et al., Journal of Integrative Bioinformatics. 2017）

在实际应用上，模型的成功建立不能缺少与实验数值的相关性验证结果，本文作者利用控水处理和正常处理的大麦，更进一步完成了实际鲜重/干重与模型预测生物量相关性验证，r²值在0.53至0.83之间。结果证实了所提出的模型，并能解释大部分观测结果。Model3预测生物量与实际鲜重相关性更好，这个结果也很好解释，因为预测生物量是基于植物非破坏性实验成像基础之上的，与鲜重数据差异会更小。

值得注意的是，在实际中观察到的基于图像的生物质估计的方差差异也很小，这表明他们提出的方法可以用来准确估计数字生物量。

在大家的实验过程中，如若遇到需要对数字生物量进行分析，可以选用下面三种方案：

1. 植株投影面积（侧面单次成像）与实际鲜重做相关性分析；此方法最简单（有文献支持：水稻、大麦等）；

2. 套用上述digital biomass公式，此公式需要对单株进行三次成像（0°、90°和顶部）分析，所得数据可以转换为体积单位，与实际测量的鲜重做相关性分析； 

3. 如果做到干旱/控水处理实验，可以参考上文的Model3，对正常处理和控水处理的植株进行生物量的预测。