抽穗前估測(cè)冬小麥穗數(shù)的新型復(fù)合指數(shù)SPSI的構(gòu)建研究

Plant Phenomics | SPSI：抽穗前估測(cè)冬小麥穗數(shù)的新型復(fù)合指數(shù)

單位面積穗數(shù)（panicle number per unit ground area，PNPA）是產(chǎn)量的3大構(gòu)成因素之一，對(duì)小麥最終產(chǎn)量的貢獻(xiàn)最大。作為重要的產(chǎn)量表型性狀，PNPA信息可以幫助我們更好地評(píng)價(jià)種植密度，提高小麥的產(chǎn)量潛力。傳統(tǒng)的PNPA人工計(jì)數(shù)方法雖準(zhǔn)確但耗時(shí)耗力�，F(xiàn)有表型分析方法則聚焦于利用抽穗后（例如，開花期和灌漿期）RGB影像進(jìn)行可視化的麥穗計(jì)數(shù)，可提高田間測(cè)產(chǎn)效率；然而，基于小麥抽穗前無人機(jī)多光譜影像估算小麥PNPA，可更早評(píng)估籽粒產(chǎn)量潛力和調(diào)控作物生長(zhǎng)以提高最終產(chǎn)量，對(duì)于小麥生產(chǎn)精確管理具有重要價(jià)值。由于分蘗數(shù)在單一時(shí)期與地上部生物量呈線性正相關(guān)，與PNPA呈非線性正相關(guān)，使得小麥PNPA的遙感估算易受光譜飽和的影響。迄今為止，尚未有研究專門關(guān)注PNPA估算中的光譜飽和現(xiàn)象，并建立有效途徑來解決這一問題。而融合光譜和紋理指數(shù)去構(gòu)建復(fù)合指數(shù)，不僅有望通過單個(gè)新特征解決光譜飽和問題，而且有助于更直觀地理解兩類信息各自的貢獻(xiàn)。此外，在作物生長(zhǎng)早期階段，冠層反射率受土壤背景的嚴(yán)重干擾，紋理信息的貢獻(xiàn)也可能受到土壤背景的影響。但是，目前紋理分析在作物監(jiān)測(cè)中的研究忽略了背景效應(yīng)，通過使用綠色像元提取紋理特征的方式是否有助于去除背景影響，還有待深入研究。
 

2023年9月，Plant Phenomics在線發(fā)表了南京農(nóng)業(yè)大學(xué)國(guó)家信息農(nóng)業(yè)工程技術(shù)中心題為SPSI: A Novel Composite Index for Estimating Panicle Number in Winter Wheat before Heading from UAV Multispectral Imagery 的研究論文。
 

該研究分析了背景效應(yīng)對(duì)紋理指數(shù)估算PNPA的影響，并基于綠色像元和相關(guān)系數(shù)篩選出了最優(yōu)的光譜指數(shù)DATT[850,730,675]，確定了對(duì)PNPA敏感的紋理指數(shù)NDTICOR[850,730]和NDTICOR[730,850]。鑒于相關(guān)光譜指數(shù)（如LICI，LAI-insensitive chlorophyll index）的構(gòu)建原理及光譜與紋理信息的差異，通過把兩個(gè)與PNPA呈正相關(guān)或負(fù)相關(guān)的指數(shù)相加以構(gòu)建一個(gè)復(fù)合指數(shù)，可增強(qiáng)復(fù)合指數(shù)與PNPA的關(guān)系。因此，NDTICOR[850,730]被確定為最優(yōu)紋理指數(shù)，并展示出強(qiáng)大的抗飽和能力（圖1D-I）。該研究通過加法整合最優(yōu)光譜與紋理指數(shù)，構(gòu)建了單位面積穗數(shù)敏感的光譜-紋理復(fù)合指數(shù)（spectral-textural PNPA sensitive index，SPSI），明顯提高了PNPA的估算精度（圖1 J-L）。

復(fù)合指數(shù)公式如下：

SPSI=DATT[850,730,675]+NDTICOR[850,730]

圖1. 冬小麥PNPA與DATT[850,730,675]、NDTICOR[850,730]和SPSI在孕穗前不同日期（A ~ I）或孕穗前（J ~ L）的關(guān)系。（A）至（F）是PNPA與DATT[850,730,675]在不同日期的關(guān)系，其中（A）至（C）代表所有樣本，（D）至（F）代表DATT[850,730,675]分別在0.35 ~ 0.45 （D），0.38 ~ 0.48（E）和0.41 ~ 0.51（F）范圍內(nèi)的子集，光譜飽和現(xiàn)象嚴(yán)重；（G）至（I）是上述樣本子集PNPA與NDTICOR[850,730]的關(guān)系，未見光譜飽和現(xiàn)象；（J）至（L）是三個(gè)日期所有樣本PNPA分別與DATT[850,730,675]、NDTICOR[850,730]和SPSI的關(guān)系。顯著性水平：無顯著性，NS；* P < 0.05；* * P < 0.01；* * * P < 0.001。

該研究進(jìn)一步對(duì)不同栽培因子組合導(dǎo)致的5種光譜飽和（光譜值一致但穗數(shù)不同）情景分析發(fā)現(xiàn)，大部分情況下，相較于DATT[850,730,675]（不顯著），NDTICOR[850,730]的加入使SPSI顯著降低了光譜飽和性（R2 > 0.72 , P < 0.05）。在按栽培因子分組的不同樣本子集中，SPSI與PNPA的相關(guān)性（R2 = 0.72 ~ 0.85）普遍強(qiáng)于DATT[850,730,675]（R2 = 0.61 ~ 0.76)，表明PNPA ~ SPSI關(guān)系對(duì)栽培因子的敏感性比PNPA ~ DATT[850,730,675]關(guān)系更低（圖2）。在建模與驗(yàn)證數(shù)據(jù)中，與其他植被指數(shù)相比，DATT[850,730,675]和NDTICOR[850,730]的互補(bǔ)性使SPSI在任一數(shù)據(jù)集中的任一日期都展示出了最高的估算精度。該研究首次揭示了土壤背景對(duì)于紋理特征提取的影響，創(chuàng)建了具有高抗飽和性的光譜-紋理復(fù)合指數(shù)，顯著提升了不同栽培條件下對(duì)PNPA的估測(cè)能力，為利用高分辨率衛(wèi)星影像及時(shí)準(zhǔn)確估測(cè)PNPA和籽粒產(chǎn)量提供重要支撐。
 

圖2 不同栽培條件下PNPA與DATT[850,730,675]（A ~ D）和SPSI（E ~ H）的關(guān)系。（A）至（H）分別表示按氮水平（A和E）、種植密度（B和F）、播期（C和G）和葉型（D和H）分組的情況。黑色線條表示所有數(shù)據(jù)點(diǎn)的擬合線。

該研究由南京農(nóng)業(yè)大學(xué)國(guó)家信息農(nóng)業(yè)工程技術(shù)中心完成。農(nóng)學(xué)院博士研究生吳亞鵬為論文第一作者，程濤教授為通訊作者。該工作得到了國(guó)家自然科學(xué)基金創(chuàng)新研究群體項(xiàng)目（32021004）、中央高�；�本科研業(yè)務(wù)費(fèi)專項(xiàng)資金（XUEKEN2023023）、江蘇省農(nóng)業(yè)科技創(chuàng)新基金（CX(21)1006）和省部共建現(xiàn)代作物生產(chǎn)協(xié)同創(chuàng)新中心（CIC-MCP）等項(xiàng)目與平臺(tái)的資助。

論文鏈接：

‍https://doi.org/10.34133/plantphenomics.0087

——推薦閱讀——

Global Wheat Head Detection Challenges: Winning Models and Application for Head Counting

https://doi.org/10.34133/plantphenomics.0059

Plant Phenomics | 全球小麥穗檢測(cè)挑戰(zhàn):獲勝模型及其在穗計(jì)數(shù)中的應(yīng)用

A Generic Model to Estimate Wheat LAI over Growing Season Regardless of the Soil-Type Background

https://doi/10.34133/plantphenomics.0055

Plant Phenomics | 基于無人機(jī)成像實(shí)現(xiàn)對(duì)田間小麥葉面積指數(shù)的快速精準(zhǔn)估計(jì)（二）

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。

特邀作者：程濤

排版：蘇梓鈺（南京農(nóng)業(yè)大學(xué)）

審核：孔敏、王平