基于無人機圖像田間小麥生長均勻度的定量化方法研究

南農(nóng)農(nóng)學院聯(lián)合前沿交叉研究院提出基于無人機圖像田間小麥生長均勻度的定量化方法

小麥作為全球廣泛種植和消費的重要作物，其產(chǎn)量和生物量潛力的評估對于糧食安全和農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義。在農(nóng)業(yè)生產(chǎn)上，有經(jīng)驗的作物栽培學家和育種家一直很重視均勻度這個概念，小麥在田間的均勻度包括出苗均勻度、生長均勻度、冠層/穗層均勻度及成熟均勻度等方面，一般認為小麥均勻度與其產(chǎn)量存在顯著的相關性。然而，均勻度一直以來都是一個較為籠統(tǒng)的概念，存在較強的專家經(jīng)驗性，當前仍缺乏對作物田間生長均勻度的定量分析方法。

為攻克上述問題，南京農(nóng)業(yè)大學農(nóng)學院姜東課題組聯(lián)合前沿交叉研究院二宮正士課題組提出了一種基于無人機成像技術的小麥均勻度監(jiān)測方法，從小麥的生理（SPAD）、形態(tài)結構(LAI和PH)和空間分布（FVC）等多個角度進行了田間小麥生長均勻度的定量化分析與探索。該研究結果表明小麥的籽粒產(chǎn)量和最終生物量與均勻度存在顯著的正相關關系，為小麥產(chǎn)量和生物量的精確無損評估提供了新思路。

2024年6月，Plant Phenomics在線發(fā)表了南京農(nóng)業(yè)大學題為UAV-assisted dynamic monitoring of wheat uniformity toward yield and biomass estimation的研究論文。

研究構建了覆蓋小麥全生育期的包含210個品種的田間小麥高光譜圖像數(shù)據(jù)集，且基于高光譜圖像數(shù)據(jù)集和深度學習算法構建了葉面積指數(shù)（LAI）和葉綠素相對含量（SPAD）的精準預測模型（LAI，R2=0.79；SPAD，R2=0.88）。隨后基于預測模型提取了植被覆蓋度（FVC）、葉面積指數(shù)（LAI）和葉綠素相對含量（SPAD）。同時，利用RGB圖像重構的小麥三維點云提取了株高(PH)。基于以上4個農(nóng)藝參數(shù)，共計算了20個小麥均勻度指數(shù)。從不同農(nóng)學參數(shù)中提取的均勻度指數(shù)變化具有一定的差異。從相同的農(nóng)學參數(shù)中提取的均勻度指數(shù)變化較為相似，各指數(shù)在抽穗期至灌漿中期小麥的均勻度相對穩(wěn)定（如圖1所示）。這種變化與大田中目視判讀的結果較為一致。

圖1 小麥均勻度指數(shù)動態(tài)變化

由于均勻度指數(shù)的變化趨勢相似，因此很難確定哪一個最適合使用。因此，研究對均勻度指數(shù)與產(chǎn)量和生物量之間的相關性進行了分析（圖2）。并分別篩選了4個農(nóng)藝參數(shù)與產(chǎn)量和生物量相關性最高的均勻度指數(shù)（FE, LJ, SJ, PM），其中，開花期（FS）的LJ與產(chǎn)量（r=-0.760）和生物量（-0.801）相關性最高。

圖2 均勻度指數(shù)與產(chǎn)量(A)和生物量(B)的相關性分析

基于篩選到的均勻度指數(shù)和傳統(tǒng)的平均值分別構建了產(chǎn)量和生物量的多元線性模型。驗證結果表明，基于均勻度指數(shù)的產(chǎn)量模型(R2 = 0.62，RMSE = 1.19 Mg/ha)和生物量模型(R2 = 0.80，RMSE = 1.95 Mg/ha)的精度均優(yōu)于基于均值的模型（圖3）。

圖3 產(chǎn)量和生物量估算模型精度。
(A)-(D)是實測值與基于農(nóng)藝參數(shù)平均值的估算值的散點圖。
(E)-(H)是實測值與基于農(nóng)藝參數(shù)均勻度指數(shù)的估算值的散點圖。

此外，該研究還比較了年度間和品種間的小麥均勻度差異（圖4），以及用于均勻度指數(shù)計算的分類參數(shù)和空間分辨率對均勻度指數(shù)的影響。

圖4 播種后147天和播種后155天的小麥LJ值。每個色塊對應田間試驗中的一個小區(qū)，白色區(qū)域為異常生長的地塊。

圖5 分類參數(shù)對熵值類均勻度指數(shù)的影響。(A)和(B)為LAI均勻度指數(shù)與產(chǎn)量和生物量之間的相關性；(C)和(D) SPAD均勻度指數(shù)與產(chǎn)量和生物量之間的相關性；(E)和(F)為PH均勻度指數(shù)與產(chǎn)量和生物量之間的相關性。

圖6 空間分辨率對均勻度指數(shù)的影響。(A)均勻度指數(shù)與產(chǎn)量之間的相關性；(B)均勻度指數(shù)與生物量之間的相關性。

該研究從不同農(nóng)藝性狀角度分析了小麥的均勻度。PH和LAI均勻度指數(shù)主要描述形態(tài)結構的均勻度，F(xiàn)VC均勻度指數(shù)描述水平方向的均勻度，SPAD均勻度指數(shù)描述小麥的生理方面的均勻度。研究結果表明均勻度指數(shù)在小麥產(chǎn)量和生物量估算中具有較大潛力。除此之外，該研究還指出均勻度在諸如長勢監(jiān)測評估、高產(chǎn)品種篩選等方面都具有較好的應用前景。

南京農(nóng)業(yè)大學前沿交叉研究院的在讀博士研究生楊艷東和農(nóng)學院鐘山青年研究員李慶為本論文的第一作者，南京農(nóng)業(yè)大學穆悅老師、姜東教授和日本東京大學的二宮正士教授為通訊作者，南京農(nóng)業(yè)大學已畢業(yè)碩士生李海濤、農(nóng)學院在讀博士研究生王恒通參與了本論文的研究。該研究得到了國家自然科學基金等項目的資助。

作者及團隊介紹
AUTHOR AND TEAM

二宮正士老師，作物表型組學交叉研究中心。日本東京大學名譽教授，曾任亞洲農(nóng)業(yè)信息技術聯(lián)盟主席，日本農(nóng)林水產(chǎn)省農(nóng)業(yè)研究中心上席研究官，農(nóng)林水產(chǎn)省農(nóng)業(yè)IT研究推進負責人，日本國家農(nóng)業(yè)研究機構研究管理監(jiān)等職務，現(xiàn)任日本科學技術振興機構超先端研究總負責人，日本農(nóng)林水產(chǎn)省農(nóng)林水產(chǎn)技術會議會員，Plant Phenomics主編。

研究領域：（1）多平臺的基于圖像的作物表型研究，包括作物生長監(jiān)測，花、果實等器官檢測，以及作物（及果樹）的三維模型構建與分析；（2）田間服務器（Field Server）研究，包括收集圖像，局地氣象數(shù)據(jù)，采樣等；（3）農(nóng)業(yè)大數(shù)據(jù)研究，包括農(nóng)業(yè)大數(shù)據(jù)的構建 (G+E+M+P)和機器學習等技術應用分析。

穆悅老師，作物表型組學交叉研究中心。博士畢業(yè)于中國林業(yè)科學研究院，博士后留學于日本東京大學。

研究領域：（1）果樹冠層結構分析與光合利用研究。構建了基于無人機圖像的快速、精準測量果樹冠層特征的算法，并進一步利用地基激光雷達開展了基于三維模型的果樹冠層結構分析與光截獲模擬。（2）智慧果園的相關應用。完成了基于深度學習的溫室內(nèi)原位果實檢測，構造了基于機械臂和機器視覺技術的水果拾取系統(tǒng)，為下一步開發(fā)果園自動采摘機器人奠定了基礎。

主持國家自然科學基金青年基金“基于三維模型的不同樹形及光照情景下梨樹冠層光分布響應研究”1項，參與日本科學技術振興機構 “利用農(nóng)業(yè)大數(shù)據(jù)發(fā)掘科學新見解” 、日本印度學術振興機構聯(lián)合研究項目 “數(shù)據(jù)科學驅動下的可持續(xù)性農(nóng)業(yè)生產(chǎn)系統(tǒng)的開發(fā)” 等項目。在 Horticulture Research、Sensors、Geomorphology、Agricultural and Forest Meteorology、Pant Phenomics 等雜志發(fā)表SCI論文6篇，申請國內(nèi)發(fā)明專利1項，國際發(fā)明專利2項。

南京農(nóng)業(yè)大學農(nóng)學院小麥生理生態(tài)與生產(chǎn)管理團隊以長江中下游麥區(qū)小麥高產(chǎn)、優(yōu)質高效生產(chǎn)為目標，以技術創(chuàng)新、產(chǎn)品創(chuàng)制及推廣服務為主要途徑，致力于小麥多維度、多尺度表型高通量獲取與分析平臺研發(fā)應用、品質生理生態(tài)與品質調優(yōu)、非生物逆境脅迫記憶與抗逆豐產(chǎn)、小麥資源高效利用機制與安全清潔生產(chǎn)、營養(yǎng)功能食品開發(fā)和利用等領域的研究。

團隊現(xiàn)有固定人員10名，其中教授5名，副教授2名，鐘山青年研究員2名，實驗師1名。獲“CJ學者”講座教授榮譽1人，“杰青”1人，“萬人計劃”科技創(chuàng)新領軍人才1人，省“333工程”高層次人才2人。依托農(nóng)業(yè)部作物生理生態(tài)與生產(chǎn)管理重點實驗室，建設有農(nóng)業(yè)部小麥區(qū)域技術創(chuàng)新中心，建成了設施一流、配備精良、功能齊全的的科研基地和實驗室。

近年來，團隊承擔國家自然科學基金重點項目、面上項目、國家重點研發(fā)計劃、農(nóng)業(yè)部公益性行業(yè)科技專項以及部省科研課題等20余項。累計發(fā)表論文360余篇，其中SCI論文180余篇。授權國家發(fā)明專利20余項、實用新型和軟著50余件；發(fā)布《小麥微課》、《圖說小麥》等多個視頻、專著和教材。團隊成員以主要完成人先后獲國家科技進步二等獎2項、省部科技進步一等獎2項、省科技進步二等獎2項、農(nóng)業(yè)部全國農(nóng)牧漁業(yè)豐收獎一等獎1項、江蘇省農(nóng)業(yè)技術推廣一等獎1項，2項技術入選農(nóng)業(yè)農(nóng)村部糧油生產(chǎn)主推技術，制定地方標準3項。

論文鏈接：
https://doi.org/10.34133/plantphenom‍ics.0191

——推薦閱讀——
Interaction of Genotype, Environment, and Management on Organ-Specific Critical Nitrogen Dilution Curve in Wheat
https://doi.org/10.34133/plantphenomics.0078
Plant Phenomics | 南京農(nóng)業(yè)大學揭示基因型、環(huán)境和管理對小麥器官特異性臨界氮稀釋曲線的影響
SPSI: A Novel Composite Index for Estimating Panicle Number in Winter Wheat before Heading from UAV Multispectral Imagery
‍https://doi.org/10.34133/plantphenomics.0087
Plant Phenomics | SPSI：抽穗前估測冬小麥穗數(shù)的新型復合指數(shù)

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

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2023影響因子為7.6，位于農(nóng)藝學一區(qū)（1/125名），植物科學一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目、中國科技期刊卓越行動計劃二期英文梯隊期刊。

編輯：王平
審核：尹歡、孔敏