品质至上，客户至上，您的满意就是我们的目标
技术文章
当前位置: 首页 > 技术文章
Plant Phenomics | 基于无人机成像实现对田间小麦叶面积指数的快速精准估计
发表时间：2022-07-29 15:47:30点击：1044
来源：植物表型组学
分享：
叶面积指数（LAI）是指示作物长势和影响作物生长和发展的关键作物特征。大田条件下LAI的快速和精准测量，有助于实现作物生长的精准调控，也有助于加快育种进程。
近日，Plant Phenomics在线发表了昆士兰大学题为Unsupervised Plot-Scale LAI Phenotyping via UAV-Based Imaging, Modelling, and Machine Learning的研究论文。
本文基于混合方法理论发展了一个预测模型，用以实现从无人机多光谱成像捕获的冠层反射率中对不同生长条件下小麦的LAI进行快速精准估计的目的。这个模型基于随机森林回归（RFR）算法建立，在经过辐射传输模型生成的模拟数据集上训练得到。这就使得该模拟在实际应用中的估计精度，极大地取决于模拟光谱数据和实测光谱数据的相似性，因此本文通过土壤反射率校准和光谱影像背景校正来提高模拟和实测光谱数据的相似性（图1）。
图1 研究流程图
在本文中，作者提出了一种从无人机多光谱影像确定实际土壤反射率的方法。结合无人机影像中土壤像素的反射率取值和辐射传输模型中默认的标准土壤反射率，该方法可以模拟出接近实际情况的400-2500nm范围内的土壤反射率。在利用辐射传输模型生成模拟数据集用于训练RFR模型时，利用校准土壤反射率替代标准土壤反射率，可以使得模拟光谱数据更接近实测光谱数据。此外，作者还提出了一种影像背景校正方法来使得实测光谱数据更接近模拟光谱数据。基于NDVI阈值分类法可以得到植被和背景的二分类图，从而确定各波段影像中背景像素的位置，通过将背景像素原本的反射率替换成用于生成模拟数据时所用的土壤反射率可以实现影像背景校正。研究结果发现，模拟数据的土壤反射率校准和光谱影像的背景校正可以有效提高RFR模型在稀疏冠层下对LAI的估计精度。由于本文提出的LAI估计方法可以在生长季前被提前确定，同时训练好的模型可以实现从单一的多光谱数据源中对LAI的快速精准估计，因此展示了该方法对生长季早期LAI动态模拟预测的潜在能力。
作者介绍
第一作者兼通讯作者：
陈巧敏，博士研究生，目前就读于昆士兰大学，师从Prof. Scott Chapman、Dr. Bangyou Zheng和Dr. Karine Chenu，研究方向为作物模拟和表型分析，重点关注如何通过多模型耦合、机器学习和光谱成像等技术的集成来实现对作物生长特征的动态模拟预测。
通讯作者：
Prof. Scott Chapman，目前供职于昆士兰大学（UQ），是SAFS学院的教授，同时是QAAFI的客座教授；在2020年全职受聘于UQ之前，Prof. Scott Chapman从1996年开始在CSIRO从事育种相关研究二十余年。他在小麦、高粱、向日葵和甘蔗方面领导了许多影响当地和全球公共和私人育种项目的研究项目，是率先将无人机技术应用于育种项目进行植物模拟的研究者之一。根据ESI统计，他是植物、动物和农业领域引用排名前1%的作者，谷歌引用量近2万。他领导的研究团队，广泛与世界各地科学家合作开展研究，包括澳大利亚CSIRO和阿德莱德大学、美国普渡大学、法国INRA、日本东京大学等。
论文链接：
https://doi.org/10.34133/2022/9768253
——推荐阅读——
Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones
https://doi.org/10.34133/2020/3729715
Plant Phenomics | 使用无人机多视角成像技术估算小麦幼苗分蘖数
Canopy Roughness: A New Phenotypic Trait to Estimate Aboveground Biomass from Unmanned Aerial System
https://doi.org/10.34133/2020/6735967
Plant Phenomics | 冠层粗糙度：一种用于无人机航测估算地上生物量的新表型性状
加入作者交流群
扫码添加小编微信，拉您进入《植物表型组学》作者交流群，群内不定期开展作者分享会、专刊发布会等高质量活动。
添加小编微信，备注姓名+单位+PP，加入作者交流群
About Plant Phenomics
《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2021影响因子为6.961，位于农艺学、植物科学，遥感一区。中科院农艺学、植物科学一区，遥感二区，生物大类一区（TOP期刊）。2020年入选中国科技期刊卓越行动计划高起点新刊项目。
说明：本文由《植物表型组学》编辑部负责组稿。
中文内容仅供参考，一切内容以英文原版为准。
特邀作者：陈巧敏
编辑：张威（实习）
审核：孔敏、王平
