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（二）
发表时间：2023-08-03 09:50:01点击：563
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。然而，土壤属性的空间变异，植被的季节性衰老，降水和灌溉对土壤含水量的改变等问题都会导致土壤背景的变化，这在一定程度上提高了基于影像估算叶面积指数方法的实际应用难度。针对之前提出的能够在单一土壤背景下实现对开花期前叶面积指数进行准确估算的模型进行改进，本文发展了一种实现在不同土壤背景下进行田间小麦全生育期叶面积指数估算的通用模型（下图展示了本文的研究框架）。
2023年5月，Plant Phenomics在线发表了昆士兰大学题为A Generic Model to Estimate Wheat LAI over Growing Season Regardless of the Soil-Type Background 的研究论文。
在本文中，以之前发展的预测模型为基准，作者评价了两种策略对提升模型在不同土壤背景下的泛化能力的影响。第一种策略是扩展训练集中土壤反射率的值域，这种策略理论上可以提高训练集样本的多样性，有利于发展更稳健的模型。第二种策略是优化用作预测模型输入的冠层光谱指标，这种策略本质上是通过提取不同土壤背景下与叶面积指数相关的共同特征来减少模型对土壤背景变化的敏感性。在独立模拟数据集上的验证表明了这两种策略的有效性，同时采用了这两种策略的优化模型可以在未知的不同土壤背景下对叶面积估算达到相同精度。此外，在两年的实验数据集上的验证显示该优化模型可以在小麦不同生长期实现对叶面积指数的稳定估算（针对早期稀疏冠层依然有效），估算结果反映了叶面积指数的季节性变化模式以及水氮差异对叶面积指数的影响。这些验证结果充分证明了该模型在不同土壤背景下对小麦叶面积指数估算的准确性，稳定性和通用性，展示了该模型实现对田间小麦叶面积指数动态模拟的应用前景。经过合适的调整，该方法框架可以被应用于发展类似模型实现利用不同平台和传感器对其它目标植物特征的估算。
作者介绍
陈巧敏（一作兼通讯），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田间作物生长特征的动态模拟预测。
Prof. Scott Chapman（通讯）目前供职于昆士兰大学（UQ），是School of Agriculture and Food Sustainability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，谷歌引用量超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，包括澳洲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：
http://doi/10.34133/plantphenomics.0055
——推荐阅读——
Unsupervised Plot-Scale LAI Phenotyping via UAV-Based Imaging, Modelling, and Machine Learning
http://doi.org/10.34133/2022/9768253
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
Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images
http://doi.org/10.34133/plantphenomics.0020
Plant Phenomics | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法
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JCR2022影响因子为6.5，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
排版：张婕（南京农业大学）
审核：孔敏、王平
