欧亚国际

单位面积穗数（panicle number per unit ground area，PNPA）是产量的3大构成因素之一，对小麦最终产量的贡献最大。作为重要的产量表型性状，PNPA信息可以帮助我们更好地评价种植密度，提高小麦的产量潜力。传统的PNPA人工计数方法虽准确但耗时耗力。现有表型分析方法则聚焦于利用抽穗后（例如，开花期和灌浆期）RGB影像进行可视化的麦穗计数，可提高田间测产效率；然而，基于小麦抽穗前无人机多光谱影像估算小麦PNPA，可更早评估籽粒产量潜力和调控作物生长以提高最终产量，对于小麦生产精确管理具有重要价值。由于分蘖数在单一时期与地上部生物量呈线性正相关，与PNPA呈非线性正相关，使得小麦PNPA的遥感估算易受光谱饱和的影响。迄今为止，尚未有研究专门关注PNPA估算中的光谱饱和现象，并建立有效途径来解决这一问题。而融合光谱和纹理指数去构建复合指数，不仅有望通过单个新特征解决光谱饱和问题，而且有助于更直观地理解两类信息各自的贡献。此外，在作物生长早期阶段，冠层反射率受土壤背景的严重干扰，纹理信息的贡献也可能受到土壤背景的影响。但是，目前纹理分析在作物监测中的研究忽略了背景效应，通过使用绿色像元提取纹理特征的方式是否有助于去除背景影响，还有待深入研究。

2023年9月，Plant Phenomics在线发表了南京农业大学国家信息农业工程技术中心题为SPSI: A Novel Composite Index for Estimating Panicle Number in Winter Wheat before Heading from UAV Multispectral Imagery 的研究论文。

该研究分析了背景效应对纹理指数估算PNPA的影响，并基于绿色像元和相关系数筛选出了最优的光谱指数DATT[850,730,675]，确定了对PNPA敏感的纹理指数NDTICOR[850,730]和NDTICOR[730,850]。鉴于相关光谱指数（如LICI，LAI-insensitive chlorophyll index）的构建原理及光谱与纹理信息的差异，通过把两个与PNPA呈正相关或负相关的指数相加以构建一个复合指数，可增强复合指数与PNPA的关系。因此，NDTICOR[850,730]被确定为最优纹理指数，并展示出强大的抗饱和能力（图1D-I）。该研究通过加法整合最优光谱与纹理指数，构建了单位面积穗数敏感的光谱-纹理复合指数（spectral-textural PNPA sensitive index，SPSI），明显提高了PNPA的估算精度（图1 J-L）。

复合指数公式如下：

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

图1. 冬小麦PNPA与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）的关系。（A）至（F）是PNPA与DATT[850,730,675]在不同日期的关系，其中（A）至（C）代表所有样本，（D）至（F）代表DATT[850,730,675]分别在0.35 ~ 0.45 （D），0.38 ~ 0.48（E）和0.41 ~ 0.51（F）范围内的子集，光谱饱和现象严重；（G）至（I）是上述样本子集PNPA与NDTICOR[850,730]的关系，未见光谱饱和现象；（J）至（L）是三个日期所有样本PNPA分别与DATT[850,730,675]、NDTICOR[850,730]和SPSI的关系。显著性水平：无显著性，NS；* P < 0.05；* * P < 0.01；* * * P < 0.001。

该研究进一步对不同栽培因子组合导致的5种光谱饱和（光谱值一致但穗数不同）情景分析发现，大部分情况下，相较于DATT[850,730,675]（不显著），NDTICOR[850,730]的加入使SPSI显著降低了光谱饱和性（R2 > 0.72 , P < 0.05）。在按栽培因子分组的不同样本子集中，SPSI与PNPA的相关性（R2 = 0.72 ~ 0.85）普遍强于DATT[850,730,675]（R2 = 0.61 ~ 0.76)，表明PNPA ~ SPSI关系对栽培因子的敏感性比PNPA ~ DATT[850,730,675]关系更低（图2）。在建模与验证数据中，与其他植被指数相比，DATT[850,730,675]和NDTICOR[850,730]的互补性使SPSI在任一数据集中的任一日期都展示出了最高的估算精度。该研究首次揭示了土壤背景对于纹理特征提取的影响，创建了具有高抗饱和性的光谱-纹理复合指数，显著提升了不同栽培条件下对PNPA的估测能力，为利用高分辨率卫星影像及时准确估测PNPA和籽粒产量提供重要支撑。

图2 不同栽培条件下PNPA与DATT[850,730,675]（A ~ D）和SPSI（E ~ H）的关系。（A）至（H）分别表示按氮水平（A和E）、种植密度（B和F）、播期（C和G）和叶型（D和H）分组的情况。黑色线条表示所有数据点的拟合线。

该研究由南京农业大学国家信息农业工程技术中心完成。农学院博士研究生吴亚鹏为论文第一作者，程涛教授为通讯作者。该工作得到了国家自然科学基金创新研究群体项目（32021004）、中央高校基本科研业务费专项资金（XUEKEN2023023）、江苏省农业科技创新基金（CX(21)1006）和省部共建现代作物生产协同创新中心（CIC-MCP）等项目与平台的资助。

论文链接：

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

——推荐阅读——

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

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

Plant Phenomics | 全球小麦穗检测挑战:获胜模型及其在穗计数中的应用

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

http://doi/10.34133/plantphenomics.0055

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）

加入作者交流群