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

單位面積穗數(shù)（panicle number per unit ground area，PNPA）是產量的3大構成因素之一，對小麥最終產量的貢獻最大。作為重要的產量表型性狀，PNPA信息可以幫助我們更好地評價種植密度，提高小麥的產量潛力。傳統(tǒng)的PNPA人工計數(shù)方法雖準確但耗時耗力。現(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影像進行可視化的麥穗計數(shù)，可提高田間測產效率；然而，基于小麥抽穗前無人機多光譜影像估算小麥PNPA，可更早評估籽粒產量潛力和調控作物生長以提高最終產量，對于小麥生產精確管理具有重要價值。由于分蘗數(shù)在單一時期與地上部生物量呈線性正相關，與PNPA呈非線性正相關，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)去構建復合指數(shù)，不僅有望通過單個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。此外，在作物生長早期階段，冠層反射率受土壤背景的嚴重干擾，紋理信息的貢獻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)測中的研究忽略了背景效應，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)表了南京農業(yè)大學國家信息農業(yè)工程技術中心題為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對紋理指數(shù)估算PNPA的影響，并基于綠色像元和相關系數(shù)篩選出了最優(yōu)的光譜指數(shù)DATT[850,730,675]，確定了對PNPA敏感的紋理指數(shù)NDTICOR[850,730]和NDTICOR[730,850]。鑒于相關光譜指數(shù)（如LICI，LAI-insensitive chlorophyll index）的構建原理及光譜與紋理信息的差異，通過把兩個與PNPA呈正相關或負相關的指數(shù)相加以構建一個復合指數(shù)，可增強復合指數(shù)與PNPA的關系。因此，NDTICOR[850,730]被確定為最優(yōu)紋理指數(shù)，并展示出強大的抗飽和能力（圖1D-I）。該研究通過加法整合最優(yōu)光譜與紋理指數(shù)，構建了單位面積穗數(shù)敏感的光譜-紋理復合指數(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）的關系。（A）至（F）是PNPA與DATT[850,730,675]在不同日期的關系，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）范圍內的子集，光譜飽和現(xiàn)象嚴重；（G）至（I）是上述樣本子集PNPA與NDTICOR[850,730]的關系，未見光譜飽和現(xiàn)象；（J）至（L）是三個日期所有樣本PNPA分別與DATT[850,730,675]、NDTICOR[850,730]和SPSI的關系。顯著性水平：無顯著性，NS；* P < 0.05；* * P < 0.01；* * * P < 0.001。

該研究進一步對不同栽培因子組合導致的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的相關性（R2 = 0.72 ~ 0.85）普遍強于DATT[850,730,675]（R2 = 0.61 ~ 0.76)，表明PNPA ~ SPSI關系對栽培因子的敏感性比PNPA ~ DATT[850,730,675]關系更低（圖2）。在建模與驗證數(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-紋理復合指數(shù)，顯著提升了不同栽培條件下對PNPA的估測能力，為利用高分辨率衛(wèi)星影像及時準確估測PNPA和籽粒產量提供重要支撐。
 

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)點的擬合線。

該研究由南京農業(yè)大學國家信息農業(yè)工程技術中心完成。農學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。該工作得到了國家自然科學基金創(chuàng)新研究群體項目（32021004）、中央高校基本科研業(yè)務費專項資金（XUEKEN2023023）、江蘇省農業(yè)科技創(chuàng)新基金（CX(21)1006）和省部共建現(xiàn)代作物生產協(xié)同創(chuàng)新中心（CIC-MCP）等項目與平臺的資助。

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 | 全球小麥穗檢測挑戰(zhàn):獲勝模型及其在穗計數(shù)中的應用

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

https://doi/10.34133/plantphenomics.0055

Plant Phenomics | 基于無人機成像實現(xiàn)對田間小麥葉面積指數(shù)的快速精準估計（二）

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，群內不定期開展作者分享會、專刊發(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

《植物表型組學》（Plant Phenomics）是由南京農業(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CR2022影響因子為6.5，位于農藝學、植物科學、遙感一區(qū)。中科院農藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內容僅供參考，一切內容以英文原版為準。

特邀作者：程濤

排版：蘇梓鈺（南京農業(yè)大學）

審核：孔敏、王平