使用無人機圖像和光合積累模型估算水稻地上生物量
Plant Phenomics | 使用無人機圖像和光合積累模型估算水稻地上生物量
地上生物量（AGB）對生態(tài)系統(tǒng)的碳庫起著重要的貢獻，并且是估算作物產量的最重要指標之一。有效、準確、快速地監(jiān)測局部地區(qū)的水稻AGB，可以為農作物育種材料的高通量篩選提供決策支持。直接法通常通過人工采樣和稱重植物來獲取AGB，這會對植被造成損害，需要大量的勞動力，并且浪費時間。利用遙感技術，特別是利用無人機（UAV）估算植被AGB，可以實現及時、無損的作物狀況評估，已廣泛應用于大面積長時間序列的作物監(jiān)測和管理。這種獨特光譜特征激發(fā)了許多研究人員探索開發(fā)植被指數（VIs）和使用遙感圖像進行植被的定量估算。然而，VI與生物量之間的關系是非線性的，當生物量較高時，VI往往會飽和。機器學習方法和深度卷積神經網絡在估算作物地上生物量（AGB）時可以很好地處理復雜和非線性數據。然而，這些模型復雜，需要許多參數和高計算成本，使它們難以應用。除了光譜信息，冠層結構參數，如冠層高度，通常用于估算作物地上生物量（AGB）。近年來，育種技術已經培育出了具有不同物候周期的數百個水稻品種。關于冠層高度是否仍然有效用于估算多品種水稻的AGB，存在不確定性。
2023年5月，Plant Phenomics在線發(fā)表了武漢大學題為 Estimation of Rice Aboveground Biomass by UAV Imagery with Photosynthetic Accumulation Models 的研究論文�？紤]到使用單一指標如植被指數（VI）和高度來估算整個生長季節(jié)的水稻生物量的現有估算方法的不足，本研究提出了一個新的累積模型，通過集成從無人機圖像估算的VI和冠層高度，以提高整個生長季節(jié)的生物量估算的通用性和準確性。
本研究的主要目的如下：(a)建立水稻的垂直分布模型，通過結合高度和VI準確估算LAI，(b)開發(fā)一個光合積累模型（PAM）來準確估算水稻的地上生物量（AGB），(c)提出一個簡化的光合積累模型（SPAM），同時確保水稻生物量估算的精確性，(d)測試這兩個模型在不同年份獲得的數據上的可遷移性，比較不同方法在預測AGB方面的性能，并為它們在不同需求下的應用提供建議。三次試驗均采用2018年陵水和2019年鄂州實驗采集的數據進行建模，2022年華山實驗作為驗證集進行模型遷移（表1）。為了更全面地測試模型，2022年在華山專門設置了一個粳稻品種，以測試本研究模型的可推廣性和魯棒性。
表1 三個實驗的數據列表
結果表明，水稻整個生長季節(jié)的VI與AGB之間的相關性較弱，高度模型的準確性也在整個生長季節(jié)中受到限制（圖1）。與2019年數據中基于NDVI的水稻AGB估算模型（R²= 0.03，RMSE = 603.33 g/m²）和冠層高度（R²= 0.79，RMSE = 283.33 g/m²）相比，由NDVI和冠層高度計算的PAM可以更好地估算水稻的AGB（R²= 0.95，RMSE = 136.81 g/m²）�；诜e累模型的時間序列分析，提出了一種簡化的光合積累模型（SPAM），它只需要有限的觀測值即可實現R2大于0.8。使用兩年樣本建立的PAM和SPAM模型成功預測了第三年的樣本，也展示了模型的穩(wěn)健性和泛化能力（圖2）�？傊@些方法可以輕松高效地應用于整個水稻生長季節(jié)的UAV估算水稻的AGB，具有為大規(guī)模田間管理和育種提供服務的巨大潛力。
圖1基于2018年陵水和2019年鄂州的VI模型、高度模型、PAM和SPAM計算了整個生長季AGB估算的A ) R²和( B ) RMSE。
圖2 基于( A ) EVI2模型、( B )高度模型、( C ) GNDVI的PAM、( D ) GNDVI的SPAM、( E ) NDVI的PAM、( F ) NDVI的SPAM建立的模型預測的2022年和2019年樣本的地上生物量實測值與預測值( g / m² )。紅色虛線表示預期的1：1關系。
論文鏈接：
https://spj.science.org/doi/10.34133/plantphenomics.0056
——推薦閱讀——
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對田間小麥葉面積指數的快速精準估計（二）
Deep learning enables instant and versatile estimation of rice yield using ground-based RGB images
https://doi.org/10.34133/plantphenomics.0073
Plant Phenomics | 基于深度學習的地面RGB圖像即時與全方位水稻產量估計
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、�？l(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、數據集和觀點。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等數據庫收錄�？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。
撰稿：王慧敏（南京農業(yè)大學）
排版：趙倩瑩（南京農業(yè)大學）
審核：孔敏、王平
