Plant Phenomics | 使用無人機(jī)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(xiàn)，并且是估算作物產(chǎn)量的最重要指標(biāo)之一。有效、準(zhǔn)確、快速地監(jiān)測局部地區(qū)的水稻AGB，可以為農(nóng)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(fèi)時(shí)間。利用遙感技術(shù)，特別是利用無人機(jī)（UAV）估算植被AGB，可以實(shí)現(xiàn)及時(shí)、無損的作物狀況評估，已廣泛應(yīng)用于大面積長時(shí)間序列的作物監(jiān)測和管理。這種獨(dú)特光譜特征激發(fā)了許多研究人員探索開發(fā)植被指數(shù)（VIs）和使用遙感圖像進(jìn)行植被的定量估算。然而，VI與生物量之間的關(guān)系是非線性的，當(dāng)生物量較高時(shí)，VI往往會飽和。機(jī)器學(xué)習(xí)方法和深度卷積神經(jīng)網(wǎng)絡(luò)在估算作物地上生物量（AGB）時(shí)可以很好地處理復(fù)雜和非線性數(shù)據(jù)。然而，這些模型復(fù)雜，需要許多參數(shù)和高計(jì)算成本，使它們難以應(yīng)用。除了光譜信息，冠層結(jié)構(gòu)參數(shù)，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(shù)已經(jīng)培育出了具有不同物候周期的數(shù)百個(gè)水稻品種。關(guān)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(xué)題為 Estimation of Rice Aboveground Biomass by UAV Imagery with Photosynthetic Accumulation Models 的研究論文。考慮到使用單一指標(biāo)如植被指數(shù)（VI）和高度來估算整個(gè)生長季節(jié)的水稻生物量的現(xiàn)有估算方法的不足，本研究提出了一個(gè)新的累積模型，通過集成從無人機(jī)圖像估算的VI和冠層高度，以提高整個(gè)生長季節(jié)的生物量估算的通用性和準(zhǔn)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(jié)合高度和VI準(zhǔn)確估算LAI，(b)開發(fā)一個(gè)光合積累模型（PAM）來準(zhǔn)確估算水稻的地上生物量（AGB），(c)提出一個(gè)簡化的光合積累模型（SPAM），同時(shí)確保水稻生物量估算的精確性，(d)測試這兩個(gè)模型在不同年份獲得的數(shù)據(jù)上的可遷移性，比較不同方法在預(yù)測AGB方面的性能，并為它們在不同需求下的應(yīng)用提供建議。三次試驗(yàn)均采用2018年陵水和2019年鄂州實(shí)驗(yàn)采集的數(shù)據(jù)進(jìn)行建模，2022年華山實(shí)驗(yàn)作為驗(yàn)證集進(jìn)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(shè)置了一個(gè)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(gè)實(shí)驗(yàn)的數(shù)據(jù)列表

結(jié)果表明，水稻整個(gè)生長季節(jié)的VI與AGB之間的相關(guān)性較弱，高度模型的準(zhǔn)確性也在整個(gè)生長季節(jié)中受到限制（圖1）。與2019年數(shù)據(jù)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(jì)算的PAM可以更好地估算水稻的AGB（R²= 0.95，RMSE = 136.81 g/m²）。基于積累模型的時(shí)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(shí)現(xiàn)R2大于0.8。使用兩年樣本建立的PAM和SPAM模型成功預(yù)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）。總之，這些方法可以輕松高效地應(yīng)用于整個(gè)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(wù)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(jì)算了整個(gè)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(yù)測的2022年和2019年樣本的地上生物量實(shí)測值與預(yù)測值( g / m² )。紅色虛線表示預(yù)期的1：1關(guān)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(jī)成像實(shí)現(xiàn)對田間小麥葉面積指數(shù)的快速精準(zhǔn)估計(jì)（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(xué)習(xí)的地面RGB圖像即時(shí)與全方位水稻產(chǎn)量估計(jì)

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質(zhì)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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)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(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)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(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：王慧敏（南京農(nóng)業(yè)大學(xué)）
排版：趙倩瑩（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平