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）對生態系統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、快速地監測局部地區的水稻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測和管理。這種獨特光譜特征激發了許多研究人員探索開發植被指數（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。考慮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）。基于積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，也展示了模型的穩健性和泛化能力（圖2）。總之，這些方法可以輕松高效地應用于整個水稻生長季節的UAV估算水稻的AGB，具有為大規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、專刊發布會等高質量活動。

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）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。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。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（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（南京農業大學）
排版：趙倩瑩（南京農業大學）
審核：孔敏、王平