Plant Phenomics | 基于無人機激光掃描技術探索行列方向與樹冠形態(tài)對火炬松生長的影響

森林冠層的空間分布和樹木個體的結(jié)構(gòu)受到多種因素的影響，包括資源的可用性、相鄰樹木樹冠之間的競爭以及林冠間隙的存在和大小。樹冠的形態(tài)特征，如體積、表面積、高度和冠底高度，被用來表征樹冠結(jié)構(gòu)，并用于開發(fā)模擬樹木未來生長的幾何模型，包括樹干體積的預測。在森林建模和產(chǎn)量預測中，通常結(jié)合了樹冠大小和競爭度量的測量，但這些方法往往假設樹冠具有簡單的幾何形狀，如對稱的橢圓體，并忽略了林冠間隙的影響。因此，這些模型可能低估了林冠的光可用性，而樹木實際上可能通過不對稱生長和復雜的分枝結(jié)構(gòu)來有效地截獲光線。

2024年10月，Plant Phenomics在線發(fā)表了Virginia Polytechnic Institute and State University題為Evaluating the Influence of Row Orientation and Crown Morphology on Growth of Pinus taeda L. with Drone-Based Airborne Laser Scanning的研究論文。

研究比較了在美國管理的火炬松（Pinus taeda L.）中表現(xiàn)出不同樹冠結(jié)構(gòu)的6個基因型的個體樹冠（ITCs）。無人機激光掃描（DLS）數(shù)據(jù)被分類為ITC對象，研究中提出了計算ITC形狀指標的新方法。樹干的位置是通過基于模型的聚類和基于聚類大小的加權(quán)方法來確定的。研究使用3維alphashapes技術在兩次相隔4年的同一地點的DLS數(shù)據(jù)采集中生成了ITC形狀指標。在多個高度估算了樹冠與樹干的水平距離，并計算了特定方位角的3D體積。研究發(fā)現(xiàn)，樹冠形態(tài)在空間上、時間上以及6個基因型間存在顯著差異。

圖1 研究地點布局圖

首先，研究者們在Reynolds Homestead（RH）進行了實地實驗，該地點位于美國弗吉尼亞州的Piedmont地區(qū)。實驗涉及6個火炬松基因型，每個基因型都有4個重復（區(qū)塊）的種植。這些基因型被設計為在群體內(nèi)具有同質(zhì)性，并確保了不同的樹冠結(jié)構(gòu)。研究地點的地形坡度在2°至15°之間變化。在2017年和2021年，所有樹木的DBH被測量，對于每個區(qū)塊中的25棵樹，還測量了樹頂高度和樹冠水平直徑。這些測量結(jié)果用于與DLS分析得出的樹冠體積進行比較。圖1展示了Reynolds Homestead研究站點內(nèi)安裝的24個實地小區(qū)，以及6個基因型（G1至G6）的位置（圖1）。圖中的冠高模型是從2017年獲取的無人機激光掃描（DLS）數(shù)據(jù)中衍生出來的。

圖2 根據(jù)DLS數(shù)據(jù)分類的單個樹冠點云，2017年和2021年的數(shù)據(jù)空間匹配圖

然后，研究者們使用Vapor35平臺和YellowScan Surveyor Core LiDAR單元在2017年4月獲取了RH站點的DLS數(shù)據(jù)。在2021年7月，使用DJI M600六旋翼平臺和Riegl MiniVux1 LiDAR掃描儀重新飛越了RH站點。預處理和條帶調(diào)整在RiPROCESS軟件中進行。所有預處理和分析都在R軟件中進行。DLS數(shù)據(jù)通過隔離體素濾波器進行預處理，以分類和移除潛在的噪聲點。然后使用基于模型的聚類方法對樹干進行分類，并使用加權(quán)聚類方法基于大小對樹干進行加權(quán)（圖2）。

圖3 楔形計算示例

研究者們使用alphashape 3D網(wǎng)格計算了每個完整的ITC點云，分別為2017年和2021年的兩次數(shù)據(jù)獲取。相同的α值被用于所有的ITCs。alphashape體積和表面積被計算出來。為了確定樹冠生長的主要方向，研究者們在所有ITCs中計算了水平橫截面多邊形，從地面以上1米開始，每0.5米垂直計算一次，直到樹木的總高度。研究者們計算了從樹干中心到樹冠外部的水平距離，對于每個高度，每10°的方位角計算一次，說明了如何通過3D網(wǎng)格細分來評估樹冠體積在不同方位角的變化（圖3）。最后，研究者們使用混合效應模型分析了樹冠體積變化與基因型之間的關系，并評估了不同行向?qū)�樹木大小的影響。研究結(jié)果表明，樹冠體積的變化與基因型顯著相關，且南向的樹冠體積變化對樹干體積變化的影響大于北向。

論文鏈接：
https://doi.org/10.34133/plantphenomics.0264

——推薦閱讀——
High-Throughput Phenotyping of Soybean Biomass: Conventional Trait Estimation and Novel Latent Feature Extraction Using UAV Remote Sensing and Deep Learning Models
https://doi.org/10.34133/plantphenomics.0244
Plant Phenomics | 基于無人機遙感與深度學習模型的大豆生物量高通量表型分析：傳統(tǒng)性狀估算與新型潛在特征提取
Phenotyping of Panicle Number and Shape in Rice Breeding Materials Based on Unmanned Aerial Vehicle Imagery
‍https://doi.org/10.34133/plantphenomics.0265‍
Plant Phenomics | 浙江大學岑海燕教授團隊基于無人機圖像的水稻育種小區(qū)稻穗計數(shù)與穗型分類

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(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》（Plant Phenomics）是由南京農(nóng)業(yè)大學創(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(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結(jié)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。科睿唯安JCR2023影響因子為7.6，位于農(nóng)藝學一區(qū)（1/125名），植物科學一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：章?lián)P（南京農(nóng)業(yè)大學）
編輯排版：王平、張婕（上海交通大學）
審核：尹歡、孔敏