高通量表型分析引導(dǎo)結(jié)合遺傳與作物生長的加速育種，這需要準(zhǔn)確估計(jì)葉面積指數(shù) (LAI)。本研究開發(fā)了一種混合方法來訓(xùn)練隨機(jī)森林回歸 (RFR) 模型與輻射傳輸模型生成的合成數(shù)據(jù)集，從而估計(jì)基于無人機(jī)多光譜圖像的 LAI。
使用無人機(jī)平臺(tái)和無人機(jī)平臺(tái)的關(guān)鍵組件進(jìn)行小麥表型試驗(yàn)。照片拍攝于2019年5月31日（播種后16天）上午11點(diǎn)50分。
對(duì)RFR 模型在 (i) 合成數(shù)據(jù)集的子集和 (ii) 來自兩個(gè)現(xiàn)場(chǎng)實(shí)驗(yàn)的觀測(cè)數(shù)據(jù)（即 Exp16、Exp19）上的表現(xiàn)進(jìn)行了評(píng)估。考慮到綜合訓(xùn)練數(shù)據(jù)中參數(shù)范圍和土壤反射率的標(biāo)定良好，RFR 模型可以根據(jù)在野外條件下捕獲的冠層反射率準(zhǔn)確預(yù)測(cè) LAI，但是由于背景效應(yīng)存在 LAI<2 的系統(tǒng)性高估，這可以通過基于植被-背景分類對(duì)原始反射率圖進(jìn)行背景校正來解決。
總體而言，RFR 模型通過 Exp16 的背景校正反射率實(shí)現(xiàn)了準(zhǔn)確的 LAI 預(yù)測(cè)（相關(guān)系數(shù) () 為 0.95，決定系數(shù) () 為 0.90~0.91，均方根誤差 (RMSE) 為 0.36~0.40?m2?m-2，相對(duì)根均方誤差 (RRMSE) 為 25~28%)，而 Exp19 的準(zhǔn)確度較低 (?=0.80~0.83, ?=?0.63~0.69, RMSE 為 0.84~0.86?m2?m-2, RRMSE 為 30~31%)。此外，RFR 模型正確捕獲了觀測(cè)的 LAI 的時(shí)空變化，并在兩個(gè)實(shí)驗(yàn)中確定了不同生長階段和不同處理在基因型和管理措施（即種植密度、灌溉和施肥）方面的變化。
針對(duì)不同生長階段 (a-e)、基因型 (f-o)、植物密度 (p-r) 和其他管理措施 (s-z) 的兩個(gè)田間試驗(yàn)（觀測(cè)LAI<=5），觀測(cè)LAI 與預(yù)測(cè) LAI對(duì)比. “RFR+LCB法”分別使用Mp3s2和Mp3s3模型預(yù)測(cè)Exp16和Exp19的LAI。 在實(shí)驗(yàn)中為每組（例如，DAS =18，密度 = 75）給出了觀測(cè)到的和預(yù)測(cè)的 LAI 之間的 Pearson 相關(guān)系數(shù) ()。 表 S2 總結(jié)了所有統(tǒng)計(jì)指標(biāo)。
所開發(fā)的混合方法可以快速、準(zhǔn)確、無損地對(duì)營養(yǎng)生長過程中的葉面積指數(shù)動(dòng)態(tài)進(jìn)行表型分析，以促進(jìn)包括育種計(jì)劃評(píng)估在內(nèi)的生長速率評(píng)估。
來源：Plant Phenomics.Unsupervised Plot-Scale LAI Phenotyping via UAV-Based Imaging, Modelling, and Machine Learning.Qiaomin Chen ,Bangyou Zheng ,Karine Chenu ,Pengcheng Hu and Scott C. Chapman
https://doi.org/10.34133/2022/9768253
鄂公網(wǎng)安備42018502003245號(hào) 網(wǎng)站地圖
