小麦性状的准确表型分析对于推进育种计划和作物科学研究至关重要。本研究采用萨斯喀彻温大学田间表型分析系统（UFPS），一种无人地面车辆（UGV），在2023年和2024年的野外季节，在六个加拿大研究站上探索基于激光雷达的春小麦株高和倒伏评估。采用随机完全区组设计（RCBD），共种植了30个历史小麦品种的90块地块，并在关键生长阶段收集了激光雷达数据。评估了四种方法--高度分布矢量、俯视投影、正投影和体素化空间网格--用于高度和倒伏分类。对于株高，高射投影（95.98%）和正交投影（96.05%）提供了最高的精度，RMSE和MAPE分别为3.7cm和3.55%。体素化的空间网格和高度分布矢量方法表现出较低的性能，R²为88.15%和84.37%。对于倒伏，高射投影达到了0.97的二次加权Kappa（QWK）和98.51%的Macro-F1（MF 1），特别是在2级和3级场景中。体素化的空间网格表现良好，而高度分布向量和正交投影落后于更多的类。这些结果建立了高射投影作为春小麦高通量表型分析的稳健方法。

图1   Lethbridge, AB试验场地。

图2  UFPS(萨斯喀彻温大学田间表型分析系统)及其RTK基站设置和有效载荷安装。

图3  用于小麦表型分析的激光雷达数据处理和分析流程概述。

图4  地块林冠的激光雷达点云表示。a.高度分布矢量; b.顶视图; c.侧视图;和d.前视图。高射投影表示是顶视图。正交投影表示包括顶视图、侧视图和前视图。

图5  点云以体素化空间网格表示。

图6  实测高度（a）和倒伏严重程度评分（b）的分布。

图7  皮尔逊相关分析和多项式回归模型性能。（a）不同顶部部分的LiDAR推导高度和测量植物高度之间的PCC;（b）不同百分位数的LiDAR推导高度和测量植物高度之间的PCC;以及（c）不同程度的多项式回归模型预测植物高度的R²值。

图8  冠层的体素化空间网格表示。a.使用反距离加权（IWK）插值（稀疏度- 99.12%）; b.使用IWK和垂直填充（稀疏度- 70.39%）。

图9  用于株高预测的LiDAR数据处理方法的比较。左图显示2D3x方法获得了最高的R²
值，而右图显示它也具有最低的RMSE。

图10  性能最佳模型的性能比较，通过每种方法的实测株高与预测株高的散点图来说明：（a）1D，（b）2D1x，（c）2D3x和（d）3D表示。

图11  使用LiDAR数据进行住宿分类的渐进式微调迭代的训练和验证准确性（%）。每次迭代都引入了额外的复杂性，突出了在中等分类复杂性下准确性和泛化之间的最佳平衡。

图12  利用Macro-F1（a）和二次加权kappa（B）度量进行倒伏严重度预测的LiDAR数据处理方法的比较。

图13  通过混淆矩阵对2类、3类和5类小区分类任务进行的性能比较，显示了不同方法的最佳模型：（a）1D、（B）2D1×、（c）2D3×和（d）3D表示。对角线值表示正确的预测，而非对角线值表示严重性级别之间的错误分类。