灌溉管理中的生殖阶段优势:利用无人机光谱验证基于田间冠层结构预测的大豆产量-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

灌溉管理中的生殖阶段优势:利用无人机光谱验证基于田间冠层结构预测的大豆产量

发布时间：

2025-12-08

来源：

作者：

提高作物产量预测的准确性对于精准农业，尤其是灌溉管理至关重要。基于无人机(UAV)的多光谱成像因其高时空分辨率和成本效益已成为作物表型分析的关键工具。本研究在中国西北地区连续两个生长季(2021-2022)进行田间试验，结合不同覆膜措施和补充灌溉处理，系统分析大豆产量对不同生育时期测量的各种生理指标的敏感性。

结果表明，盛荚期(R4)是最敏感的产量预测时期。在此阶段，冠层覆盖度(CC)和叶绿素含量达到峰值。从无人机图像中提取的大多数植被指数(VIs)、纹理特征(TFs)和纹理指数(TIs)与最终种子产量显著相关(P<0.05)。其中，比率质构指数(RTI)与产量的相关性最强(R=0.69)。另外，作者构建了一个结合VIs、TFs和TIs的三源数据融合框架，并采用XGBoost算法优化特征权重。该集成模型在R4阶段达到最佳性能，在验证集上的决定系数R=0.83，均方根误差(RMSE)=280.80 kg ha⁻¹，平均相对误差(MRE)=6.32%。与仅基于光谱(R²=0.63)的模型相比，多源XGBoost模型将R²提高了31.7%，并将误差指标(RMSE)减少了17.5%。

本研究基于两年覆膜补灌大豆田间试验，综合地面观测生理指标和无人机多光谱参数，系统阐明了大豆产量形成的关键时期及其遥感表征机制，为干旱地区精准田间管理提供了理论依据，也为农作物产量遥感监测提供了技术框架。

图1. 本研究技术路线

图2. 四个生育阶段生理指标对产量的偏最小二乘贡献率分析

图3. R4阶段植被指数与冠层覆盖率的相关系数

图4 R4阶段纹理特征与冠层覆盖率的相关系数

图5. 大豆产量建模集和验证集的统计特征

图6. 利用单变量/多变量机器学习模型建立产量估测模型的验证集结果

图7. 大豆R4期，以VI+TF+TI为输入，使用XGBoost模型与实测值相比估计大豆产量

表1. 大豆不同生育期植被指数与籽粒产量的相关系数分析

表2.大豆不同生育时期纹理特征与产量的相关系数分析

表3.大豆不同生育时期纹理指数与产量的相关系数分析

来源

Z Tang, Xiang Y, Lu J et al. Reproductive stage superiority in irrigation scheduling: UAV spectral mechanisms validated by field canopy architecture for soybean yield prediction, Field Crops Research，336（2026）,ISSN 0378-4290, https://doi.org/10.1016/j.fcr.2025.110230.

编辑

JAYz

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示