SPSI:一种新的估计穗数的指数——基于无人机多光谱影像的冬小麦抽穗前识别


发布时间:

2023-10-08

来源:

本站

作者:

PhenoTrait

冬小麦抽穗前单位面积穗数( PNPA )的快速准确估测对于评估产量潜力和调控作物生长以提高最终产量至关重要。由于忽略了光谱饱和和背景影响,现有方法利用抽穗前的遥感数据估算PNPA的精度较低,本研究提出了一种基于无人机多光谱影像的光谱-纹理PNPA敏感指数( spectral-textural PNPA sensitive index,SPSI ),以降低冬小麦抽穗前的光谱饱和度,提高PNPA的估算精度,结合背景物质对纹理指数( TI )估算PNPA的影响,并将最优光谱指数( SI )与TI相结合,构建了综合指数SPSI。随后,通过与其他指标( SI和TIs)的比较来评估SPSI的性能。结果表明,在8种纹理特征的所有指数中,除了TI[ HOM ],TI[ ENT ]和TI[ SEM ]外,绿像素TI比全像素TI具有更好的性能,与DATT[ 850,730,675]、TINDRE [ MEA ]和NDTICOR[ 850,730 ]相比,由公式DATT[ 850,730,675]+ NDTICOR[ 850,730 ]计算的SPSI在任何数据集中的任何日期都具有最高的总体精度。对于组装了两个实验数据集的统一模型,Rv2的SPSI值增加了0.11~0.23,RMSE和RRMSE在各日期均比次优指数降低了16.43 %~38.79 %。这些发现表明SPSI在降低光谱饱和的价值,并且利用高分辨率卫星影像可以更好估计PNPA的巨大潜力。

 

图1 不同数据集在抽穗前个别日期的PNPA与SIs线性关系的决定系数(R2 )值,无价值区域的值均小于0.00。在单独的( VE和SE数据集)和合并的数据集中显示了抽穗前不同日期的PNPA~SI关系的R2热图。对于任何一个数据集,9个传统SI中的4个较好的SI在所有日期上与PNPA的关系最密切,即NDRE、CIred-edge、NEI和DATT[ 850730675],此外DATT[ 850730675]在合并数据集上获得了最高的R2值。

 

图2 不同日期冬小麦PNPA与DATT[ 850730675] ( A & C )和TINDRE[MEA]( B & D )的关系,黑色线条表示所有数据点的拟合线条。展示了PNPA与DATT850,730,675]和TINDREMEA]在3月14日和抽穗前部分个体和混合数据集的关系,无论3月14日还是抽穗前期,当应用于合并数据集DATT850,730675]时,各组个体数据集之间均存在明显的分层现象,尤其是高值范围( 图2A和C ),此外,从个别数据集的3月14日部分估算PNPA时,TINDREMEA] ( R2=0.66 ( VE )和0.77 ( SE ),图2B )的R2值与DATT850730675] ( R2= 0.68 ( VE )和0.76 ( SE ),图2A)的R2值相近。然而,TINDREMEA]在应用于混合数据集的3月14日或预抽穗部分时,表现出比DATT850730,675] ( R2 > 0.45,2A & C)更明显的分层( R2< 0.26,图2B & D)

 

图3 R2为PNPA与所有可能波段组合( A-D )的NDTICOR之间的线性关系,以及PNPA与NDTICOR[ 850730 ]( E )和NDTICOR[ 730850 ]( F )之间的关系,灰色网状区域代表无效组合,白色区域代表R2小于0.45的波段组合

 

图4 冬小麦PNPA与DATT[ 850730675]、NDTICOR[ 850730 ]和SPSI在个别日期( A-I )或整个孕穗期( J-L )的关系,A-C为所有样本,D-F为DATT[ 850730675]分别在0.35-0.45 ( D )、0.38-0.48 ( E )和0.41-0.51 ( F )范围内的子集,G-I是对于PNPA样本(点数)分别与D-F中相同的子集,利用DATT[ 850730675]和NDTICOR[ 850730 ]推导SPSI

 

图5 5种情景下冬小麦PNPA与DATT[ 850730675] ( A-E )和SPSI ( F-J )的关系。2021年3月14日,SCE # 1代表场景# 1,其中N水平和播期一致,但V9 ( A & F )的密度不同;SCE # 2代表情景# 2,其中N水平、播期、密度和叶型一致,但品种不同( B & G );SCE # 3代表情景# 3,其中N水平、播期和叶型一致,但密度和品种不同( C & H );SCE # 4代表情景# 4,其中N水平、播期和密度一致,但叶型和品种不同( D & I );SCE # 5代表情景# 5,其中N水平和播期一致,但密度、叶型和品种不同( E & J)

 

图6 不同实验条件下PNPA与DATT[ 850730675] ( A-D )和SPSI ( E-H )的关系,A ~ H分别为氮水平( A & E)、种植密度( B & F)、播期( C & G)和叶型( D & H)的数据分析,黑色线条表示所有数据点的拟合线条

 

 
来 源

Yapeng Wu,Wenhui Wang,Yangyang Gu, et al. SPSI: A Novel Composite Index for Estimating Panicle Number in Winter Wheat Before Heading from UAV Multispectral Imagery. Plant Phenomics. 0;DOI:10.34133/plantphenomics.0087

 

编辑

王瑞丹

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。