高通量表型分析已成为将基因与作物生长估算相结合的加速育种前沿，而这就需要准确估算叶面积指数(leaf area index, LAI)。本研究开发了一种混合方法(图1)，利用辐射传输模型生成的合成数据集(处理流程如图3)训练随机森林回归(random forest regression, RFR)模型，以估计基于无人机的多光谱图像(图2)的LAI。

　　在(i)来自合成数据集的子集和(ii)来自两个现场实验(即Exp16、Exp19)的观测数据上评估RFR模型。鉴于参数范围和土壤反射率在合成训练数据中得到了很好的校准(图4)，RFR模型可以根据在野外条件下捕获的冠层反射率准确预测LAI(图5-7)，由于背景效应，LAI<2的系统高估可以通过在基于植被背景分类的原始反射率图上应用背景校正来解决。

　　总体而言，如图5-7，RFR模型对Exp16的背景校正反射率预测精度较高(相关系数(r)为0.95，决定系数(R2)为0.90~0.91，均方根误差(RMSE)为0.36~0.40，相对均方根误差(RRMSE)为25~28%)，对Exp19的预测精度较低(r=0.80~0.83, R2=0.63~0.69, RMSE为0.84~0.86, RRMSE为30~31%)。此外，RFR模型正确地捕获了观测到的LAI的时空变化，并在两个实验中识别了不同生长阶段和处理在基因型和管理措施(即种植密度、灌溉和施肥)方面的变化(图8、9)。开发的混合方法允许在营养生长期间快速、准确、非破坏性的LAI动态表型，以促进生长速度的评估，包括育种计划评估。

　　图1 研究流程图。PROSAIL是一个辐射传输模型，耦合了叶片光学特性模型(PROSPECT-D)和冠层双向反射模型(4SAIL)。PROSAIL使用的输入参数集(p1、p2、p3)和土壤反射率(s1、s2、s3)。使用PROSAIL生成合成数据集，并用于开发随机森林回归(RFR)模型。测试了三种方法，即：(i)“fIPAR方法”，使用比尔-朗伯特定律从截获的光合有效辐射(fIPAR)分数预测LAI，并将消光系数(K)设置为常数(小麦K=0.65);(ii)“RFR方法”，使用在参数范围(p1、p2或p3)和土壤(s1、s2或s3)不同的合成数据集上训练的随机森林回归模型，使用从波段反射率图检索的样地尺度LAI预测LAI;(iii)“RFR+LCB方法”(局部校准背景(Locally Calibrated Background，LCB))，使用随机森林回归模型预测LAI，并使用从背景校正带反射率图中检索的样地尺度LAI。“RFR方法”和“RFR+LCB方法”的应用如图3所示。

　　图2 采用无人机平台和无人机平台的关键部件进行小麦表型试验。照片拍摄于2019年5月31日上午11点50分(播种后16天)。

　　图3 处理图像为随机森林回归(RFR)模型预测LAI提供输入的示意图。这里只选择Exp16 (DAS=18)的三个图的信息来简化说明。紫色矩形表示绘图的全部范围，而内部的红色矩形表示修剪后的绘图的范围。利用两幅原始反射率图(NIR和Red)计算NDVI，基于阈值分类生成植被背景二值图。将二值图作为掩模，将原始反射率图中的背景像元值替换为合成数据中对应的土壤反射率，得到新的反射率图，命名为“背景校正反射率图”。将原始反射率图(“RFR法”)或背景校正反射率图(“RFR+LCB法”)的像素级反射率通过裁剪图(即红色矩形)平均，生成用于RFR模型预测LAI的图尺度反射率。

　　图4 已知LAI与RFR模型对各自理论测试数据集(n=10,000)预测的LAI进行对比。每个模型在PROSAIL生成的合成数据集的独立子集上进行训练和测试，这些子集的参数范围是特定的(p1, p2)和土壤(s1, s2, s3)。已知的LAI对应于用于运行PROSAIL并生成合成数据集的输入LAI值。

　　图5 “RFR”方法对Exp16 (a, b, c, d, e)和Exp19 (f, g, h, i, j)的观测LAI和预测LAI进行对比。在(a, d, f, i)中，同一子图中的两个模型在参数范围不同的合成数据集上训练:红色符号对应较宽的范围(p1)，蓝色符号对应较窄的范围(p2)。在(b, c, g, h)中，同一子图中的两个模型在不同土壤特征的合成数据集上训练:红色符号对应PROSAIL模型的默认土壤(s1)，而蓝色符号对应实验期间测量的土壤(s2, s3)。在(e,j)中，同一子图中的两个模型在LAI范围不同的合成数据集上训练:红色符号对应PROSAIL输入LAI值范围为0- 7 m2 m-2 (p2)，蓝色符号对应PROSAIL输入LAI范围0-5 m2 m-2 (p3)。Exp16有252个数据点(251个数据点LAI≤5)，Exp19有144个数据点(130个数据点LAI≤5)。表3总结了所有的统计指标。

　　图6 观测叶面积指数与预测叶面积指数(a, b)相对，观测叶面积指数与预测残差(c, d)相对。LAI的预测方法有三种，即“fIPAR”方法，通过设置K为常数(这里小麦K=0.65)，利用bill - lambert从植被面积分数预测叶面积指数;方法“RFR”，利用人工合成数据集训练的随机森林回归模型，根据原始反射率预测LAI;方法“RFR+LCB”，采用相同的RFR模型从背景校正反射率预测LAI。“RFR法”和“RFR+LCB法”使用的RFR模型分别为Exp16和Exp19的Mp2s2和Mp2s3。残差是观测LAI减去预测LAI的差值。表3总结了所有的统计指标。

　　图7 两次实验在不同日期的基于UAV的多光谱图像上使用“RFR+LCB方法”反演预测LAI。采用“RFR+LCB法”的RFR模型分别为Exp16和Exp19的Mp2s2和Mp2s3。地图顶部显示的数字表示特定地块在相应日期观测到的LAI。对于每个子图，只有84个(Exp16)和72个(Exp19)小区观察到了LAI，因为这些小区只进行了生物物理测量(参见图S3)。行和列用于确定图在田野中的位置。

　　图8 不同生育期(a-e)、基因型(f-o)、种植密度(p-r)和其他管理措施(s-z)的2个田间观测LAI与预测LAI(观测LAI<=5)对照。“RFR+LCB法”使用Mp3s2和Mp3s3模型分别预测Exp16和Exp19的LAI。给出实验中每组(如DAS=18, Density=75等)观测到的LAI与预测LAI之间的Pearson相关系数(r)。表S2总结了所有统计指标。

　　图9 在不同生育期(a, b)、基因型(c, d)、植物密度(e)和其他管理措施(f, g)的实验数据(观察到的LAI<=5)上，平均观察到LAI(蓝色)和平均预测LAI(红色)。这里，“RFR+LCB法”使用Mp3s2和Mp3s3分别预测Exp16和Exp19的LAI。对于每个组(例如DAS, Density等)，每个条上的数字表示在每次实验中，该组内特定组水平(例如DAS=18, Density=75等)LAI值的平均排名。“rs”表示实验中特定组(如DAS, Density)的平均观测LAI和平均预测LAI之间的等级相关系数。

　　来源：Qiaomin Chen, Bangyou Zheng, Karine Chenu, Pengcheng Hu, and Scott C. Chapman. Unsupervised plot-scale LAI phenotyping via UAV-based imaging, modelling and machine learning. Plant Phenomics, 2022, 9768253.

　　编辑：王春颖