传统的作物表型分析费时费力，效率较低，不能满足作物育种高通量筛选的需要。近年来，无人机及传感器的快速发展为作物育种提供了新方法。在作物育种中，品种间的表型性状差异较小，数码和多光谱图像不足以反映材料间的差异。无人机高光谱图像在捕捉细微特征信息方面具有独特的优势，有望准确估计育种材料间的相似性状。目前，将无人机高光谱图像应用于数百种育种材料的报道很少。

近日，Plant Phenomics在线发表了中国农业大学数字农业研究团队题为The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines的研究论文。

本研究利用连续投影(SPA)和竞争性自适应重加权(CARS)2种变量筛选方法和偏最小二乘(PLS)和随机森林(RF)2种回归模型，分析无人机高光谱图像在小区水平上高通量的估计玉米自交系表型性状的潜力。

研究表明，采用无人机高光谱图像估算玉米地上部生物量(AGB)、叶面积总量(TLA)、SPAD值和千粒重(TWK)具有可行性，并确定了各自的最优估算模型。对于 AGB、TLA 和SPAD, 最优组合是CARS-PLS，而TWK的最优组合是CARS-RF。研究结果对采用无人机高光谱图像在小区水平上估算玉米自交系主要性状具有指导意义和应用价值。

图2 无人机高光谱成像系统

Figure 2: UAV-based hyperspectral imaging system.

图4 各参数与高光谱的相关性(a)及各参数之间的相关性(b)

Figure 4: Correlation diagram between the traits and the hyperspectrum (a) and the correlation diagram among traits (b).

图5 基于不同波段组合的地上部生物量反演比较

Figure 5: Aboveground biomass (AGB) prediction using different band combinations and the PLS or RF model.

图6 基于不同波段组合的叶面积总量反演比较

Figure 6: Total leaf area (TLA) prediction using different band combinations and the PLS or RF model.

图7 基于不同波段组合的SPAD反演比较

Figure 7: SPAD value prediction using different band combinations and the PLS or RF model.

图8 基于不同波段组合的产量反演比较

Figure 8: TWK prediction using different band combinations and the PLS or RF model.

​图9 基于CARS-RF组合的玉米TWK预测结果。不同材料基因型的箱线图(a)和产量水平百分比图(b)

Figure 9: Prediction results of maize TWK based on the optimal combination of the CARS-RF method. Boxplot (a) and percentage chart of the yield levels (b) of different genotypes of materials.

团队简介：

论文第一作者为中国农业大学土地科学与技术学院博士研究生束美艳，论文通讯作者为马韫韬教授，合作者包括中国农业大学的李保国教授、杨小红教授，河南农业大学的汤继华教授，内蒙古生物技术研究院的王瑞利研究员。该研究得到国家重点研发计划项目(2016YFD0300202)、内蒙古科技重大(2019ZD024)、成果转化(2019CG093)和科技厅项目(2020GG00038)的支持。

中国农业大学数字农业研究团队主要研究方向为多源尺度的植物功能-结构-环境互作的基因型/表型研究。包括植物根/冠生长与环境交互的模型研究、植物三维表型与基因型关联分析、基于无人机和多源传感器融合的植物生长监测。

来源：

Shu M, Shen M, Zuo J，et al. The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines. Plant Phenomics. https://doi.org/10.34133/2021/9890745.