谷物种植密度是农业中的重要农艺性状，植株密度的高通量获取与评估对于精确作业与育种决策具有重要作用。它影响到田间水分和施肥需求、种内竞争以及杂草或者病虫害的发生。最近有研究利用机器学习方法结合特征提取来评估田间植株密度，但此类方法往往需要获取高空间分辨率(比如0.02cm)图像，若图像空间分辨率较低，评估准确性会明显下降。在本研究中，我们利用现场手动计算植株密度结合无人机搭载RGB和多光谱相机获取的数据得出部分覆盖率间的线性关系。我们假设在幼苗阶段，覆盖率与植株数量密切相关，设置了三种基因型和四种不同播种密度的春大麦和春小麦试验。所提出方法的实用性和重复性通过42个冬小麦基因型组成的独立试验进行验证。该试验主要因基因型、播种密度和季节不同而异。

图1 由具有三种基因型和四种播种密度组成的试验田1和2，每个品种的叶片排列不同;试验田1：春大麦(a);试验田2：春小麦(b);大麦植株(c)，主要直立叶排列;小麦植株(d)，主要平叶排列。

　　利用地面采样间隔(GSD)为0.69cm的多光谱图像建立的经验回归模型能够预测大麦和小麦的种植密度，具有较高的预测精度(预测相关系数R2>0.91，平均绝对误差(MAE)<28株)。另外，对于GSD=1.4cm的多光谱图像或GSD=0.6cm的RGB图像数据预测的MAE<35株(每平方米)。根据国际上描述作物生长状态通用的标准方法，在本文中BBCH 13被确定为作物理想的生长阶段，该阶段作物植株足够大，在较低GSD的情况下也能准确的确定覆盖率。为了验证开发的模型在不同条件下的稳定性，将预测模型应用于独立的试验区域，无人机评估的植株覆盖率预测精度为0.83，MAE<21株(每平方米)。此外，还对11个随机选择的田块的植株覆盖率也进行了独立验证，预测精度R2=0.83，MAE<28株(每平方米)。

　　图2 随机区组设计(a)，粉红色区域标记是为了数据处理时选择感兴趣区(ROI);根据BBCH，划分的植物叶片生长发育主要阶段(b)。

　　该方法和无人机图像数据的使用使得谷物植株密度的高通量表型评价不确定性低于10%，并通过独立试验证明了所开发方法的实用性、可重复性和稳定性。

　　　　图3 a无人机拍摄的RGB图像;b为在ROI内计算超绿超红差分指数(ExGR)的图像;c为采用EXGR与阈值分割算法后ROI图像

　　图4 a对于BBCH 13的大麦(a~d)和小麦(e~h)植株密度手动计数与UAV估计间的不同植被指数(超绿超红差分指数、归一化植被指数)与不同GSD的线性回归。

　　图5用于验证模型实用性和可重复性的的线性回归;将经验回归模型由试验田2转移到试验田3(a);63个验证样本(b);32个验证样本(c);11个验证样本(d);8个验证样本(e);5个验证样本(f)。

　　来源: Wilke N, Siegmann B, Postma J A, et al. Assessment of plant density for barley and wheat using UAV multispectral imagery for high-throughput field phenotyping[J]. Computers and Electronics in Agriculture, 2021, 189: 106380. https://doi.org/10.1016/j.compag.2021.106380

　　编辑 : 小王博士在努力