鉴于藜麦的高营养价值和在恶劣环境中生长的能力，其具有解决一系列粮食安全问题的巨大潜力。在田间试验期间进行表型性状监测可以深入了解不同品种最适宜的栽培条件和管理策略。无人机 (UAV) 为表型分析提供了一种重要的方法，并为了解相关植物性能提供了新的潜力。本研究开展了 141 种藜麦种质的田间试验，并在 378 个对照和 378 个盐水灌溉地块中利用无人机的多光谱相机检测不同品种的叶面积指数 (LAI) 并基于 SPAD 测量的叶绿素含量，并利用基于单波段光谱和 25 个不同植被指数 (VI)的随机森林回归方法进行数据分析。结果表明，对于预测 LAI 和基于 SPAD 的叶绿素，植被指数(VI)通常比单个条带提供更多信息。在基于 SPAD 的叶绿素模型中，大多数红边波段的 VI 是重要的预测变量，而包括 NIR 波段(但没有红边波段)的 VI 对预测 LAI 的重要性最高。为了捕获最大数量的可观察表型，建议使用具有 NIR 和红边波段的相机来检测藜麦的表型性状。

　　本研究还评估了来自对照和盐水灌溉地块的不同SPAD叶绿素的训练数据集在预测 LAI方面的性能。与仅在对照或盐水地块上训练的模型相比，使用所有地块数据开发的模型在预测对照和盐水灌溉地块的 LAI 时分别将 RMSE 降低了高达 9.58% 和 36.13%。而基于 SPAD叶绿素的预测结果中RMSE 降低较少 (< 5.8%)。总体而言，这些结果证明了使用无人机多光谱传感器来估计藜麦的关键表型性状的可靠性，并为进一步探索和识别潜在的盐度耐受性提供了基础。除了基于 LAI 和 SPAD 的叶绿素外，其他与产量和耐盐性相关的可观察性状，如株高、冠层温度和生长速率也可以整合到分析中，以评估藜麦种质的理想商业性状。

　　图1 阿卜杜勒阿齐兹国王大学农业研究站的藜麦表型实验。黄色正方形：于2020 年 2 月 23 日利用收集的40 个选定地块的 MicaSense RedEdge 图像;蓝色圆圈：用来进行几何校正的 9 个地面控制点;样地照片显示了盐水灌溉和对照处理下的三个生长季的照片。

　　图2 仅对照地块 (C)、仅盐水灌溉地块 (S) 和所有地块 (All) 上开发的随机森林回归模型中变量重要性的排名，用于估计叶面积指数 (LAI) 和SPAD叶绿素

　　图3 模型准确性验证

　　图4 基于 MicaSense RedEdge 的叶面积指数 (LAI) 和SPAD叶绿素预测图

　　来源：Jiang, J., Johansen, K., Stanschewski, C. S., Wellman, G., Mousa, M. A., Fiene, G. M., ... & McCabe, M. F. (2022). Phenotyping a diversity panel of quinoa using UAV-retrieved leaf area index, SPAD-based chlorophyll and a random forest approach. Precision Agriculture, 1-23.

　　编辑：婷婷