蚕豆是世界上重要的豆类作物。株高和产量是作物改良的重要性状。传统的株高和产量测量是劳动密集型和耗时的。因此，快速有效地估计这两个参数至关重要。本研究旨在为蚕豆种质资源和育种材料的准确鉴定和评价提供一种新的途径。

　　研究区域的地理位置和无人机采样点如图1所示。本研究中无人机遥感数据(图2)的获取和处理主要包括两个阶段：(1)基于飞行规划软件(DJI GS Pro、DJI Pilot、Pix4Dcapture)获取无人机图像;(2) 在基于“运动结构”(SfM)的软件(Pix4DMapper)中拼接无人机图像，然后自动生成数字地面模型(DSM)、数字地形模型(DTM)和正交拼接。

图1 研究区域的地理位置和无人机采样点

图2 无人机遥感数据的采集与处理

　　将从二维红-绿-蓝(2D-RGB)、二维多光谱(2D-MS)和三维红-绿-蓝(3D-RGB)图像中提取的蚕豆株高值与地面测量值进行比较，结果如图3所示。不同时间蚕豆株高的空间分布图如图4所示。从二维红-绿-蓝(2D-RGB)图像中提取的最大株高80%与地面测量值的拟合程度最好，如图5，其确定系数(R2)、均方根误差(root-mean-square error，RMSE)和归一化均方根误差(root-mean-square error，NRMSE)分别为0.9915、1.4411 cm和5.02%。

图3从三种无人机图像中提取蚕豆株高的结果

图4 不同时期蚕豆株高的空间分布

图5 地面测量与无人机测量植物高度的比较

　　Pearson的相关系数最初是为了验证产量和七个时间点的最佳株高值之间的关联，结果如图6所示。在7个时间点，株高和产量之间有很强的相关性，范围在0.3到0.87之间。D4(20190622)与产量的相关性最高，达到0.77。利用支持向量机(support vector machines，SVM)、随机森林(random forests，RF)和决策树(decision trees，DT)，选择不同时间点的株高数据和不同时间点的组合来估计蚕豆产量。支持向量机表现出最好的性能(R2=0.7238，RMSE=823.54千克公顷，NRMSE=18.38%)，其次是随机森林和决策树。将基于三种机器学习算法的估计产量与测量产量进行比较，结果显示在测量值和估计值的1：1线图中，如图7。

图6 不同时期产量与株高的相关图。GY：粮食产量;D1：日期1(20190605);D2：日期2(20190611);D3：日期3(20190617);D4：日期4(20190622);D5：日期5(20190701);D6：日期6(20190712);D7：日期7(20190812)

图7 通过机器学习算法比较估计产量和测量产量。a支持向量机;b随机森林;c决策树

　　本研究结果表明，利用无人机图像监测蚕豆全生育期的株高是可行的。此外，机器学习算法可以利用株高的多个时间点数据合理地估计蚕豆的产量。这项研究将有助于找到一种高通量、非破坏性的方法来估算蚕豆的株高和产量，从而加速种质和育种材料的筛选。

　　来源：Ji, Y., Chen, Z., Cheng, Q. et al. Estimation of plant height and yield based on UAV imagery in faba bean (Vicia faba L.). Plant Methods 18, 26 (2022). https://doi.org/10.1186/s13007-022-00861-7

　　编辑：王春颖