研究背景：

搭載于無人機（UAV）平臺的多光譜和高光譜傳感器為高效、便捷地獲取作物冠層光譜信息提供了強大工具。基于此計算的植被指數(shù)（VIs）已被證明能有效捕捉作物的光合生理變化并估算光合能力，例如對類胡蘿卜素變化敏感的光化學反射指數(shù)（PRI）以及與葉綠素含量（LCC）和光合作用密切相關的結(jié)構(gòu)不敏感色素指數(shù)（SIPI）等。已有研究展示了結(jié)合多/高光譜數(shù)據(jù)、紋理、株高等信息或優(yōu)良機器學習模型反演Pn等光合參數(shù)或脅迫狀態(tài)的潛力。然而，多光譜信息量有限制約了精度提升，高光譜研究也大多局限于篩選現(xiàn)有VIs，缺乏針對特定研究目標（如構(gòu)建時間尺度綜合光合指標）對光譜信息或VIs進行先驗優(yōu)化的環(huán)節(jié)，這在相當程度上限制了估算模型的準確性和普適性。因此，開發(fā)新型、實用的綜合光合指標并建立其與高效遙感手段的聯(lián)系，對于提升玉米光合能力評估和產(chǎn)量預測的效率與精度至關重要。

實驗與數(shù)據(jù)采集：

本研究在兩大玉米主產(chǎn)區(qū)（華北—華東夏糧區(qū)與南方丘陵區(qū)）于不同年份、不同播期和不同生育階段，對多品種玉米進行了數(shù)據(jù)采集。

圖1 實驗地點和研究區(qū)域設計的插圖。

數(shù)據(jù)采集：

采用搭載GaiaSky?mini高光譜成像儀（Dualix Spectral Imaging Technology Co., Ltd., 無錫，中國）的DJI Matrice?600?Pro無人機（大疆創(chuàng)新科技有限公司，深圳，中國）進行高光譜數(shù)據(jù)采集。高光譜儀波段范圍為400–1000?nm，光譜分辨率3.5?nm。飛行前使用DJI?GS?Pro進行航線與航點規(guī)劃，飛行高度30?m，前后重疊率70%，側(cè)向重疊率60%。起飛前以標準白板進行反射率校正，升空后利用20%、50%及70%反射率的灰布進行大氣校正。影像采集采用自動曝光模式，依據(jù)環(huán)境光照條件與目標亮度自動調(diào)整增益與曝光時間，采集時間為當日光合指標測定的11∶00。

圖2 研究流程示意圖。Pn：凈光合速率；Gs：氣孔導度；Ci：葉片內(nèi)CO?濃度；Tr：蒸騰速率；DAF：開花后天數(shù)；ODP：日光合作用量；VIs：植被指數(shù)；HGW：百粒重。

研究結(jié)果：

基于不同植被指數(shù)篩選與建模方法的ODP估算：

以ODP為輸出變量，分別采用多元線性回歸（MLR）、支持向量回歸（SVR）、高斯過程回歸（GPR）、隨機森林（RF）和梯度提升決策樹（GBDT）五種方法，構(gòu)建了兩類輸入：所有植被指數(shù)（VIs）與經(jīng)競爭性自適應重抽樣（CARS）篩選后的VIs（表?4）。結(jié)果表明，采用CARS篩選VIs后，模型精度與未篩選時相當，卻僅保留了更少的特征，具有優(yōu)異的降維效果；同時消除了冗余特征，顯著提升了計算效率，并減輕了過擬合，使模型在新數(shù)據(jù)上的泛化能力更強。從*優(yōu)模型的頻次來看，GPR和SVR在精度上表現(xiàn)最佳，MLR、RF和GBDT相對較差。其中，SVR和GPR具有較強的非線性擬合能力、魯棒性及高維特征處理能力，因此在準確性上占優(yōu)；MLR受線性假設限制；RF與GBDT則因模型復雜度和參數(shù)調(diào)優(yōu)難度較大，表現(xiàn)相對遜色。采用留一交叉驗證（LOOCV）對全數(shù)據(jù)集建模，排除了數(shù)據(jù)劃分對結(jié)果的影響，提高了結(jié)果的穩(wěn)定性與可靠性（圖?8）。LOOCV結(jié)果顯示，無論是否進行CARS篩選，GPR模型均具有最高精度；其中，CARS篩選后的GPR模型取得了最高的綜合表現(xiàn)：R2?=?0.82，RMSE?=?111.03，MAE?=?89.14；而未篩選模型的相應指標略低，為R2?=?0.81，RMSE?=?113.19，MAE?=?92.14。

基于單日光合作用量（ODP）的產(chǎn)量估測：

通過實測和估算的ODP數(shù)據(jù)對最終產(chǎn)量進行了估測（圖?9）。僅使用開花后10?天（10?DAF）實測和估算ODP進行產(chǎn)量估算時，決定系數(shù)R2分別僅為0.526和0.393，準確性較低；當加入開花后20?天（20?DAF）的ODP數(shù)據(jù)后，R2分別提升了0.182和0.194，估測精度顯著提高；而在繼續(xù)加入30?DAF和40?DAF數(shù)據(jù)時，R2的最大增幅均不足0.13。綜合使用四個時點的ODP實測值進行回歸，可獲得R2?=?0.770，RMSE?=?0.961?t?ha?1，MAE?=?0.816?t?ha?1，表明多時點ODP實測數(shù)據(jù)可較準確地估測玉米產(chǎn)量。使用估算的ODP值進行產(chǎn)量估測時，R2亦均超過0.70，說明ODP估算同樣可用于精度較高的產(chǎn)量預測。

圖?3 玉米籽粒灌漿動力學過程。(a) 不同灌漿階段百粒重（HGW）統(tǒng)計；(b) HGW 生長動力學曲線擬合；(c) 開花后灌漿速率（GFR）變化。

圖?4 Pn 擬合曲線投影面積獲取流程。(a) 開花后第?10?天的凈光合速率（Pn）測值；(b) 數(shù)據(jù)插值處理；(c) Pn 曲線擬合；(d) 曲線下投影面積計算。

圖5 不同灌漿階段（10、20、30、40?DAF）HGW 與光合指標的 Pearson 相關系數(shù)矩陣。

圖6 二維相關光譜分析結(jié)果。(a) 10?DAF；(b) 20?DAF；(c) 30?DAF；(d) 40?DAF。

圖7 單日光合作用量（ODP）與各植被指數(shù)的 Pearson 相關系數(shù)。

表4 不同 VIs 篩選方法下 ODP 估算精度及*優(yōu)建模方法比較

圖8 不同植被指數(shù)篩選方法下 LOOCV 結(jié)果比較。(a) 未篩選；(b) CARS 篩選。

圖?9. 基于實測與估算ODP的產(chǎn)量估測。(a)僅10?DAF實測ODP；(b) 10DAF?+?20DAF實測ODP；(c)10、20、30?DAF實測ODP；(d) 10、20、30、40DAF實測ODP；(e) 僅10DAF估算ODP；(f) 10DAF?+?20DAF估算ODP；(g) 10、20、30?DAF估算ODP；(h) 10、20、30、40DAF 估算ODP。

圖10 不同處理區(qū)內(nèi)產(chǎn)量時空分布圖?！?新鄉(xiāng)試驗場：2021?年（a、e、i）、2022?年（b、f、j）— 南通試驗場：2022?年（c、g、k）、2023?年（d、h、l）(a–d) 實測產(chǎn)量；(e–h) 基于實測 ODP 估測產(chǎn)量；(i–l) 基于估算 ODP 估測產(chǎn)量。

圖11 不同試驗地點、年份、播期、品種及生育階段對 ODP 估算精度的影響。其中，ZD?958 表示鄭單?958，XD?61 表示新單?61，DH?605 表示登海?605，ZY?303 表示中育?303，SYN?5 表示蘇育?5，SYN?11 表示蘇育?11，JY?877 表示江育?877，SY?29 表示蘇玉?29。

圖?12. 基于不同光合指標的產(chǎn)量估測對比。(a–d) 未引入投影面積指標；(e–h) 引入投影面積指標后。

圖13 基于植被指數(shù)的產(chǎn)量估測對比。(a–d) 采用表?4中篩選的VIs；(e–h) 基于VIs與產(chǎn)量相關性篩選后的估測結(jié)果。(a) 僅10?DAF篩選VIs；(b) 10DAF?+?20DAF 篩選VIs；(c) 10、20、30?DAF篩選VIs；(d) 10、20、30、40?DAF篩選VIs；(e) 僅10?DAF相關性篩選；(f) 10?DAF?+?20?DAF相關性篩選；(g) 10、20、30?DAF 相關性篩選；(h) 10、20、30、40?DAF相關性篩選。

研究結(jié)論：

本研究提出的“單日光合作用指標"（ODP）打破了傳統(tǒng)光合能力評估依賴瞬時觀測、易受環(huán)境干擾、代表性不足的局限，首*在田間群體水平上實現(xiàn)了日尺度作物光合強度的量化表達。結(jié)合無人機高光譜遙感技術，ODP不僅可準確估算玉米的光合能力與最終產(chǎn)量，還可用于篩選高敏植被指數(shù)，用于產(chǎn)量遙感預測，具備良好的時空適應性、作物泛化性與擴展?jié)摿?。未來，ODP模型可進一步推廣至小麥、水稻等作物的精細化管理與精準農(nóng)業(yè)實踐中，為構(gòu)建高效、智能、綠色的作物表型感知與決策系統(tǒng)提供理論基礎與實踐路徑。

作者

朱少龍，揚州大學

來源

Zhu S, Yang T, Han D, et al. ODP: A novel indicator for estimating photosynthetic capacity and yield of maize through UAV hyperspectral images[J]. Computers and Electronics in Agriculture, 2025, 235: 110350.