基于无人机遥感的苎麻种质资源表型智能化监测与评价

【作者】 付虹雨； 王薇； 佘玮； 崔国贤；

【机构】 湖南农业大学；

【摘要】 【研究背景】作物种质资源中蕴含着丰富的优良表型性状及与之关联的遗传信息,加强对种质资源的表型考察对于推进作物改良、提升现代种业具有重大意义。然而,传统的作物表型测量方法存在破坏性强、耗时耗力等缺点,育种学家们迫切需要一种简便、快速、高效、无损的作物表型评价与筛选方法,以便从大规模地块中提取出与育种目标相关的感兴趣的优良表型性状,辅助作物育种。无人机遥感技术弥补了传统表型测量方法的缺陷,凭借实时、无损、多源等优势,成为田间作物表型信息获取的新兴手段,并在作物生长监测、种质资源表型评价与筛选上展现出巨大潜力。【材料与方法】本研究提出了一种基于无人机遥感影像的苎麻种质资源表型监测及评价方法。研究利用无人机搭载多光谱相机和高清可见光相机分别获取了多年多个生育时期的苎麻种质资源冠层遥感影像,通过分析各类遥感特征值与苎麻关键表型(株高、株数、产量、生理生化性状、抗旱性)的关系,明确最佳的苎麻表型监测方法。通过分析苎麻种质资源在遥感表型参数上的差异,实现基于无人机遥感的苎麻种质资源综合评价。【结果与分析】(1)提供了一种结合运动恢复结构技术和分段校正方法的苎麻株高估测方法,连续2年不同生育时期的估测株高和实测株高的拟合精度为0.627～1,RMSE为1.137～9.945 cm。(2)采用FCOS算法构建了适用于多品种、不同年份的通用的苎麻植株计数模型,模型召回率为0.892,精度达到0.819。(3)根据苎麻多年生的生长特性,基于机器学习方法,提出了一种结合苎麻历史产量和多时序融合特征参数的苎麻产量估测方法,模型精度为0.732,RMSE为0.739 kg/m2。(4)结合数据融合、特征筛选和机器学习方法,构建并明确了最佳的苎麻理化性状(SPAD值、叶片含水率LMC、叶面积指数LAI)定量估测模型,SPAD值的最优估测模型为RFE-SVR(R~2=0.662,RMSE=2.088),LMC的最优估测模型为RFE-LR(R~2=0.793,RMSE=2.213%),LAI的最优估算模型为RFE-SVR(R~2=0.737,RMSE=0.630)。(5)基于无人机获取的苎麻冠层多光谱影像,分析不同抗旱级别苎麻的光谱特征,采用支持向量机建立苎麻抗旱性鉴定模型,模型正确率可达0.740,不同抗旱级分类f1-score范围为0.690～0.790。(6)分析上述计算得到的苎麻种质资源的遥感数字表型,苗期苎麻数字表型的变异系数最大(CV=2.473%～23.428%),采用主成分分析法构建的第2主成分可作为丰产型苎麻综合得分指标。【结论】本研究构建了一套系统的基于无人机遥感的苎麻种质资源表型监测与评价方法,能取代传统费时费力的作物表型测量方法,有效帮助育种人员获取感兴趣的性状,提高育种效率,并为基于无人机遥感的苎麻生长监测提供指导。更多还原