基于無人機搭載高光譜相機成像,、建模和機器學習的小塊區(qū)域葉面積指數(shù)無監(jiān)督表型

   高通量表型分析引導結(jié)合遺傳與作物生長的加速育種，這需要準確估計葉面積指數(shù) (LAI),。本研究開發(fā)了一種混合方法來

訓練隨機森林回歸 (RFR) 模型與輻射傳輸模型生成的合成數(shù)據(jù)集,，從而估計基于無人機高光譜圖像的 LAI。

使用無人機平臺和無人機平臺的關(guān)鍵組件進行小麥表型試驗,。照片拍攝于2024年5月31日（播種后16天）上午11點50分,。

對RFR 模型在 (i) 合成數(shù)據(jù)集的子集和 (ii) 來自兩個現(xiàn)場實驗的觀測數(shù)據(jù)（即 Exp16、Exp19）上的表現(xiàn)進行了評估,?？紤]到綜合訓練數(shù)據(jù)中參數(shù)范圍和土壤反射率的標定良好，

RFR 模型可以根據(jù)在野外條件下捕獲的冠層反射率準確預測 LAI,，但是由于背景效應存在 LAI<2 的系統(tǒng)性高估,，這可以通過基于植被-背景分類對原始反射率圖進行背景校正來解決。

總體而言,，RFR 模型通過 Exp16 的背景校正反射率實現(xiàn)了準確的 LAI 預測（相關(guān)系數(shù) () 為 0.95,，決定系數(shù) () 為 0.90~0.91，均方根誤差 (RMSE) 為 0.36~0.40?m2?m-2,，

相對根均方誤差 (RRMSE) 為 25~28%),，而 Exp19 的準確度較低 (?=0.80~0.83, ?=?0.63~0.69, RMSE 為 0.84~0.86?m2?m-2, RRMSE 為 30~31%)。

此外,，RFR 模型正確捕獲了觀測的 LAI 的時空變化,，并在兩個實驗中確定了不同生長階段和不同處理在基因型和管理措施（即種植密度、灌溉和施肥）方面的變化,。

針對不同生長階段 (a-e),、基因型 (f-o)、植物密度 (p-r) 和其他管理措施 (s-z) 的兩個田間試驗（觀測LAI<=5）,，觀測LAI 與預測 LAI對比. “RFR+LCB法"

分別使用Mp3s2和Mp3s3模型預測Exp16和Exp19的LAI。 在實驗中為每組（例如,，DAS =18,，密度 = 75）給出了觀測到的和預測的 LAI 之間的 Pearson 相關(guān)系數(shù) ()。 

表 S2 總結(jié)了所有統(tǒng)計指標,。

所開發(fā)的混合方法可以快速,、準確、無損地對營養(yǎng)生長過程中的葉面積指數(shù)動態(tài)進行表型分析，以促進包括育種計劃評估在內(nèi)的生長速率評估,。