发布人:     发布日期: 2026-03-23    浏览次数:

一、研究背景

快速、准确、无损地估算冬小麦每穗粒数 (GNPP) 对于加快智能育种、提高精准作物管理和确保粮食安全至关重要。作为三个常用产量组成部分中的两个（单位面积穗数和穗粒数），穗粒数用遥感数据量化的程度远低于前者通过目视计数的程度。有限的研究要么是地面冠层光谱的精度低，要么是近端圆锥花序成像系统的效率低。目前尚未见利用无人机影像估算穗粒数的研究报道，凸显了其在高分辨率和高效监测方面的强大优势。为了解决这些问题，在2024年12月，南京农业大学国家信息农业工程技术中心在《International Journal of Applied Earth Observation and Geoinformation》期刊上发表了题为“Accurate estimation of grain number per panicle in winter wheat by synergistic use of UAV imagery and meteorological data “的研究文章。课题组提出一种融合UAV影像与气象数据的协同方法，实现了对冬小麦穗粒数的高精度估测。

二、研究方法

为了保证模型的普适性，研究设计了跨越不同年份、地点和品种的综合实验。实验地点: 实验在中国江苏省的两个主要小麦产区——如皋 (Rugao) 和睢宁 (Suining) 进行，涵盖了不同的气候条件。

1. 实验设计

包含4个独立的田间实验 (Exp. 1-4)，涉及不同的氮肥处理 (N0-N30)、种植密度和小麦品种 (半冬性与春性品种)。小麦品种是从江苏省种植面积前10名中筛选出的小麦品种，进行通用示范。这些属于半矮化小麦的品种具有高产潜力或抗病性强的特点。其春化特性分为半冬性（V1、V6、V7）和春季性（V2、V3、V4、V5、V8、V9）。氮肥（尿素）的50％作为播种前的基肥，其余的作为拔节期的追肥。实验1-3（实验1-3）和实验4（实验4）分别采用分割区设计和三因素条带分割区设计。 Exps 的小麦播种日期。 Exps 的行距为 35 厘米。对于 Exp. 1–3 和 40 cm（对应于 D100）和 25 cm（对应于 D160）。所有实验的样地大小均为 5 m × 6 m。其他农艺实践符合当地小麦生产建议。

图1. 种植规划示意图

2. 特征提取及机器学习模型

光谱特征: 从UAV影像提取植被指数 (SIs, 如NDVI, EVI2) 和颜色指数 (CIs)。

结构特征: 通过SfM算法生成冠层高度模型 (CHM)，提取株高指标 (CH)。

气象特征: 计算累积日照时数 (ASD) 和 吸收光合有效辐射 (APAR)。使用随机森林 (RFR) 进行特征评估，并采用元学习集成回归 (MLER) 进行最终的预测建模。

图2. 总体处理流程图

图3. 各参数计算公式

三、研究结果

结果一：最佳株高指标的确定

为了准确捕捉作物结构，研究对比了AIRPHEN多光谱相机和RGB相机生成的点云，以及不同的高度分位数。AIRPHEN多光谱影像提取的株高与实测值的相关性较差 ( R2约 0.2)，而RGB影像提取的株高精度显著更高 ( 约 0.7)。这是由于RGB相机具有更高的空间分辨率，能构建更精细的点云。

图4. 利用各传感器采集数据所计算株高的相关性结果

进一步地，为了确定哪个统计量最能代表群体株高，作者分析了不同分位数的RGB-CH指标。结果显示，随着分位数的增加，相关性逐渐提升。其中，99%分位数与实测株高的相关性最强，RMSE最低。因此， CHp99被选为最佳结构特征。

图5. 最佳高度分位数确定

结果二、光谱指数相关性判定

光谱特征是反映作物生长状况的直接指标。热图展示了各类指数与穗粒数GNPP在不同生长阶段的相关性。结果表明，EVI2 和 OSAVI (多光谱指数) 以及 ExR 和 GRVI (RGB指数) 与GNPP的相关性最强且在不同生长阶段较为稳定。

图6. 各植被指数和GNPP相关性比较

结果三、LAI反演特征确定

在计算APAR之前，必须先准确反演LAI。研究对比了LAI与各类指数的关系。结果表明，NEI 指数与LAI的相关性最高(r2 = 0.64)，且呈现对数关系。因此，研究选择使用NEI模型来反演LAI，进而计算APAR。

图7. 反演LAI的模型确定

结果四、引入气象因子是否有效

研究对比了简单的累积日照时数 (ASD) 和经过冠层校正的吸收光合有效辐射 (APAR)。在大多数阶段，引入APAR (特别是基于多光谱反演的 ) 的模型精度优于ASD。这是因为ASD仅仅是时间的累积，无法区分作物生长状态；而APAR结合了LAI信息，更能反映作物实际利用光能进行光合作用的能力，从而更准确地指示穗粒数的形成。

图8. APAR因子的有效性展示

结果五、综合建模与验证

在筛选出最佳特征后，研究设计了8种不同的特征组合 (Combs. #1-8)，分别对应不同的传感器来源，并在独立的数据集上进行了验证。随后，利用另一年的独立实验数据 (Exp.2) 对模型进行了严格验证。多级模型 (Multi-stage, 抽穗+扬花) 的表现明显优于单级模型。Comb #6在多级模型中取得了最高的验证精度 (R2 = 0.65, RMSE = 5.10%)。。这证明了该组合的泛化能力。

为了更直观地展示模型效果，作者对比了测量值与估测值的散点图。对比单级模型 (A-I) 和多级模型 (J-L)，可以清晰地看到多级模型的数据点更紧密地分布在1:1线周围，置信区间更窄。这表明结合多个生长阶段的信息可以有效补偿单一时相观测的不足。 虽然模型整体表现出色，但在验证过程中作者也发现了一个有趣的现象。在利用Exp.4数据进行验证时，模型出现了严重的低估(R2 = 0.13)(9A)。经过深入分析，这是由于Exp.4中包含N0 (完全不施氮肥) 的极端处理。由于校正数据集缺乏此类极端贫瘠的样本，模型无法准确学习N0条件下的GNPP特征。当剔除N0数据后 (9B)，模型精度大幅回升 (R2 = 0.52)。当结合多个实验数据进行验证时 (9C)，数据点分布更加均匀。

图 9. 组合特征在不同生育时期的预测精度比较

四、总结

本文通过详尽的实验和理论分析，验证了“UAV影像+气象数据”协同估测小麦穗粒数的可行性。

结构参数： RGB影像提取的 是最佳株高指标，优于多光谱提取结果。

气象参数： 优于传统的ASD，能更直接地反映作物光合潜力。

最佳策略： 采用 SIs + APAR +  CHp99的特征组合，并结合抽穗期与扬花期的数据进行多级建模，是目前最鲁棒的方案。

这项工作不仅为小麦估产提供了一种低成本、高通量的新工具，也为多源遥感数据在精准农业中的深度融合提供了重要的参考范例。南京农业大学国家信息农业工程技术中心的吴亚鹏为文章第一作者，程涛教授为文章的通讯作者。