发布人:     发布日期: 2026-09-09    浏览次数:

目前，无人机系统已广泛应用于小麦不同生育时期的表型信息获取。二维影像具有较高的空间分辨率和丰富的光谱、纹理信息，可用于冠层覆盖度、冠层面积等表型性状提取，但缺乏垂直方向的空间结构信息，在高密度种植和冠层相互遮挡条件下，小区边界识别及结构性状解析仍存在一定局限。三维点云能够较完整地表征小麦冠层的空间结构和高度变化，在小区分割和冠层结构分析方面具有明显优势，但其纹理和光谱信息相对有限。因此，充分发挥二维影像与三维点云的互补优势，实现不同数据源在小区尺度上的协同分割、精准配准与联合分析，是提高小麦全生育期表型信息自动化获取精度和效率的关键。基于此，有必要构建面向无人机二维与三维多源数据的一体化处理框架，为小麦小区精准分割及多维表型性状的高通量提取提供技术支撑。

近日，南京农业大学农学院姜东教授团队在Computers and Electronics in Agriculture期刊(IF = 10.3)上发表了题为“Full-season wheat phenotyping using UAV-based multi-source remote sensing: dynamic time-series modeling and high-throughput trait extraction”的研究论文。该研究基于无人机多源遥感数据、多源数据协同处理架构和动态时序表型，提出了小麦全生育期表型性状高通量获取、生育期识别与品种分类的新框架。

为解决上述问题，研究团队提出了一种基于无人机多源数据的小麦全生育期表型性状自动提取与分析方法。首先，构建了 Wheat Multi-source Data Segmentation Architecture（WMSA）多源数据处理框架，并在此基础上设计了一种引入 FCM 与 CSJE 模块的三维分割网络 3D Wheat Point-Transformer（3D Wheat PT），实现了小麦小区与背景点云的精确分离。同时，通过融合投影策略与特征匹配算法，实现了二维影像与三维点云在小区尺度上的精准配准。其次，开发了 WheatMorph 表型分析软件平台，集成二维与三维数据的可视化、自动分割和性状提取功能，构建了覆盖数据输入、处理与结果输出的自动化分析流程。进一步地，基于 15 个时序采样点获取的性状数据，构建了小麦性状动态变化曲线，用于生育期识别与品种分类，并结合动态性状特征建立机器学习预测模型。研究结果如下：

1、提出Wheat multi-Data segmentation architecture (WMSA)多源数据处理框架

研究共选取了长江中下游及黄淮海平原地区的210个自然小麦品种，并进行田间试验。为了涵盖这两个地区的气候和土壤特点，本研究选取江苏省南京市溧水区白马教学科研基地、江苏省徐州市睢宁县以及山东省德州市齐河县这三个具有代表性的地区代表反映长江中下游和黄淮海平原地区的小麦种植环境，进行了两年的田间试验。使用大疆无人机3M和3T行业版对小麦生育期进行多源遥感数据的采集，涵盖RGB影像、多光谱影像、热红外影像以及多视角影像。对于每个试验区块，从拔节期开始每隔6天，直到成熟期对15个具有典型代表的生长节点进行了多源数据的采集。

图1 种植区块规划

图2 多源数据采集以及三维数据预处理

本研究提出WMSA框架以同时处理小麦的二维与三维数据。对于输入的三维点云，沿种植方向及其垂直方向进行插值，将点云划分为若干的子点云。各子点云依次输入三维分割模型3D Wheat PT，得到分割后的小麦小区点云。然后，将分割结果进行拼接，得到完整的小麦小区点云。随后，采用投影算法，将三维点云投影到二维平面上。最后，使用特征匹配算法，通过映射的二维掩膜，匹配二维图像中的小麦小区掩膜，实现二维影像与三维点云在小区尺度上的精确对齐。

3D Wheat PT的整体架构包括五个关键环节：点云初始化与序列化Serialization、FCM模块、层次化编码器Encoder、CSJE模块、轻量解码器Decoder输出分割结果。其宏观结构保持 U-Net 框架一致性，包含四个编码阶段与四个解码阶段，并采用逐层池化与跳跃连接完成多尺度融合。

图3 WMSA架构示意

图4 多尺度性状提取示意

2、开发WheatMorph工具，集成三维和二维图像可视化、自动分割与表型提取功能，实现多源数据从读取、处理到结果输出的全流程自动化分析

WheatMorph应用软件采用模块化设计，主要包括三个核心功能区域:工具栏、点云展示界面和二维图像展示区域。主工具栏整合了从数据输入到输出的完整流程，包含七个功能模块，分别为二维三维数据读取、点云分割、特征匹配、光谱映射、性状分析、图表绘制和数据导出。

图5 WheatMorph工具功能示意 

3、WMSA框架在不同种植模式地块的高泛化性

采用WMSA框架对白马教学科研基地、山东省德州市齐河县和江苏省徐州市睢宁县三地小麦品种进行了系统性的泛化试验。研究中选取了三地拔节期在N240处理下的三维点云与二维RGB数据，并和人工标注的结果进行比较。结果表明，WMSA框架在单行种植和多行种植的小麦种植小区均表现出理想的分割效果。

图6 WMSA框架在不同地块的处理效果示意

图7 3D Wheat PT模型性能展示

4、生育期划分与品种分类：利用15个采样时期的性状数据绘制性状变化曲线，并划分各个品种的生育期，并根据生育期对小麦品种进行分类。并利用动态性状建立机器学习预测模型

计算三个性状在N240处理下160个品种15个采样点的性状变化，根据每个性状的峰值点可以大致将品种分成五类别。同时，本研究也计算了五大类别各性状在各个采样时期的平均值，可以将小麦生长大致分为快速生长阶段、缓慢增长阶段以及下降阶段三个阶段。

图8 生育期划分示意

对 N240 处理下不同种植地区的性状动态变化进行了比较分析。结果表明，三地各性状的总体变化趋势基本一致，但在峰值大小及峰值出现时间上存在一定差异。就峰值大小而言，冠层高度以白马最高，其次为睢宁，德州最低；冠层面积表现为白马最大、德州次之、睢宁最小；而 LAI 的峰值在三地之间差异不明显。就峰值出现时间而言，冠层高度的峰值在白马和德州出现时间相近，且均早于睢宁；冠层面积和 LAI 的峰值则均表现为白马最早、德州居中、睢宁最晚。

本研究进一步基于相邻采样时点的性状动态变化率构建短期预测框架。总体结果表明，LSTM的综合预测性能优于XGBoost与RF，且三种性状中小区冠层高度的可预测性最高。在具体时间点上：冠层高度的最佳表现由LSTM获得，在127天（3.16）达到最高准确率76.7%；冠层面积的最高准确率由XGBoost在127天（3.16）获得，为71.2%; LAI的最高准确率同样由XGBoost在139天（3.28）获得，为68.6%。

图9 不同氮肥处理、不同种植地区下的性状差异与机器学习预测结果 

综上，本研究搭建了一种融合无人机多源数据的小麦全生育期性状提取方法体系。首先设计了面向小麦群体二维与三维数据协同处理的 WMSA 框架，其中包含用于小麦群体三维分割的网络模型 3D Wheat PT。该模型在 Precision、MIoU、Recall 和 F1-score 指标上分别达到了 95.2%、92.7%、93.4% 和 94.5%，表现出较高的分割精度。同时，结合投影方法与特征匹配策略，实现了二维影像中小麦小区掩膜与三维点云数据在小区尺度上的高精度配准，从而完成二维与三维信息的有效对齐。然后，本研究研发了WheatMorph应用软件以小麦全生育期的多源性状数据。最后，利用15个采样时间点的性状数据进行了生育期划分与品种分类，并利用动态性状建立机器学习预测模型。

本研究构建的多源无人机表型解析框架显著提升了小麦群体多时相性状获取的精度与效率，并结合动态性状建模与机器学习分析，拓展了高通量表型数据在生育期判别和品种识别中的应用深度，为小麦智能育种与田间精准管理提供了可靠的技术支撑。

南京农业大学前沿交叉研究院与农学院联合培养博士生周鸿昊为本文的第一作者。小麦生理生态与生产管理团队钟山青年研究员陈佳玮为本文的通讯作者。小麦生理生态与生产管理团队姜东、李庆老师，研究生郭春梅、秦秉希、苏文龙、孙琦、裴子俊在论文撰写方面提供了指导和帮助。该研究得到了江苏省自然科学基金（BK20251511）、国家重点研发计划项目（2023YFD2300201）、国家自然科学基金（32021004）等项目的支持。