鱼眼摄像是林冠尺度FIPAR常用的测量方法

来源:华文易迅 时间:2022-12-29 09:00:00

在不同作物中，光冠层的光截获能力是反映作物品种差异的一种重要功能性状，其冠层光截获对于提高作物改良效率具有重要意义。采用数字植物表型平台(D3P)模拟方法，以小麦为研究对象，建立了具有5个生育阶段的100个不同群体群体的三维群体，以原始冠层结构为例，以平均倾角(AIA)和散射光截获率(FIPARdif)信息为实值，测定了从植物冠层中提取的绿色叶面积指数。在此基础上，利用上述三维小麦场景，进行了激光雷达(LiDAR)虚拟仿真实验，产生相应的三维点云数据。在仿真基础上提取了点云数据的高度分值特征(H)和绿色分数特征(GF)。然后，采用人工神经网络(ANN)算法分别建立了点云特征(H,GF和H+GF)与FIPARdif、GAI、AIA进行反演。研究表明，对GAI、AIA、FIPARdif进行点云特征输入时，预测精度由高到低对应于GF+H>H>GF。因此，H-特征在提高目标表型特征估计精度方面具有重要意义。结果表明，在中度噪声(10%)条件下，FIPARdif和GAI的估计精度分别为0.95和0.98，且AIA估计精度尚待进一步提高(R2=0.20)。本文是在D3P模拟数据基础上进行的，其实际性能还有待于现场数据进一步验证。虽然如此，本文还是对D3P辅助表型算法的发展进行了验证，证明了高通量LiDAR数据对估计现场冠层光截获率和冠层结构的可能性更大。

世界粮食需求因人口增长和人类饮食结构的改变而不断增长。与此同时，气候变化带来的作物生长环境的可变性和不确定性也促使作物适应未来。

高产作物品种对气候条件提出了严峻挑战[1,2]。为了应对这一挑战，提高作物改良效率，高通量作物表型监测被视为至关重要[3,4]。常规作物表型监测主要依靠人工现场调查、破坏性取样或专家经验评价等，获得的表型特征有限、效率低、误差大。相对来说，高通量表型监测能够有效地提供高遗传性状的表型特征，以便在不同品种间快速、准确地评价抗逆性和高产特性，从而加快作物改良进程[5-7]。

光合作用是驱动作物生长的能量源，它直接影响到作物的生物量积累和最终产量[8-10]，这是反应基因型间表型差异的重要功能性状[11-12]。林冠对光的截获能力通常是通过林冠截获的光合有效辐射(FractionofInterceptedPhotosyntheticallyActivateRadiation,FIPAR)表示。通过高通量室内表型平台，Cabrera-Bosquet等[13]发展出单株尺度FIPAR高通量表型提取方法。在野外环境中，鱼眼摄像是林冠尺度FIPAR常用的测量方法[14]。但是，以鱼眼相机为基础的测量方法，易受光照影响，FIPAR越高，测量误差就越大。另外，使用鱼眼相机进行近地测量时，每个角度的采样区域都很小，需要反复多次采样，以减小采样误差，从而降低了采样的误差[15]。所以，在现场条件下，高通量表型的FIPAR监测仍然面临着巨大挑战。

激光器(LightDetectionandRanging,LiDAR)是一种主动遥感技术，它通过发射激光脉冲来实现对目标物体三维信息的无损测量。LiDAR对光线不敏感，可以昼夜工作，同时激光脉冲的强穿透能力可以获得垂直树冠的结构信息，受作物遮蔽影响较小，这使得LiDAR克服了鱼眼相机等被动监测技术的不足，更好地记录了目标植物或冠层的三维信息。在这些研究中，基础LiDAR在作物表型领域的应用研究较多。

Liu等

[16]证明基础LiDAR能够提供比RGB图像更高的小麦绿色叶面积指数(GreenAreaIndex,GAI)。Jimenez-Berni等[17],Jin等[18,19]和Lin[20]发现，通过基础LiDAR监测获得的点云数据能够提取作物株高、密度、生物量等性状。但是，基于基础LiDAR的田间FIPAR高通量表型监测尚未见报道。

光冠层的截获主要由结构特征GAI和平均倾角(AverageInclinationAngle,AIA)以及其概率分布决定[21]。在遥感应用中，通常采用假定三维结构为随机分布的均匀介质(即混沌介质)来模拟冠层光传输。在此基础上，利用LiDAR点云提取的多角度绿色分数(GF)信息，通过反演一维冠层光传输模型，实现了GAI和AIA的估计[16,22]，从而得到FIPAR。尽管该方法建立在光传递的物理机制上，但由于将树冠结构简化为一维，因此不能充分利用LiDAR所获得的树冠高度剖面等更详尽的结构信息。当树冠较弱时(即树冠密度接近于1)时，估计准确度较低[16]。另外，通过建立经验模型，可以实现从LiDAR点云特征到树冠结构和估计FIPAR。经验模型法相对于多个LiDAR点云特征，具有较高的预测精度，但是这种方法在实际应用中的困难与成功，关键是准备一大批具有代表性的训练样本。这多亏了项目小组在DigitalPlantPhenotypingPlatform，为项目团队提供了一个数字化表现型平台，[23]可生成不同品种小麦的三维冠层结构，并进行虚拟LiDAR扫描监控生成LiDAR点云数据。因此，采用D3P虚拟表型试验方法，可以获得算法开发所需的大量数据集。

本文以小麦为研究对象，研究开发了一种基于基础的LiDAR监测田间高通量FIPAR的方法，并对影响光截获的GAI和AIA进行了同步估计，综合比较不同基因型间冠层结构差异及其对冠层光截获能力的影响。通过D3P技术，进行表型虚拟实验，产生不同品种小麦的三维冠层，并计算其FIPAR、GAI、AIA信息，进一步进行虚拟LiDAR扫描监控，生成三维点云，并提取GF和高度分位数(H)两种特征。最终，选用了ArtificialNeuralNetwork(ANN)作为反演算法，实现了从点云特征到目标特征的估计。