基于无人机高通量表型技术(UAS-HTP)的甘蔗产量及组分精准估测研究

本研究针对甘蔗育种中传统性状测量耗时费力的问题，利用无人机系统(UAS)搭载多光谱和RGB传感器，开发了甘蔗株高(PH)、可榨茎高(MSH)和茎数(SN)的高通量估测模型。通过路径系数分析发现冠层覆盖度(CC)和冠层高度模型(CHM)是UAS估产的关键组分，随机森林模型在跨环境预测中表现最优(R2 达0.89)。该研究为甘蔗育种数字化提供了可推广的技术方案。

　　

在甘蔗育种领域，产量及其组分性状的精准测量一直是制约育种效率的瓶颈。传统方法需要人工测量株高、逐株计数茎数，每个生长季需评估数百甚至上千个小区，耗时费力且易出错。更棘手的是，甘蔗产量作为多基因控制的低遗传力性状，直接选择效果有限，而传统间接选择方法依赖人工测量的组分性状，效率低下。这种困境催生了研究者对无人机高通量表型技术(UAS-HTP)的探索——能否用"天空之眼"突破地面测量的局限？

美国德克萨斯农工大学的研究团队在《Computers and Electronics in Agriculture》发表的研究给出了肯定答案。他们通过搭载RGB和多光谱传感器的无人机，对7个甘蔗品种进行两季宿根作物监测，创新性地开发了基于冠层特征的产量预测模型。研究采用随机完全区组设计，通过数字表面模型(DSM)提取99.9百分位高度估算株高(PH)，利用冠层高度模型(CHM)衍生冠层覆盖度(CC)预测茎数(SN)，并首次建立可榨茎高(MSH)的形态比例模型。研究团队运用路径系数分析比较传统与UAS估产组分的效能，并设计5种交叉验证方案测试模型泛化能力。

关键技术包括：1) 多平台无人机(DJI Phantom 4 Pro/P4 Multispectral等)协同采集数据；2) 基于CHM的冠层特征提取算法；3) 针对不同MSH比例的品种建立分层预测模型；4) 融合步进回归、随机森林等机器学习方法；5) 创新性设计包含测试/未测试品种×环境组合的5种交叉验证方案。

研究结果揭示：

1. 株高与可榨茎高估测：UAS-derived PH与地面测量PH强相关(R²
   =0.89)，但MSH预测精度受品种形态影响显著。当筛选MSH比例一致的品种建立专属模型时，预测R²
   从0.09提升至0.54，RMSE降至0.15m。

2. 茎数预测突破：针对成熟期叶片衰老导致的传统ExG指数失效问题，提出的CHM-derived CC方法(阈值95cm)展现出稳定优势，在跨季验证中保持R²
   =0.69的预测精度，较Canopeo-derived CC提升265%。

3. 产量组分贡献解析：路径分析显示传统方法中茎数(SN)对单行重(SRW)贡献最大(直接效应0.61)，而UAS组分中CC和CHM起主导作用。尽管UAS组分间存在较高共线性，但其解释力与传统方法相当(残差0.52vs0.48)。

4. 预测模型性能：随机森林在全部5种验证方案中表现最优，尤其在"未测试环境"(CVs5)中保持r=0.5的预测能力，显著优于线性模型(RMSE降低82%)。研究同时发现模型精度与冠层特征-产量关联强度呈正比，3季数据中后期采集的特征更具预测力。

这项研究的意义在于建立了首个适用于甘蔗育种场景的UAS-HTP技术体系。提出的CHM-derived CC方法解决了成熟期表型获取难题，而分层建模策略为形态多样性作物提供了新思路。特别值得注意的是，研究揭示了无人机估产模型在跨环境应用时的衰减规律，为后续研究指明了传感器融合、时序特征优化等改进方向。该成果不仅可缩短甘蔗育种周期，其提出的CVs5验证方案更为其他作物数字育种提供了方法论参考。正如作者指出，未来结合高光谱传感和基因组数据，有望构建更稳健的"空天地"一体化智能育种系统。