无人机多视角热成像技术解析小麦冠层温度变异源及其在表型筛选中的应用

本研究针对无人机热成像技术在小麦冠层温度(CT)测量中存在的混杂变异源问题，通过多视角分析方法对两年田间试验数据进行建模，成功分离出基因型、处理效应与热漂移、空间趋势等干扰因素，平均解释96.5%初始变异。该研究为作物育种和品种测试中CT数据的准确解读提供了方法论支撑，揭示了未校正数据可能导致产量、株高等表型相关性误判的重要发现。

　　

在农业精准化和智能化发展的背景下，作物表型组学研究面临重大挑战——如何准确获取反映植物生理状态的冠层温度(CT)数据。无人机搭载热红外相机虽能高效采集大田CT数据，但测量值易受传感器热漂移、田间空间异质性、观测几何效应等多重因素干扰，导致基因型与处理效应的真实信号被掩盖。特别是在小麦等主粮作物的育种筛选中，CT作为气孔导度和蒸腾作用的代理指标，其测量噪声会直接影响抗旱品种筛选的准确性。

Agroscope研究所的Simon Treier团队在《Plant Phenomics》发表的研究中，创新性地采用多视角分析方法，对瑞士温带气候区两年四组冬小麦品种试验的99次飞行热成像数据进行系统解构。研究通过混合模型分离时空趋势，结合偏最小二乘回归(PLSR)量化几何效应，并整合植被指数(FCC)、株高等表型数据，首次全面解析了CT测量中的变异来源构成。

关键技术方法包括：1) 多视角飞行方案获取每个地块的9次以上观测；2) ASReml-R软件构建包含时空自回归项的混合模型；3) 基于太阳-无人机-地块三维几何关系的PLSR建模；4) 手持热像仪与风扇实验验证传感器热漂移特性；5) Ilastik图像分割量化冠层覆盖度(FCC)。

研究结果揭示：

1. 变异源贡献度：时间趋势（热漂移主导）>空间趋势>基因型/处理效应。校正后96.5%初始变异可被解释，其中时间因素单独解释最大方差（2022年SwiVar试验达8.40 K²
   →0.32 K²
   ）。

2. 表型关联特征：水分充足条件下，CT与产量呈稳定负相关（r=-0.69，p≤0.001），但该关联易被空间趋势掩盖；株高与CT负相关性最强（r=-0.82），且不受处理效应干扰；冠层覆盖度(FCC)降低会导致CT测量值向土壤背景温度偏移。

3. 几何效应机制：双向反射分布函数(BRDF)和视场角效应使边缘地块CT比中心点低4°C，但通过9个几何协变量的PLSR建模可解释48.6%残差变异，其中播种行方向的横向距离("RowDir-lat")贡献最大。

4. 处理效应干扰：2022年干旱条件下，施肥处理使CT降低4.8°C，同时引发更显著的叶片卷曲（评分3级占比提升47%），证实CT差异可能反映生物量差异而非单纯水分状况。

该研究的突破性在于建立了无人机热成像数据的标准化分析框架：首先通过混合模型校正时空趋势，继而用PLSR消除几何偏差，最后通过处理效应放缩突出基因型差异。方法论创新解决了传统正射拼接方法无法分离时空效应的缺陷，为CT在育种中的可靠应用扫清了技术障碍。实践层面证实，忽略校正步骤会导致产量关联性误判（如SwiVar22试验未校正数据假相关达r=-0.71，校正后不显著）。研究还揭示了温带气候下CT作为产量预测指标的潜力——在水分充足的2021年，其预测精度显著高于归一化植被指数(NDVI)等光学指标。

未来研究可进一步整合发射率(emissivity)校正模型，并探索多时相CT数据与作物生长模型的耦合。该成果为表型组学领域提供了可推广的技术范式，其"解构-校正-关联"的三步策略同样适用于其他易受环境干扰的性状测量，推动精准农业从数据采集走向可靠解读。