基于无人机多光谱成像与集成学习的小麦收获指数高通量表型分析框架

《Current Plant Biology》：High-Throughput UAV Phenotyping for Plot-Level Harvest Index Estimation in Wheat Fields

本研究针对传统收获指数(HI)测量方法破坏性强、效率低下的瓶颈，开发了一种结合无人机多光谱成像与堆叠集成学习的高通量、非破坏性HI估算框架。通过在小麦开花期和成熟期采集植被指数(NDVI、NDRE、GNDVI)，构建的集成模型在多个试验点和生长季均表现出高精度（测试R2>0.83，NRMSE<5.67%），显著提升了育种程序中种质资源筛选效率，为小麦精准育种与产量改良提供了可靠工具。

　　

在全球粮食需求持续增长与气候变化加剧的双重压力下，提高小麦产量稳定性已成为农业研究的核心目标。收获指数(Harvest Index, HI)作为衡量作物生产效率的关键指标，其定义为籽粒产量与地上部总生物量(Aboveground Biomass, AGB)的比值，直接反映了光合产物向经济产量转化的效率。然而，传统HI测量依赖破坏性取样，需经历人工收割、样本干燥、称重等繁琐流程，严重制约了其在大规模育种试验中的应用。尽管遥感技术为作物性状监测提供了新途径，但卫星影像分辨率不足，难以满足田间尺度的动态分析需求。近年来，搭载多光谱传感器的无人机(Unmanned Aerial Vehicle, UAV)凭借灵活、高分辨率的优势，在作物表型研究中崭露头角，但如何利用其精准估算复杂生理性状如HI，仍是亟待突破的难题。

为攻克这一技术瓶颈，来自加拿大里贾纳大学的研究团队在《Current Plant Biology》发表论文，提出了一套集成无人机多光谱成像与堆叠集成学习(Stacking Ensemble Learning)的HI估算框架。该研究以30个面包小麦（Triticum aestivum L.）品种为材料，在加拿大萨斯喀彻温省的Indian Head和Swift Current两个试验点开展了连续两年（2023–2024）的田间试验。研究人员在开花期和生理成熟期利用DJI M300 RTK无人机搭载MicaSense RedEdge-P传感器采集多光谱数据，并同步通过手持光谱仪获取地面真实植被指数（包括归一化植被指数NDVI、归一化红边指数NDRE、绿色归一化植被指数GNDVI），验证无人机数据的可靠性。通过随机森林模型估算AGB，并结合实测籽粒产量计算HI，最终构建以五种机器学习算法（随机森林、决策树、梯度提升、AdaBoost、支持向量回归）为基学习器、岭回归为元学习器的堆叠集成模型，系统评估了不同植被指数在不同生长阶段的预测性能。

关键技术方法

研究采用无人机多光谱遥感技术，在开花期和成熟期采集小麦冠层光谱数据，通过YOLOv8模型自动识别田间小区，提取NDVI、NDRE、GNDVI三种植被指数。利用随机森林回归估算AGB，结合实测籽粒产量计算HI。采用堆叠集成学习框架整合五种基模型，以五折交叉验证构建元特征，最终通过岭回归融合预测结果，并使用R²、RMSE和NRMSE指标评估模型精度。

研究结果

3.1 无人机与地面光谱测量的相关性

线性回归分析显示，无人机衍生的植被指数与地面测量值高度一致（R²>0.94，RMSE<0.023）。以NDVI为例，开花期R²达0.97，成熟期为0.96，验证了无人机多光谱数据在追踪植被状态方面的有效性。

3.2 地上部生物量估算

随机森林模型在AGB估算中表现优异，但不同植被指数的性能随生长阶段变化。开花期以NDVI为最佳预测因子（Indian Head站点R²=0.95，RMSE=80.48 g/p）；成熟期则转为NDRE主导（Indian Head站点R²=0.96，RMSE=70.71 g/p）。模型在Indian Head的预测精度普遍高于Swift Current，可能与当地土壤及气候差异有关。

3.3 收获指数估算

开花期阶段，NDVI基集成模型表现最优，在Indian Head和Swift Current的测试R²分别达0.87和0.84。成熟期阶段，NDRE基模型跃居首位，两站点的测试R²分别为0.86和0.83。集成模型在所有场景下均显著优于单一模型，证实其更强的泛化能力。

4. 消融实验

通过跨年度（2023–2024）和生长阶段合并的验证发现，NDRE在整合数据后成为最稳定的预测指标（测试R²最高达0.82）。这表明红边指数在捕捉全生育期生理变化方面具有独特优势，尤其适用于多环境下的HI估算。

讨论与结论

本研究首次将堆叠集成学习与无人机多光谱技术结合，实现了小麦HI的高精度、非破坏性估算。结果表明，植被指数的预测效能具有明显的阶段依赖性：开花期NDVI对绿色生物量敏感，而成熟期NDRE更能捕捉叶绿素降解信号。这种动态响应揭示了作物生理过程与光谱特征的内在关联，为表型模型的设计提供了重要依据。

该框架的实用性体现在其可扩展性：自动化飞行、小区识别和批量数据处理能力使其适用于大规模育种试验。相较于传统方法，其效率提升显著，有望加速高产、高效小麦品种的选育进程。未来工作可探索引入热红外或激光雷达等多源数据，进一步优化复杂环境下的模型鲁棒性。

综上所述，本研究不仅为解决HI测量难题提供了创新方案，更为智慧农业时代的作物表型分析树立了技术标杆，对保障粮食安全与推动精准育种具有深远意义。