无人机多时相遥感解析湿地松三维冠层水势（Ψm）动态及其抗旱育种应用

《Information Processing in Agriculture》：Multi-temporal UAV remote sensing of three-dimensional canopy water potential dynamics in slash pine and its application to drought breeding

　　

冠层水分状态评估是抗旱育种所必需的，然而大多数无人机（unmanned aerial vehicle, UAV）方法基于二维光谱图估算水势，忽略了垂直冠层结构。本研究开发了一种多时相无人机框架，将多光谱反射率与地理参考点云相连接，并在2021–2024年期间将随机森林（random forest, RF）对正午冠层水势的预测分配到湿地松（Pinus elliottii）种子园内单株冠层体素（voxel）上。随机森林在内部测试集的四种算法中表现最佳（平方相关系数0.697；均方根误差0.242 MPa），而场地区块留出验证（预测决定系数0.347；均方根误差0.411 MPa）界定了其空间迁移边界。体素场产生了三个新的冠层水平指标：上四分位水势、下层减上层垂直梯度以及冠层内变异性。预测水势在生长季节上部冠层更为负值，这一对比在冬季减弱。垂直梯度和冠层内变异性与饱和水汽压差（vapor pressure deficit, VPD）及最高气温相关，而上四分位指标对月尺度气候不敏感，在生长季的部分时段表现出中等到较高的遗传力，并重复识别出相同的家系。在2024年7月的测试中，该指标的家系排名与全冠层均值高度一致（Spearman秩相关系数为0.941）；该框架的附加价值在于二维制图无法提供的冠层内和时间信息。由于直接测量仅在2024年获得，早年及跨平台的预测存在迁移不确定性。该框架提供了一条从无人机表型鉴定到面向育种的冠层水分状态性状的非破坏性途径。

无人机多时相遥感解析湿地松三维冠层水势动态及其抗旱育种应用——论文解读

水资源可利用性制约植物生长与生产力，尤其对多年生树种而言，干旱和极端气候日益频发。冠层水势（Ψ）综合了土壤水分、大气需求和内部水力调节，是植物水分状况的直接生理指标，其中正午冠层水势（Ψ_m）在最大蒸腾和饱和水汽压差下测量，最能指示干旱胁迫。然而，压力室测量虽为金标准，却具有破坏性、耗时且空间覆盖有限。无人机（UAV）遥感可提供非破坏性高通量替代，但多数方法基于二维光谱图，忽略垂直冠层结构，因此需要发展将多光谱反射率与三维点云耦合的多时相框架，以实现空间显式的水势评估并服务于抗旱育种。

研究人员在安徽宣城泾县马头林场湿地松（Pinus elliottii）种子园（30°45′N，118°29′E）开展了2021–2024年的多时相无人机观测。试验群体为20个开放授粉半同胞家系，约600株树。研究人员结合多光谱影像、RGB影像和LiDAR点云，通过随机森林（RF）模型将Ψ_m预测到冠层体素，提出上四分位水势（Ψ₇₅）、下层减上层垂直梯度（ΔΨ）和冠层内变异性（Ψ_sd）三个指标，并评估其季节/年际动态、气候响应和遗传参数。该框架将水势从平面平均值转换为三维生理场，为育种筛选提供了非破坏性途径。

方法方面，研究使用DJI Phantom 4 RTK、Phantom 4 Multispectral和Matrice 300 RTK采集RGB、多光谱和LiDAR数据；多光谱影像经辐射定标和正射拼接，RGB点云通过运动恢复结构（SfM）生成，LiDAR数据经滤波和高度归一化生成高密度点云。以1 m体素为单元，将多光谱反射率赋予体素，形成融合三维点云。2024年4–8月每月用压力室测量Ψ_m，共174条配对记录用于模型训练。四种机器学习算法中RF表现最优，随后用于预测全部月份。基于预测体素值，按冠层高度分为下25%、中50%、上25%三层，计算三个指标；环境数据包括月最高气温（T_max）、饱和水汽压差（VPD）和标准化降水指数（SPI）。遗传参数用限制最大似然（REML）混合模型估计。

结果如下：

3.1 冠层水势三维模型
3.1.1 冠层三维估算模型：RF在内部测试集上R²=0.697，RMSE=0.242 MPa，优于SVM、PLSR和XGBoost；但完整地点区块留出验证的预测R²=0.347，RMSE=0.411 MPa，界定了空间迁移边界。MARI、NIR和GREEN是重要预测因子，但该重要性可能混入冠层结构、光照和背景效应，不能视为生理机制证据。
3.1.2 体素、分层和全冠层敏感性：2024年7月数据（592株树，61,366个点）显示，在1 m体素下，全冠层均值与Ψ₇₅的家系Spearman相关系数为0.941，前五家系完全一致。表明三维框架主要增加垂直分布描述，但该航次中未在家系排序上产生决定性优势。
3.1.3 水势三维时空分布：2021–2024年月度预测显示多个月份（如2021年5、6、9月，2023年5、9月，2024年5、11月）出现较低预测Ψ_m。由于校准数据仅限2024年，年际差异可能混杂模型迁移偏差。

3.2 冠层水势时空变化
3.2.1 时间变化：年度均值从2021年?1.279 MPa升至2024年?1.250 MPa，变异系数以2024年最高（2.087%）。月尺度存在季节波动，但2024年前为模型迁移预测，须谨慎解读。
3.2.2 分层变化：生长季（4–9月）上部冠层预测Ψ_m显著低于中、下层，差异约0.1 MPa；冬季和早春差异减弱，说明垂直梯度随大气需水变化而动态变化。

3.3 环境关系与抗旱指标筛选：Pearson相关分析表明，Ψ₇₅与T_max、VPD、SPI均无显著相关；ΔΨ和Ψ_sd与VPD（r=0.48–0.55）及T_max（r=0.43）正相关，与SPI弱相关。RF环境回归也显示T_max和VPD的重要性高于SPI。Ψ₇₅对月气候相对稳定，可作为候选育种指标。

3.4 遗传育种分析：Ψ₇₅的窄义遗传力点估计在生长季部分月份为0.15–0.55，但标准误较大；39个月份模型中38个存在显著残差空间自相关，故遗传参数应视为初步结果。按研究设定的育种值稳定性和选择率（25%）规则，每年识别5个候选家系，家系1和14重复出现。

3.5 与已有UAV水势及3D表型方法比较：多数UAV水势研究输出单值二维图，而LiDAR-多光谱融合多用于3D光合性状。本研究将体素级Ψ_m、冠层分布指标、四年月度监测和半同胞遗传评价结合，其先进性体现在表型类型而非单点精度。

3.6 局限与未来：研究仅在一个种子园进行，2024年校准数据有限，跨年预测含迁移不确定性；阴影、遮挡、视角、体素大小、分层方案等均引入误差。未来需同步跨平台校准、深度感知验证、多地点测量和空间混合模型。

讨论部分总结：本框架将UAV水势估计从二维制图扩展到三维、时间分辨且遗传可解释的冠层性状，并同时报告内部与分组验证以明确迁移边界。对育种而言，它提供了可重复的非破坏性筛选，但证据仍限于单一地点和2024年校准期，操作前需独立验证。

结论部分翻译如下：

本研究开发了一种多时相无人机框架，将多光谱反射率与地理参考点云耦联，并将随机森林对正午冠层水势的预测分配到个体冠层体素。其方法贡献有三方面：第一，冠层水势被表示为空间显式的冠层内场，而非单一平面值，从而可以跨树、跨日期一致地概括垂直结构；第二，体素场被浓缩为三个可解释的冠层水平指标，即上四分位水势、下层减上层垂直梯度和冠层内变异性，可像常规表型一样进行分析；第三，这些指标通过四年时间序列和半同胞遗传分析，将基于无人机的水分状态估计与遗传力、育种值和家系选择联系起来。模型评估在两个水平上报告：保留的随机森林模型在内部测试集上观测值与预测值的平方相关系数为0.697，均方根误差为0.242 MPa；而地点区块和树分组验证给出了较低的值，因此限定了对新区块和树木的迁移。主要发现如下：生长季上部冠层的预测水势始终更负，冬季和早春垂直对比减弱，表明冠层内水势梯度随季节变化而非固定不变。垂直梯度和冠层内变异性主要与饱和水汽压差和最高气温相关，而基于降水的干旱指数在该月尺度数据集中关联较弱。上四分位指标对月尺度气候相对不敏感，在生长季部分时段表现出中等到较高的遗传力点估计，并重复识别出家系1和14为候选。在参考体素大小下，该指标的家系排名与全冠层均值密切一致，表明三维表示的附加价值主要在于垂直和冠层内描述符。本工作的学术价值在于将无人机水分状态估计从二维制图扩展到三维、时间分辨和遗传可解释的冠层性状，并并列报告内部和分组验证，使迁移限制明确。对育种而言，该框架提供了一种可重复、非破坏性的筛选手段，补充了压力室测量。现有证据仅限于一个种子园、2024年校准期及没有同步跨平台校准的传感器组合；在业务使用前，需要独立的多地点测量、分层特异性验证、空间遗传模型和更自动化的流程。