《Plants》：Evaluating Co-Ensiling Strategies to Valorise Duckweed as a Sustainable Feed Ingredient
本研究将无人机（UAV）遥感技术与基于深度学习的语义分割技术相结合，旨在建立水稻（Oryza sativa L.）冠层闭合动态的高效量化框架。冠层闭合期是影响水稻冠层结构和最终籽粒产量的关键发育阶段，准确、连续地监测冠层闭合动态对于品种筛选和栽培优化至关重要。研究人员于水稻生长早期对198个杂交水稻品种采集了UAV RGB图像以构建冠层分割数据集，并系统评估了三种语义分割模型，即DeepLabv3+、U-Net和PSPNet。结果显示，DeepLabv3+表现最优，能够精确提取水稻冠层特征，mean intersection over union（mIoU，平均交并比）达到0.86。基于提取的冠层覆盖度数据，研究人员利用Gompertz模型对所有品种的冠层闭合时间轨迹进行拟合，平均R2达到0.978。随后，提取了五个关键动态指标，包括冠层闭合极限值（K）、初始生长系数（a）、生长速率系数（b）、最大瞬时生长速率（maximum instantaneous growth rate，MGR）和达最大生长速率所需天数（days to maximum growth rate，Tm）。研究人员对这些指标进行K-means（K均值）聚类分析，将所有水稻品种分为三类，揭示了早期冠层发育特征的显著差异。相关分析进一步表明，冠层闭合动态与籽粒产量密切相关。尽管 acknowl edging单一季节、单一地点数据集的局限性，本研究仍为量化水稻冠层闭合动态提供了一种可扩展且客观的框架，为品种选择、栽培优化和水稻高产生产提供了有价值的支持。
水稻（Oryza sativa L.）作为全球三大主粮作物之一，承载着中国超过半数人口的主食供给重任，保障水稻生产稳定直接关系到国家粮食安全与农业可持续发展。在水稻栽培过程中，冠层闭合期是反映群体生长状况、决定最终产量表现的关键生长阶段，因此准确刻画不同水稻品种的冠层闭合动态对于优新品种筛选、栽培管理优化及高产高效种植模式构建具有重要的理论意义与实践价值。
传统的水稻冠层闭合动态监测依赖人工田间调查，通过目测或测量冠层覆盖度、株高、分蘖数等指标来评估冠层闭合进程。然而，该方法效率低下，难以实现大规模、多时期的监测，且主观误差大，无法获取冠层内部三维结构信息，难以精确量化细微变化。随着现代农业向精准化、智能化转型，传统方法已无法满足大规模品种筛选和田间管理优化的需求，亟需发展高效、精准、无损的监测技术。无人机（unmanned aerial vehicle，UAV）遥感技术的快速发展为作物表型监测提供了新思路。UAV具有灵活便捷的优势，能够在高频时间维度和大尺度空间维度上采集高分辨率影像，是实现高通量、无损作物表型监测的理想工具。搭载多光谱和RGB相机的UAV可快速获取水稻冠层影像，为广域、高频监测提供数据支撑。同时，深度学习技术的快速发展为精准图像分析提供了强大工具，其优异的图像分割、特征提取和目标识别能力使其能够从复杂的冠层图像中自动提取与冠层闭合状态相关的特征参数，从而实现对冠层闭合动态的定量分析。
现有研究多聚焦于离散生长阶段的静态覆盖度估算，而非捕捉冠层闭合的连续、高频进程。本研究整合多时相RGB影像量化水稻冠层闭合，并采用Gompertz模型提取区分杂交水稻品种早期生长模式的动态指标。研究核心假设为：基于UAV的连续监测能够有效捕捉品种间冠层闭合动态的差异，且这些早期动态性状与最终籽粒产量显著相关。为验证该假设，研究人员 addressing以下研究问题：（1）哪种语义分割模型对于高频、复杂水稻冠冠提取表现最优？（2）Gompertz建模与K-means聚类能否客观区分水稻品种的早期冠层发育？（3）这些不同的动态性状与最终农艺产量如何相关？
本研究用到的主要关键技术方法包括：基于DJI Mavic 3M RTK UAV平台于移栽后15至40天进行九次飞行作业采集RGB影像，使用DJI Terra软件生成地理参考正射影像；通过Python图像处理库裁剪512×512像素图像块，采用基于Segment Anything Model的交互式半自动标注工具（ISAT-SAM）标注水稻冠层区域，构建涵盖苗期、分蘖期和拔节期的314幅高质量图像数据集；以MobileNetV2为特征提取骨干网络，采用两阶段迁移学习策略训练DeepLabv3+、U-Net和PSPNet三种语义分割模型；利用Gompertz模型拟合各品种冠层覆盖度时间序列数据，提取K、a、b、MGR、T
m五个动态指标；采用K-means聚类分析对198个品种进行分类，并通过肘部法则和轮廓系数确定最优聚类数；运用单因素方差分析（ANOVA）和Tukey's HSD检验比较不同聚类间动态指标的差异，采用Pearson相关分析探究动态指标与产量的关系。
模型训练与性能比较
不同模型的性能比较
研究人员系统评估了三种语义分割模型的性能。DeepLabv3+模型表现最优，mIoU达到0.860，相较于U-Net（0.845）和PSPNet（0.647）分别实现了1.77%和32.92%的相对提升。此外，DeepLabv3+的mean pixel accuracy（mPA，平均像素精度）、mPrecision、mRecall和Macro-F1分数分别达到0.925、0.922、0.925和0.924，体现了其平衡且稳健的分割能力。U-Net以0.845的mIoU紧随其后，其余指标均保持在0.91以上，性能与DeepLabv3+接近。PSPNet则表现显著较差，所有指标均明显低于其他两个模型。
可视化结果表明，在移栽后15天（苗期）的稀疏冠层场景下，DeepLabv3+能够准确识别稀疏叶片，遗漏极少；U-Net在叶缘存在轻微信息损失；PSPNet则将部分土壤背景误分类为冠层。在移栽后23天（分蘖期）的密集冠层场景下，DeepLabv3+和U-Net均成功捕捉到连续的冠层区域，但DeepLabv3+在刻画冠层内部空隙方面表现更优，而PSPNet仍存在明显的分割模糊和边界错位问题。
不同生长阶段（growth stage，GS）的冠层分割性能
研究人员进一步验证了最优DeepLabv3+模型在九个生长阶段（GS1-GS9）跨时相影像上的分割稳定性与适用性。苗期（GS1-GS2）冠层覆盖度较低（30%-45%），叶片稀疏分散，背景像素占比高，受水面反射和冠层阴影影响，模型表现最低，mIoU为0.78-0.81，mRecall为0.85-0.88。进入分蘖期（GS3-GS8）后，快速分蘖使冠层覆盖度提升至60%-90%，形成逐渐连续的结构，分割性能显著提升：mIoU稳定在0.86-0.89之间，mPA、mPrecision和mRecall均超过0.93。GS6（移栽后28天，约85%覆盖度）时达到最优性能，mIoU为0.89，Macro-F1为0.95。拔节期（GS9，移栽后40天）冠层覆盖度超过95%，严重叶片重叠和冠层闭合导致mIoU略降至0.85，mRecall降至0.91，而mPrecision维持在0.92。总体而言，DeepLabv3+在关键水稻生长阶段表现出稳健的适应性，即使在苗期稀疏条件下仍能可靠量化冠层覆盖度。
冠层闭合动态分析
冠层覆盖度的时间序列变化是反映冠层闭合动态的核心指标。所有品种的R
2均超过0.95，介于0.952-0.994之间，平均R
2为0.978，表明拟合曲线有效捕捉了冠层覆盖度的时间变化模式。root mean square error（RMSE，均方根误差）介于1.21%-3.87%，平均仅为2.36%；mean absolute error（MAE，平均绝对误差）介于0.95%-3.02%，平均为1.89%，表明拟合值与实测值偏差极小，预测精度高。苗期和拔节期的拟合性能存在轻微变化：苗期部分品种的RMSE略高，介于3.0%-3.87%，因冠层覆盖度低、叶片稀疏所致；拔节期少数品种的MAE达到2.5%-3.0%，因冠层闭合和严重叶片重叠所致。
四个代表性品种（小区1、56、150、198）的Gompertz模型拟合显示：小区1（聚类A）早期生长迅速，分蘖期斜率陡峭；小区56（聚类B）初始生长较平缓，后期加剧；小区150（聚类C）生长速率加速，曲线斜率在中分蘖期达峰； 从198（聚类A）整体生长节奏紧凑，拟合曲线与实测值几乎重合（R
2=0.992，RMSE=1.35%）。这些结果充分验证了Gompertz模型拟合水稻冠层闭合动态的适用性和可靠性。
水稻品种聚类分析
为探究水稻冠层闭合动态的相似性，研究人员基于五个动态指标（K、a、b、MGR、T
m）进行K-means聚类分析。通过肘部法和最大轮廓系数0.65确定最优聚类数为3。198个水稻品种被分为三个聚类：A（95个品种）、B（24个品种）和C（79个品种），多边形空间分布显示三类之间无显著重叠，具有清晰的空间区分。
三个聚类的冠层覆盖度时间动态显示：聚类A初始生长速率最快；聚类C早期生长速度较温和，后期与聚类A收敛；聚类B早期生长最慢，但后期显著加速。这表明水稻品种间的主要表型差异在于早期生长节奏而非最终覆盖结果。从农学角度看，评估早期冠层闭合效率比依赖静态最终覆盖度更具品种筛选区分度。
聚类间动态指标比较的单因素方差分析显示，a、b、MGR和T
m在聚类间存在极显著差异（p < 0.05），而K值无显著差异，所有品种均保持在99%以上。具体而言：聚类B的a值显著高于聚类A和C，表明其早期生长启动阈值更高；聚类C的b值显著更高，反映其生长速率加速更快；聚类A的MGR显著大于聚类B和C，展示其优越的冠层闭合效率；聚类B的T
m显著更长，表明其生长峰期出现最晚。
讨论
方法学前景
植物表型直接反映基因型与环境的互作，涵盖形态、生理和物候特征，是作物遗传育种、栽培管理和产量品质调控的核心基础。传统人工调查获取表型数据耗时费力、效率低下，且易受调查者主观判断影响产生显著误差，无法适应现代农业研究的精准化和高通量需求。UAV遥感技术具有灵活性、便捷性和高分辨率优势，可搭载RGB、多光谱等传感器快速获取大规模冠层图像数据，实现从苗期到成熟期的全关键生育阶段高频、无损动态监测，有效解决了传统方法的局限性，为作物表型研究领域的高通量精准分析提供了关键技术支撑。
传统人工调查在水稻冠层闭合数据获取方面存在显著缺陷，不适用于本研究198个小区多生育阶段的高频监测。研究人员利用搭载RGB传感器的UAV在生长季早期以高于传统地面调查的频率采集影像，实现了快速高效的数据收集。基于UAV时序影像获取的水稻冠层闭合动态曲线能够全面反映研究期间的动态覆盖变化，提取的五个指标作为K-means聚类算法的输入变量对所有品种进行分类，使研究人员能够探究各品种的生长动态。该评价体系可作为预测品种高产潜力的重要依据，与UAV遥感技术的高通量监测优势相结合，促进品种筛选与栽培管理的精准匹配。
语义分割模型性能比较
在精确水稻冠层覆盖度提取研究中，语义分割架构的选择直接决定时间序列数据的可靠性，进而影响冠层闭合动态指标的准确性和产量相关分析的科学性。水稻冠层影像存在显著动态变化，从苗期稀疏分布的叶片碎片，到分蘖期逐渐致密的群体结构，再到拔节期闭合重叠的冠层形态，这些变化对模型的特征提取能力、抗干扰鲁棒性和适应性提出了严格要求。
与U-Net和PSPNet相比，DeepLabv3+凭借其空洞卷积的多尺度采样和编码器-解码器结构表现更优。该架构能有效适应动态冠层变化，在精确保留细节特征的同时最小化分割模糊。本研究中DeepLabv3+在所有指标上表现最优，mIoU达0.860，mPA、mPrecision、mRecall和Macro-F1均超过0.920。尤其在稀疏苗期冠层的recall指标上的显著提升，确保了冠层闭合动态关键初始阶段的数据可靠性提取。这些结果与既往研究中DeepLabv3+在玉米叶片、水稻穗部和树木覆盖识别方面的优异表现一致。
本研究选用的语义分割模型表现稳健可靠，为水稻冠层覆盖度提取和冠层闭合动态分析提供了有力支持。然而，深度学习领域技术创新与迭代迅速，未来研究应以更高分割精度为核心目标，通过扩大和增强当前数据集，纳入更多样化的水稻遗传背景、差异化的生态环境条件以及覆盖全生育期的更 comprehensive 数据，提升模型在复杂场景中的泛化能力和分割精度。
冠层闭合动态与水稻产量
既往研究已证实作物冠层覆盖度与最终产量存在显著相关性。本研究中，基于五个核心动态指标将198个品种分为三个聚类。聚类A的籽粒产量显著高于聚类B和C（p < 0.05）；聚类B与聚类C间产量差异无统计学意义，但聚类C的平均产量数值上高于聚类B。
聚类特征显示：聚类A以最高MGR和最短T
m为特征，实现快速的早期冠层扩展和优越的产量表现；聚类B以最低MGR和最长T
m为特征，代表保守的生长节奏，早期覆盖扩展最慢且产量最低；聚类C的a、MGR和T
m均为中间值，生长节奏较聚类B更为均衡，但未转化为统计显著的产量提升。Pearson相关分析表明：MGR与产量呈极显著正相关（r = 0.423，p < 0.001），表明更快的早期生长速率提供更充足的生物量基础，有力支撑产量形成；a和T
m与产量呈显著负相关（r = ?0.497，p < 0.001和r = ?0.461，p < 0.001），意味着较小的a值和较早出现的生长峰使作物更快建立稳定生长，减少后期营养竞争和环境胁迫影响，提升产量潜力；b与产量呈弱负相关（r = ?0.180，p = 0.011）；K无显著线性相关，不被视为影响产量的核心因素。这表明水稻产量形成并非由最终冠层覆盖水平决定，而更多取决于早期生长阶段的冠层闭合节奏和速率。
分蘖期是群体结构建立的关键阶段，早期高效实现冠层闭合的品种能在峰值分蘖期形成最优叶面积指数，确保冠层上下部光的合理分布，提升群体光合速率；同时充足的早期营养生长促进有效分蘖形成，增加单位面积穗数，而有效穗数是水稻产量的核心构成要素，直接决定产量潜力。然而需注意，此处观察到的正相关关系仅代表特定测试季节环境条件下的相关性，需经多环境试验验证其更广泛农学适用性。
将理论见解转化为农学实践，将水稻品种划分为不同动态聚类对田间表型鉴定具有深远意义，将关注点从静态最终性状转向动态早期生长节奏。育种角度，高MGR和短T
m等动态指标可作为可靠的早期表型生物标志物，使育种者在移栽后首月内高效识别高产基因型（如聚类A），显著加速筛选进程。栽培角度，这些聚类特异性生长轨迹为精准农业提供可操作见解：聚类A品种的快速早期冠层闭合通过迅速遮蔽土壤表面，显著抑制早期杂草萌发，减少化学除草剂依赖；农学管理上，聚类A品种需要充足基肥支撑其旺盛早期生长，随后及时中期排水以降低倒伏风险。相反，聚类B的慢启动品种可能受益于更高的初始种植密度或针对性中分蘖期氮肥追施，以补偿其延迟的冠层扩展。
局限性与未来展望
本研究建立的监测分析框架存在若干局限：实验环境和条件相对均质，不同生态区的气候、土壤特性和种植制度变异可能影响结果的稳健性；实验持续时间和数据维度受限，当前数据集仅覆盖单一生长季，缺乏年际气候波动考量，未整合土壤理化特性或具体水肥管理制度等影响因素；应用场景和样本多样性有限，训练样本遗传背景较窄，且排除了极端生长条件下的影像数据，可能限制模型泛化能力；Gompertz模型对某些非典型生长模式品种的拟合性能欠佳，这些非典型轨迹主要出现在经历局部微环境胁迫（如水分分布不均）或具有直立叶型等特殊品种中；指标系统深度和机理性分析不足，核心动态指标仅来源于冠层覆盖度，忽略了生理、生化或三维结构参数。
未来研究应聚焦以下方面：扩大实验范围，延长监测周期，在多样化水稻生态区开展多点试验，构建全面的多区域、多品种、多年份数据集；丰富数据维度，优化模型性能，整合基于UAV的高光谱和LiDAR数据以及生理、生化和土壤参数，引入Transformer架构和迁移学习策略等先进深度学习技术；深化机理研究，完善指标体系，采用多学科方法探究动态指标与水稻生理性状的关系，扩展指标集以纳入三维冠层结构和抗逆性相关参数；促进技术转化和实际应用，将技术框架与作物生长模型整合，开发产量预测和栽培决策支持系统，开发轻量化田间监测软件，促进系统在基层农业推广和种子企业品种筛选中的实际部署。
结论
本研究通过整合UAV遥感与深度学习算法，建立了高效精准的水稻冠层闭合动态监测系统。结果表明，DeepLabv3+模型优于U-Net和PSPNet，为高通量表型鉴定提供了稳健的数据基础。通过采用Gompertz模型拟合时间序列覆盖度数据，研究人员成功提取了能够捕捉198个品种生长节奏细微差异的关键动态指标。后续聚类分析揭示，水稻品种间的主要区别在于其早期生长速率而非最终覆盖水平。此外，早期冠层闭合动态与籽粒产量之间存在显著相关性，具体而言，以快速季初生长为特征的聚类A品种实现了更高产量，表明早期生长加速是产量潜力的有前景指标。需要注意的是，这些发现基于单一实验地点单一生长季采集的数据。尽管在此背景 下观察到的关系具有统计稳健性，但应将其解释为相关性的有力证据，而非普遍适用的农学规律。具体模型参数和生长阈值可能受基因型与环境互作（G × E）的影响。未来研究应涉及多年多点试验，以验证这些指标在不同农业生态条件下的稳定性。尽管如此，本研究开发的方法框架为大规模水稻育种和精准田间管理提供了一种可扩展且客观的工具。
