基于无人机（UAV）影像与语义分割技术量化水稻育种试验中的冠层闭合动态

《Plants》：Quantifying Canopy Closure Dynamics Using UAV Imagery and Semantic Segmentation in Rice Breeding Trials

　　

冠层闭合阶段是水稻（Oryza sativa L.）生长发育的关键时期铁路部门会在不自行运输的厂家运输起来的关键阶段，影响冠层结构和最终籽粒产量。准确连续地监测冠层闭合动态对品种筛选和栽培优化至关重要。该研究将无人机（Unmanned Aerial Vehicle, UAV）遥感技术与基于深度学习的语义分割（Semantic Segmentation）相结合，建立了量化水稻冠层闭合动态的高效框架。研究人员在幼苗早期生长阶段获取了198个杂交水稻品种的无人机RGB影像，用于构建冠层分割数据集。系统评估了三种语义分割模型，即DeepLabv3+、U-Net和PSPNet。结果表明，DeepLabv3+表现最佳，能够精确提取水稻冠层特征，获得平均交并比（mean Intersection over Union, mIoU）为0.86。基于提取的冠层覆盖度，研究人员采用Gompertz模型表征所有品种的时间序列冠层闭合轨迹，平均决定系数（R²）达到0.978。随后，推导出五个关键动态指标，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 Growth Rate, MGR）和达到最大生长速率所需天数（Days to Maximum Growth Rate, Tm）。对这些指标进行K-means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。相关性分析进一步表明，冠层闭合动态与籽粒产量密切相关。总体而言，尽管存在单季单点数据集局限性，该研究为量化水稻冠层闭合动态提供了可扩展且客观的框架，为品种选择、栽培优化和高产水稻生产提供了宝贵支持。

该研究发表于《Plants》期刊，旨在解决水稻冠层闭合动态监测中的关键科学问题。研究背景源于水稻作为全球三大主粮作物之一，其稳定生产直接关系国家粮食安全与农业可持续发展。冠层闭合期是反映水稻群体生长状态和决定最终产量的关键生育期，该阶段标志着水稻由营养生长向生殖生长转变，具有明显的时序动态特征，既反映品种遗传特性，也受水肥管理、种植密度及生态环境等因素影响。适宜的冠层闭合动态能使水稻在分蘖期快速建立良好冠层结构，确保充足光合能力用于生物量积累，同时避免过早或过度闭合导致的通风不良、光穿透降低及病虫害风险增加。传统的人工田间调查方法存在效率低、主观误差大、难以获取冠层三维结构信息等突出问题，无法满足大规模品种筛选和田间管理优化的需求。无人机遥感技术凭借其灵活性、便携性及高时空分辨率优势，已成为作物表型监测的理想工具；深度学习技术则提供了强大的精准图像分析能力，可自动从复杂冠层影像中提取特征参数。尽管前人研究已验证无人机与深度学习结合在作物表型监测中的可行性，但多数研究聚焦于离散生育期的静态覆盖度估算，而非连续高频的冠层闭合进程。因此，该研究提出核心假设：基于无人机的连续监测能有效捕捉品种间冠层闭合动态差异，且这些早期动态性状与最终籽粒产量显著相关。

研究人员开展的技术方法主要包括：采用搭载RGB传感器的DJI Mavic 3M RTK无人机，在浙江省嘉兴市浙江省农业科学院杨渡科研创新基地（120°24′ E, 30°26′ N），于2025年5月20日播种、6月18日移栽后的15至40天（移栽后天数, DAT）期间，对198个来自47个粳稻群体不完全双列杂交组合进行9次飞行作业，获取早生长期的时序影像；使用DJI Terra 5.1.1软件生成地理配准正射影像；通过Python图像处理库裁剪为512×512像素图像块，基于GIS形文件进行空间过滤以确保图像块与试验小区对齐，经人工质量筛选后，利用基于Segment Anything模型的交互式半自动标注工具（ISAT-SAM）标注水稻冠层区域，构建包含314张高质量图像的数据集，按7:3比例在小区水平上划分为训练集和验证集；采用PyTorch 2.9.0框架，以MobileNetV2为骨干网络，运用随机水平翻转和图像缩放等数据增强策略及两阶段迁移学习策略训练DeepLabv3+、U-Net和PSPNet三种语义分割模型；使用mIoU、mPA（平均像素精度）、mPrecision、mRecall和Macro-F1五个指标评估分割性能；基于最优模型的分割结果，采用Gompertz模型拟合各品种冠层覆盖度的时序变化，提取K、a、b、MGR和Tm五个动态指标；利用肘部法和轮廓系数确定最佳聚类数，对198个品种进行K-means聚类分析，并通过单因素方差分析（ANOVA）和Tukey's HSD检验比较聚类间差异；采用Pearson相关分析探究动态指标与籽粒产量的关系。

研究结果部分，"不同模型性能比较"显示：DeepLabv3+模型表现最优，mIoU达0.860，较U-Net（0.845）和PSPNet（0.647）分别提升1.77%和32.92%，mPA、mPrecision、mRecall和Macro-F1分别为0.925、0.922、0.925和0.924；U-Net次之，各指标均超0.91；PSPNet显著低于前两者。可视化结果表明，DeepLabv3+在稀疏幼苗期能准确识别叶片且漏分极少，U-Net存在轻微边缘信息损失，PSPNet误将部分土壤背景划分为冠层；在密集分蘖期，DeepLabv3+和U-Net均能成功捕捉连续冠层区域，但DeepLabv3+在刻画冠层内部间隙方面更具优势，PSPNet仍存在明显分割模糊和边界错位。该发现为后续冠层闭合动态指标提取奠定了可靠的数据基础。

"不同生育期冠层分割性能"显示：DeepLabv3+在九个生育期（GS1-GS9）均保持较高分割精度，但存在阶段性差异。幼苗期（GS1-GS2）冠层覆盖度较低（30-45%），叶片稀疏分散、背景像素占比高，模型受水面反射和冠层阴影影响，性能最低，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增至60-90%，结构逐渐连续，分割性能显著提升：mIoU稳定在0.86-0.89，mPA、mPrecision和mRecall均超0.93；GS6期（28 DAT，约85%覆盖度）达到最优，mIoU为0.89、Macro-F1为0.95，此时清晰的水稻冠层边界与背景空间连续性使空洞卷积的多尺度特征提取能力得以充分发挥。拔节期（GS9，40 DAT）覆盖度超95%，叶片严重重叠、冠层闭合，mIoU略降至0.85，mRecall降至0.91，而mPrecision维持0.92，主要源于高密度条件下重叠区域光谱信息混淆、叶阴影或重叠可能略微增加假阳性，但整体仍满足冠层闭合动态分析需求。该结果表明DeepLabv3+在关键生育期具有稳健适应性，尤其在早期幼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"显示：时序冠层覆盖度变化是反映冠层闭合动态的核心指标。198个水稻品种的Gompertz模型拟合R²均超0.95，介于0.952-0.994之间，平均R²为0.978；均方根误差（RMSE）介于1.21%-3.87%，平均仅2.36%；平均绝对误差（MAE）介于0.95%-3.02%，平均1.89%，表明拟合值与实测值偏差极小、预测精度高。幼苗期和拔节期拟合性能略有波动：幼苗期部分品种因覆盖度低、叶片稀疏，RMSE略高（3.0%-3.38%）；拔节期少数品种因冠层闭合和叶片严重重叠，MAE达2.5%-3.0%。四个代表性品种的拟合曲线显示，聚类A品种（小区1）早期生长迅速、分蘖期斜率陡峭；聚类B品种（小区56）初始生长较缓、后期加速；聚类C品种（小区150）生长速率加速，曲线斜率在分蘖中期达峰值；聚类A另一品种（小区198）整体生长节奏紧凑，拟合曲线与实测值几乎重合（R²=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"显示：基于五个动态指标（K、a、b、MGR、Tm）的K-means聚类分析中，肘部法和最大轮廓系数0.65确认k=3为最佳聚类数。198个水稻品种被分为三个不同聚类：A类（95个品种）、B类（24个）和C类（79个），多边形空间分布无显著重叠，表明三类间存在清晰空间区分。时序动态显示，A类初始生长速率最快，C类早期生长速度适中、后期与A类收敛，B类早期生长最慢但后期显著加速。这些结果表明品种间的主要表型差异在于早期生长节律而非最终覆盖度结果，早期冠层闭合效率对品种筛选比静态最终覆盖度更具区分度。具体而言，A类强劲早期活力通过快速遮蔽土壤表面、最大化关键分蘖期辐射截获，实现快速杂草抑制；B类较慢早期生长则提示可能需要增加初始种植密度或中期追施氮肥以补偿延迟的冠层扩展。方差分析显示，a、b、MGR和Tm参数在聚类间差异极显著（p<0.05），而K值无显著差异（均超99%），说明聚类间差异不体现在冠层闭合终点而在于生长节律：B类a值显著高于A类和C类，表明其早期生长启动阈值较高；C类b值显著更高，反映生长速率加速更快；A类MGR显著大于B类和C类，表明冠层闭合效率更优；B类Tm显著更长，表明其生长峰值出现最晚。总体而言，A类以最高MGR和最早Tm为特征，实现快速早期冠层发育；B类以最高a和最长Tm为特征，呈现渐进早期生长节律、避免过度营养生长；C类以最高b值为特征，其他生长指标介于A类和B类之间，反映其在分蘖中期具有更优的稳健加速能力和高群体整齐度。

讨论部分，研究人员首先从方法学前景角度阐述了研究意义。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，为遗传育种、栽培管理及产量品质调控提供核心基础。传统人工调查耗时费力、效率低、主观误差大，无法满足大规模多时期动态监测需求。无人机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，实现从幼苗到成熟的全生育期高频无损动态监测，有效克服了传统方法的局限性。传统人工调查在获取水稻冠层闭合数据方面存在明显不足，本研究利用搭载RGB传感器的无人机在早生长期以高于传统地面调查的频率采集198个小区的影像数据，实现了快速高效的数据采集，大幅减少了耗时的人工田间调查。基于无人机时序影像获取的水稻冠层闭合动态曲线可全面反映研究期内的动态覆盖变化，提取的五个指标经K-means聚类将品种分为三类，为研究不同水稻品种生长动态提供了技术途径。该评价体系与无人机遥感高通量监测优势的结合，促进了品种筛选与栽培管理的精准匹配，为构建高产高效种植模式提供技术支撑。

在语义分割模型性能比较方面，研究人员指出，水稻冠层影像存在显著动态变化，从幼苗期稀疏分布的叶片碎片，到分蘖期逐渐密集化的群体结构，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严苛要求。相比U-Net和PSPNet，DeepLabv3+凭借空洞卷积的多尺度采样和编码器-解码器结构表现更优，能有效适应冠层动态变化，在精确保留细节特征的同时最小化分割模糊。该模型在所有指标上均表现最优，mIoU达0.860，各项均超0.920，尤其在稀疏幼苗冠层的召回率指标提升确保了冠层闭合动态关键初期的可靠数据提取，与此前玉米叶片、水稻稻穗和树木覆盖识别研究结论一致。尽管DeepLabv3+和U-Net已展现出稳健可靠的性能，但深度学习领域技术创新迭代迅速，未来应以更高分割精度为核心目标，通过扩展增强数据集、纳入更多水稻遗传背景和差异化生态环境条件、覆盖全生育期的更全面的数据，提升模型在复杂场景中的泛化能力和精度。

在冠层闭合动态与水稻产量关系方面，前人研究已证明作物冠层覆盖度与最终产量显著相关。本研究中，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间差异不显著（均标记为'b'），但聚类C平均产量数值上高于聚类B。虽然K值在聚类间无显著差异，但其他动态指标均呈现极显著差异：A类以最高MGR和最短Tm为特征，实现快速早期冠层扩展和更优产量表现；B类以最低MGR和最长Tm为特征，代表保守生长节律、最慢早期覆盖扩展和最低产量；C类的a、MGR和Tm介于中间，生长节律较B类更均衡，但这些中等表型优势未转化为统计显著的产量提升，仅贡献于相对于B类更高的平均产量。Pearson相关分析显示，MGR与产量呈极显著正相关（r=0.423，p<0.001），表明更快早期生长速率为生物量形成奠定更坚实基础；a和Tm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a值和较早生长峰值出现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则无显著线性相关。这表明水稻产量形成并非由最终冠层覆盖度决定，而更多取决于早期生长阶段的冠层闭合节律和速率，与水稻生长发育生理规律高度吻合。分蘖期是群体结构建立的关键阶段，早期高效冠层闭合的品种能在分蘖高峰期形成最优叶面积指数，确保上下层冠层光的合理分布、提升群体光合速率，同时促进有效分蘖形成、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。这些发现为品种筛选和种植策略优化中动态生长与产量的协同提供了经验数据支持，为构建高产高效水稻栽培模式奠定了重要理论基础。从育种角度，高MGR和短Tm等动态指标可作为可靠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；从栽培角度，聚类特异性生长轨迹为精准农业提供可操作洞见：A类品种快速早期冠层闭合通过迅速遮荫土壤表面强力抑制早期杂草萌发，减少化学除草剂依赖，但需充足基肥支持旺盛早期生长，并及时中期排水以降低倒伏风险；B类慢启动品种则可能受益于较高初始种植密度或针对性中期追施氮肥以补偿延迟的冠层扩展。

在局限性与未来展望方面，研究人员坦诚了若干不足。第一，试验环境和条件相对均质，气候、土壤特性和种植制度在多样生态区的变异可能影响结果稳健性，限制了向其他稻区的直接推广。第二，试验时长和数据维度受限，当前数据集仅覆盖单一生长季，未考虑年际气候波动，缺乏多年验证，也未整合土壤理化特性或特定水肥管理制度等影响因素。第三，应用场景和样本多样性有限，训练样本遗传背景相对狭窄，排除了极端生长条件影像数据，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拟合欠佳，这些非典型轨迹主要出现于遭受局部微环境胁迫（如水分分布不均）或具高直立叶型显著延迟视觉冠层闭合阶段的特定品种，此类模式偏离了Gompertz模型固有的标准S型生长曲线。第四，指标体系和机理分析深度不足，核心动态指标仅源自冠层覆盖度，忽略了生理、生化或三维结构参数，建立冠层闭合动态与最终产量的内在生理联系尚需进一步研究。未来研究应在以下方面着力：扩大试验范围、延长监测周期，开展多生态区多点试验、纳入更广泛水稻品种，构建全面的多区域、多品种、多年数据集；丰富数据维度、优化模型性能，整合无人机高光谱和LiDAR数据及生理、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，采用多学科方法研究动态指标与水稻生理性状关系，扩展指标集以纳入三维冠层结构和抗逆相关参数；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以促进在基层农技推广和种子企业品种筛选中的实际部署。

研究结论部分翻译如下：该研究建立了整合无人机遥感与深度学习算法的高效精准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模型拟合时序覆盖度数据，研究人员成功提取了捕捉198个品种生长节律细微差别的关键动态指标。随后的聚类分析揭示，水稻品种间的主要区别在于早期生长速率而非最终覆盖度水平。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，以快速早期季节生长为特征的聚类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。然而，需注意这些发现基于单一试验点单一生长季采集的数据。尽管在此情境下观测到的关系在统计上稳健，但应将其解释为强相关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）影响。未来研究应开展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，该研究建立的方法框架为大规模水稻育种和精准田间管理提供了可扩展且客观的工具。