面向干旱适应性芝麻育种的无人机遥感技术：飞行高度基准测试、预测建模与复合胁迫耐受指数研究

《Remote Sensing》：UAV Remote Sensing for Drought-Adaptive Sesame Breeding: Flight-Altitude Benchmarking, Predictive Modelling, and Composite Stress Tolerance Indexing

　　

研究人员针对芝麻（Sesamum indicum L.）早期世代育种中大规模非重复群体在异质环境下的高通量表型鉴定需求，采用大疆精灵4多光谱无人机（DJI Phantom 4 Multispectral UAV）系统，于2025年生长季在希腊拉里萨的ELGO-DIMITRA研究所工业与饲料作物研究所（IIFC/ELGO-DIMITRA）试验基地开展研究。该研究在完全灌溉（ENV1）和生殖期起终止灌水的终端干旱（ENV2，累积水分亏缺达135 mm）两种条件下，对588份M2代芝麻突变体基因型进行多高度、多时相无人机遥感观测。研究通过运动恢复结构（Structure-from-motion, SfM）摄影测量技术构建冠层高度模型（Canopy Height Model, CHM），并提取归一化植被指数（Normalised Difference Vegetation Index, NDVI）、归一化红边指数（Normalised Difference Red Edge, NDRE）、绿色归一化植被指数（Green Normalised Difference Vegetation Index, GNDVI）及叶绿素指数（Leaf Chlorophyll Index, LCI）等光谱反射指数，系统评估了不同飞行高度对冠层高度估算精度的影响。研究比较了普通最小二乘法（Ordinary Least Squares, OLS）、随机森林（Random Forest, RF）和梯度提升（Gradient Boosting, GB）三种算法在留一基因型交叉验证（Leave-one-genotype-out, LOGO）、留一环境交叉验证（Leave-one-environment-out, LOEO）和留一日期交叉验证（Leave-one-date-out, LODO）下的预测性能，并通过组内相关系数（Intraclass Correlation, ICC）量化了光谱指数的基因型重复度。最终，研究人员构建了基于五种无人机衍生性状（冠层高度、NDVI、NDRE、GNDVI、LCI）的复合胁迫耐受指数（Stress Tolerance Index, STI），并以其独立育种评估结果进行超几何分布富集检验验证。

研究结果表明，40 m相对地面高度（Above Ground Level, AGL）的无人机飞行高度在两种灌溉环境下均实现了最高的冠层高度估算精度，其中ENV1的决定系数（R²）达0.812，ENV2为0.663，高于80 m和120 m高度的表现。光谱指数在干旱胁迫下的基因型重复度较完全灌溉条件提高约2倍，ICC(3,4)均高于0.84。复合STI从498份完整数据基因型中筛选出38份（7.6%）优异基因型，其前30名中有10份与育种家独立选择的48份最优基因型重叠，富集达4.1倍（超几何检验p = 4.5 × 10^?5）。LOGO验证下算法R²约为0.83，但LODO验证下降至约0.55；值得注意的是，在LODO条件下，包含全部结构-光谱预测变量的OLS模型出现预测崩溃（R² = ?0.203），而RF和GB等非线性算法保持稳定。该研究发表于《Remote Sensing》期刊，确立了无人机遥感技术作为芝麻干旱适应性育种高通量表型鉴定工具的方法学框架，为突变体群体早期选择提供了可扩展的非破坏性解决方案。

**研究背景与问题**

芝麻（Sesamum indicum L.；胡麻科Pedaliaceae）作为全球重要的油料作物，种子含油量达45–63%，具有优良的不饱和脂肪酸组成及高浓度抗氧化木酚素。然而，芝麻育种长期面临遗传基础狭窄、蒴果易裂、生物与非生物胁迫敏感及收获后技术滞后等瓶颈。尤为突出的是，干旱胁迫在灌浆期对产量的抑制作用显著制约了地中海地区的产量稳定性。突变育种可通过γ射线辐照引入新的等位变异以拓宽遗传基础，但M2代群体通常包含数百至数千个后代家系，缺乏基因型内重复，加之籽粒产量遗传力极低（H² ≈ 14%），传统地面表型鉴定方法难以满足高通量筛选需求。无人机（Unmanned Aerial Vehicle, UAV）遥感技术虽已在芝麻光谱筛选、高光谱产量估算及时序表型分析等领域有所应用，但尚未有研究系统评估不同飞行高度在对比水分条件下的冠层高度精度表现，亦缺乏面向突变体群体的可操作化干旱选择指数体系。为此，研究人员开展了本项研究，旨在建立一套适用于大规模非重复M2群体、跨越多种高度与环境、具备跨阶段推广能力的高通量表型鉴定流程，以加速芝麻干旱适应性育种进程。

本研究采用的关键技术方法涉及以下方面。样本来源于24个γ射线辐照M2家系，共588份基因型，其中包含24份未辐照亲本对照行。田间试验于2025年5月22日至9月30日在希腊拉里萨进行，设置完全灌溉（ENV1）和生殖期起终止灌溉的终端干旱（ENV2，累积亏缺135 mm）两个环境区块，各含588个单行小区。无人机数据采集使用DJI Phantom 4 Multispectral平台，搭载RGB相机及蓝（450 ± 16 nm）、绿（560 ± 16 nm）、红（650 ± 16 nm）、红边（730 ± 16 nm）、近红外（840 ± 26 nm）五波段多光谱传感器，通过RTK定位及NTRIP网络差分校正实现厘米级定位精度，于7月11日、7月22日、8月6日及9月1日四个日期在40、80、120 m三个高度进行航摄，地面采样距离分别为2.1、4.2、6.4 cm。影像处理采用DJI Terra Agriculture v5.1.1软件完成，冠层高度通过各日期DSM与播前裸土DSM差值获取，以95%分位数表征冠层顶端高程；光谱指数仅基于40 m影像提取。预测建模采用三种交叉验证方案（LOGO、LOEO、LODO），使用OLS、RF、GB三种算法进行高度预测与比较。复合STI基于40 m数据整合冠层高度与四个光谱指数计算，通过超几何分布检验与育种家独立视觉评估进行一致性验证。

**研究结果**

**地面株高变异与时序动态**：ENV1条件下株高从7月11日的0.49 ± 0.15 m增至9月1日的1.28 ± 0.25 m，ENV2则从0.44 ± 0.15 m增至1.04 ± 0.24 m。ENV2变异系数（CV）始终高于ENV1，表明干旱放大了基因型间株高分化。两环境差异在早期较小（11%），至末期扩大至约23%，与累积灌溉差异增大趋势一致。

**无人机冠层高度估算**：40 m AGL在两种环境下均表现最优，ENV1的R² = 0.812、RMSE = 0.112 m，ENV2的R² = 0.663、RMSE = 0.148 m。80 m时精度中等且ENV2下降显著（R² = 0.209），120 m表现最差，存在对高植株的系统低估。干旱导致稀疏冠层降低点云密度，加剧了高飞行高度下的重建不确定性。

**光谱指数时序动态与基因型变异**：四种指数在ENV1呈单峰型，8月6日达峰值后下降；ENV2在9月1日急剧下降，表明加速衰老。两环境在7月22日数值相近，此后显著分离，证实生殖期后干旱效应显现。NDVI在ENV2的ICC(3,1) = 0.710，对应ICC(3,4) = 0.907；所有指数在ENV2的ICC(3,4)均超过0.84，且较ENV1提高约2倍。

**株高预测建模**：LOGO下40 m单独OLS模型的R² = 0.827，全结构-光谱集略提升至0.833，RF和GB达0.840。LOEO下OLS优于集成方法（0.779 vs. 0.741–0.744）。LODO下三种算法在40 m单独预测上R²降至0.50–0.56；全结构-光谱集上OLS崩溃至?0.203，RF和GB保持0.527和0.486，反映线性外推失败与非线性算法的稳健性边界约束优势。

**复合STI鉴定与育种家验证**：复合STI从498份基因型中筛选38份（7.6%）全性状优异个体。前30名中10份与育种家48优选中基因型重叠，富集4.1倍（p = 4.5 × 10^?5），其中5份获胁迫耐受最高评级8分，4份获7分，1份为6分。非重叠20份多因荚果负载、分枝习性、茎秆倒伏及成熟期等未被无人机捕获的性状而被育种家筛除。

**讨论与结论**

研究人员在讨论部分首先确认了40 m AGL作为芝麻冠层高度表型鉴定操作标准的合理性，指出该高度可在保持飞行效率的同时兼顾稀疏冠层的点云重建精度。干旱条件下冠层覆盖度降低与高度范围压缩共同导致高飞行高度精度陡降，这一发现对低覆盖度作物的遥感协议设计具有普遍参考意义。光谱指数在胁迫下增强的基因型区分能力，归因于水分亏缺解除冠层郁闭后的信号去饱和效应，与多种谷物中的报道一致，揭示了逆境放大信号-噪声比的一般机制。

关于预测建模，研究人员特别强调LODO结果的操作相关性：LOGO因保留日期效应估计而高估泛化性能，LODO通过切断该 confounding（混淆）通道提供了更诚实的跨阶段评估基线。OLS在全结构-光谱集上的外推崩溃现象，凸显了在育种部署中必须进行适用域检验，且40 m单独结构模型因单调生长特性而对跨阶段应用更为稳健。复合STI的价值在于整合结构与光谱维度，捕捉了结构韧性（如基因型7-2）与光合维持（如基因型5-24、21-22）两种迥异的干旱适应策略，避免了单性状排名的信息损失。与育种家评估的4.1倍富集虽令人鼓舞，但研究人员审慎指出该重叠同时反映了两方法共享的成熟期冠层信号，而非完全独立的性状空间；无人机指标应作为缩小候选池的前置筛选工具，而非替代专家评估。

研究的局限性包括单年数据、M2代非重复设计无法估计遗传力、LODO分析受缺失最终日期40 m数据限制，以及缺乏产量验证等。未来将通过M3产量试验及多环境评估加以完善，同时考虑引入短波红外或热红外传感器以更直接地表征蒸腾与温度响应。

研究结论部分的核心总结如下：40 m AGL是芝麻冠层高度表型鉴定的最优高度；光谱指数在干旱下具有更高的基因型重复度，支持其作为可靠选择指标；复合STI实现了与育种家选择的有意义一致性，为大规模突变体群体提供了可扩展的非破坏性干旱排名框架；LODO R² ≈ 0.55是跨阶段部署的操作相关基准，全结构-光谱集的OLS外推风险可通过树集成规避或采用简化结构模型避免。该无人机遥感框架将在后续世代中继续验证，以明确无人机复合指标、育种家评估或其组合对干旱产量表现的最佳预测能力。