摘要
准确监测光合作用表型对于培育高光合效率的小麦品种至关重要，而无人机遥感技术为这些品种的大规模识别提供了一种有效的方法。然而，单一的光合作用参数在全面评估作物光合效率方面存在局限性。本研究利用主成分分析（PCA）和CRITIC目标加权方法（PCA-CRITIC）整合了多个光合作用表型参数，构建了冬小麦的综合高光合效率表型指数（CHPPI）。同时，从无人机多模态遥感数据中提取了多光谱植被指数（MSVI）、RGB植被指数（RGBVI）、纹理特征（TF）及其组合（综合多光谱-可见光-纹理特征CMVTF）。基于这些特征，评估了四种特征选择方法（PCC、VIP、SPA和UVE）与五种机器学习算法（KNN、DT、SVR、RF和XGBoost）相结合在关键生长阶段精确估计CHPPI的效果。结果表明，CHPPI在不同生长阶段表现出显著的品种差异。SH06144和Liangxing19品种始终保持着较高的光合效率。由多模态遥感数据衍生的融合特征集CMVTF优于单独的特征类别，而UVE方法选择的特征子集显著提高了模型准确性。在算法方面，基于集成的XGBoost和RF模型明显优于传统的机器学习算法。具体而言，CMVTF-UVE-XGBoost模型在测试集上取得了最佳的综合性能，R2为0.862，RMSE为0.032，MAE为0.027，其空间分布估计与测量值高度一致。本研究为快速、大规模筛选高光合效率的小麦育种材料提供了可靠的技术支持。
