基于无人机多源遥感的全生育期小麦表型鉴定：动态时间序列建模与高通量性状提取

《Computers and Electronics in Agriculture》：Full-season wheat phenotyping using UAV-based multi-source remote sensing: dynamic time-series modeling and high-throughput trait extraction

　　

•自动化空中框架从二维和三维数据中提取小麦性状。
•多源模型和三维 Transformer 分割小麦地块。
•WheatMorph 支持可视化、自动分割和性状提取。
•机器学习利用 15 个阶段的性状分类生长阶段和品种。

引言
小麦是全球重要的粮食作物，为人类提供主要的能量和蛋白质来源，在确保全球粮食安全方面发挥着关键作用（Shiferaw, Smale et al. 2013）。由于气候变化、人口持续增长和耕地资源日益有限的共同压力，维持小麦产量的稳定和改良已成为一项紧迫且实际的挑战（Nirmal, Anyimadu et al. 2025）。整个小麦生长季节的表型性状动态反映了基因型、环境条件和作物管理实践之间复杂的相互作用，这构成了产量形成和胁迫响应的生物学基础（Sabir, Rose et al. 2023）。因此，在整个生长周期内对小麦表型进行持续和系统的监测，对于改善我们对作物生长过程的理解、优化田间管理策略以及加速高产和抗逆品种的育种至关重要（Borrill, Harrington et al. 2019）。

传统表型分析方法通常劳动密集且耗时，这使得它们不适合大规模实验和高时空分辨率监测（Yang, Feng et al. 2020）。近期，基于传感器的田间表型平台已被开发并应用于小麦生长监测和性状表征。在这些平台中，激光雷达技术获取高精度的三维（3D）点云数据，在捕捉小麦株高、冠层结构和空间异质性方面具有优势（Omasa et al., 2007, Farhan et al., 2024）。然而，地面激光雷达系统通常需要多个扫描位置才能覆盖实验地块，导致数据获取耗时且点云配准和分析的计算需求大，这阻碍了该技术在全生长季节高频时间序列观测中的应用。基于地面成像的表型平台使用固定或移动传感器进行近距离作物观测，提供详细的形态和纹理信息，非常适合细尺度表型分析（Cai, Li et al. 2024, Zhang, Jin et al. 2024）。然而，它们的田间作业效率通常受到作物密度、行距和地块布局的制约，这限制了其适用于大实验区域的长期和连续监测。卫星遥感系统在空间覆盖率和观测规律性方面具有优势（Graf et al., 2023, Hu et al., 2024），但其空间分辨率通常不足以区分品种或管理处理之间的田间内部变异性。因此，基于卫星的方法在地块尺度表型分析和关键生长阶段的精细监测方面仍然有限。相对于这些平台，配备红绿蓝（RGB）、多光谱和高光谱传感器的无人机（UAV）成像系统能够实现灵活的传感器集成和沿预定飞行路径的重复观测，确保在整个生长季节对相同小麦地块进行高频、一致的监测，为获取具有强时间一致性的表型数据提供了一种高效且实用的解决方案（Tsouros, Bibi et al. 2019）。

利用无人机获取的二维（2D）RGB、多光谱和高光谱图像，在小麦株高估计、地上生物量评估、叶面积指数（LAI）监测、氮状况测定和产量预测方面取得了重大进展。高分辨率 RGB 图像已被广泛用于通过冠层覆盖率和基于纹理的特征间接估计小麦株高和生物量（Lu et al., 2019, Ma et al., 2019, Fu, Yang et al. 2021）。多光谱图像促进了植被指数的构建，用于氮状况、LAI 及其与产量关系的定量分析（Su et al., 2018, Su et al., 2019, Tanabe et al., 2023）。此外，基于无人机的高光谱图像利用连续窄带光谱信息，在评估小麦养分和生理状况以及区分品种方面显示出高敏感性（Yang, Yang et al. 2021, Deng et al., 2023, Wu et al., 2025, Boskovic et al., 2026）。尽管取得了这些进展，二维图像在直接表示三维作物冠层结构方面存在固有限制，特别是在密集种植条件下，垂直结构和空间异质性难以准确捕捉。对于三维表型，作为主动遥感技术，机载激光雷达系统直接获取详细的冠层点云，并在提取小麦株高和垂直结构特征方面显示出高精度和稳定性（Gu et al., 2024a, Gu et al., 2024b, Han et al., 2025）。然而，在实际田间应用中，机载激光雷达系统通常只在有限数量的关键生长阶段使用，由于其成本和操作限制，不太适合全季节连续数据获取。相比之下，基于无人机多视图图像的三维重建可以在常规 RGB 或多光谱成像条件下生成密集点云，设备成本相对较低，并保留丰富的光谱和纹理信息。该方法依赖于高图像重叠度和多视图几何约束，以在低飞行高度下实现细尺度冠层重建（Xiao et al., 2023, Zhu et al., 2024）。通过采用一致的飞行路径和成像参数进行重复飞行，多视图重建在整个小麦生长季节提供时间一致的三维数据。与基于无人机的激光雷达系统相比，该方法在成本效益、操作灵活性和高频时间监测方面具有明显优势，使其成为全季节小麦三维表型和动态分析的有前景的解决方案。

关于无人机衍生小麦点云的现有研究主要依赖于基于规则和几何驱动的处理方法，以在地块尺度上将作物冠层与背景元素分离。高度阈值化和数字表面模型（DSM）差分技术已被广泛用于通过构建地形模型和冠层高度模型来提取小麦株高和冠层指标（Malambo et al., 2018, Song and Wang, 2019）。基于空间邻域关系的几何聚类方法也被用于对冠层结构进行分组，减少地面和非作物点的干扰（Sun et al., 2020a, Sun et al., 2020b）。此外，统计滤波方法已被用于减轻无人机点云中的噪声和异常值，提高冠层参数估计的稳定性（Song, Wang et al. 2020）。虽然这些基于规则的方法在相对简单的场景下能迅速估计株高和冠层参数，但在以地形不平坦、杂草干扰和不同生长阶段的结构变化为特征的复杂田间条件下，其性能通常会降低。这些方法通常依赖于手动定义的阈值和经验参数，限制了它们在多时相数据集上的鲁棒性和泛化能力。为了解决这些局限性，基于深学习的点云分割模型越来越多地被引入用于无人机衍生农业点云处理。PointNet++ 通过学习点级特征实现端到端分割，并在农业和植被场景中显示出良好的适应性（Chen et al., 2024a, Chen et al., 2024b, Zhang et al., 2024）。在此基础上，动态图卷积神经网络（DGCNN）纳入了局部几何关系建模，增强了局部结构特征的表示，使得冠层和地面点的分离更精细（Li, Li et al. 2022）。此外，PointCNN 通过卷积核建模局部空间邻域，并在密集无人机点云中实现了高分割精度，应用于农业和植被三维场景分析（Fareed, Flores et al. 2023）。总体而言，基于深学习的点云分割网络通过从无人机点云中自动学习空间结构特征，提高了鲁棒性和精度，从而为复杂和多阶段条件下的地块尺度小麦三维表型提供了一种更具泛化能力的解决方案。

鉴于这些挑战，本研究旨在开发一种基于无人机获取多源数据的全生长季节小麦性状提取自动化框架。本研究的主要目标如下：
1. 提出小麦多源数据分割架构（WMSA）并开发一种名为 3D 小麦 Point-Transformer（3D wheat PT）的三维分割模型，用于从背景点云中分离小麦地块。采用基于投影的特征匹配算法在二维图像中生成小麦地块掩膜，实现二维和三维数据的集成处理
2. 开发集成可视化、自动分割和表型性状提取的 WheatMorph 软件系统，用于二维图像和点云，形成从数据输入到结果输出的全自动化工作流
3. 通过利用 15 个采样阶段的表型数据构建动态性状变化曲线来界定生长阶段和分类品种，并基于动态表型特征建立用于性状预测的机器学习模型。

片段部分
多年多地点天然小麦群体田间试验
在中国两个主要小麦产区——长江中下游和黄淮海平原，通过多年田间试验评估了共 210 个天然小麦品种。选择了三个代表这些地区气候和土壤条件的实验点：江苏省南京市溧水区白马教学研究基地（31°37′N, 119°10′E），江苏省徐州市睢宁县（34°02′N, 117°89′E），

使用 WheatMorph 在整个小麦生长季节获取多源表型数据
WheatMorph 应用程序（图 5a）采用模块化软件架构，由三个主要功能区组成：主工具栏、点云可视化面板和二维图像显示面板。主工具栏集成了从数据输入到输出的分析工作流，包括七个功能模块：二维/三维数据加载、点云分割、特征匹配、光谱映射、性状提取、图表可视化和数据导出。在数据加载模块（图 5b）中，用户

3D Wheat PT 模型在三维小麦地块分割中的优势
相对于传统点云处理方法，提出的 3D Wheat PT 模型在小麦地块级点云分割中表现出明显优势。传统方法通常依赖点云库或手动设计的密度阈值和几何规则（Rusu and Cousins 2011）。虽然这些方法相对简单且计算直接，但其分割性能高度依赖于经验参数设置。在田间小麦点云中，

结论
本研究通过集成多源无人机数据，建立了一个全生长季节提取小麦表型性状的综合框架。本工作的主要科学贡献在于协调使用二维图像和三维点云数据进行地块级小麦群体表型分析。开发了 WMSA 以支持多源无人机数据的集成处理，并纳入了提出的 3D Wheat PT 模型以进行准确的三维地块分割。该模型

CRediT 作者贡献声明
周浩浩：写作 – 审阅与编辑，写作 – 原始草稿，可视化，验证，监督，软件，方法论，调查，资金获取，正式分析，数据整理，概念化。郭春梅：写作 – 审阅与编辑，监督。秦兵玺：写作 – 审阅与编辑，监督。苏文龙：写作 – 审阅与编辑，监督。孙琪：写作 – 审阅与编辑，监督。裴子骏：写作 – 审阅与编辑，监督。李清：写作 –

竞争性利益声明
作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文中报告的工作。

致谢
资金：本研究受中国国家自然科学基金（青年项目）（BK20251511）、国家重点研发计划（2023YFD2300201）、国家自然科学基金（32021004）、江苏省国际科技合作计划创新支持项目（BZ2023049）、拉萨市科技计划项目（LSKJ202520）、山东省重点研发计划项目支持。

周浩浩 | 郭春梅 | 秦兵玺 | 苏文龙 | 孙琪 | 裴子骏 | 李清 | 江东 | 陈佳伟