高通量表型分析引導結合遺傳與作物生長的加速育種，這需要準確估計葉面積指數 (LAI)。本研究開發了一種混合方法來訓練隨機森林回歸 (RFR) 模型與輻射傳輸模型生成的合成數據集，從而估計基于無人機多光譜圖像的 LAI。

使用無人機平臺和無人機平臺的關鍵組件進行小麥表型試驗。照片拍攝于2019年5月31日（播種后16天）上午11點50分。

對RFR 模型在 (i) 合成數據集的子集和 (ii) 來自兩個現場實驗的觀測數據（即 Exp16、Exp19）上的表現進行了評估。考慮到綜合訓練數據中參數范圍和土壤反射率的標定良好，RFR 模型可以根據在野外條件下捕獲的冠層反射率準確預測 LAI，但是由于背景效應存在 LAI<2 的系統性高估，這可以通過基于植被-背景分類對原始反射率圖進行背景校正來解決。

總體而言，RFR 模型通過 Exp16 的背景校正反射率實現了準確的 LAI 預測（相關系數 () 為 0.95，決定系數 () 為 0.90~0.91，均方根誤差 (RMSE) 為 0.36~0.40?m2?m-2，相對根均方誤差 (RRMSE) 為 25~28%)，而 Exp19 的準確度較低 (?=0.80~0.83, ?=?0.63~0.69, RMSE 為 0.84~0.86?m2?m-2, RRMSE 為 30~31%)。此外，RFR 模型正確捕獲了觀測的 LAI 的時空變化，并在兩個實驗中確定了不同生長階段和不同處理在基因型和管理措施（即種植密度、灌溉和施肥）方面的變化。

針對不同生長階段 (a-e)、基因型 (f-o)、植物密度 (p-r) 和其他管理措施 (s-z) 的兩個田間試驗（觀測LAI<=5），觀測LAI 與預測 LAI對比. “RFR+LCB法”分別使用Mp3s2和Mp3s3模型預測Exp16和Exp19的LAI。 在實驗中為每組（例如，DAS =18，密度 = 75）給出了觀測到的和預測的 LAI 之間的 Pearson 相關系數 ()。 表 S2 總結了所有統計指標。

所開發的混合方法可以快速、準確、無損地對營養生長過程中的葉面積指數動態進行表型分析，以促進包括育種計劃評估在內的生長速率評估。

來源：Plant Phenomics.Unsupervised Plot-Scale LAI Phenotyping via UAV-Based Imaging, Modelling, and Machine Learning.Qiaomin Chen ,Bangyou Zheng ,Karine Chenu ,Pengcheng Hu and Scott C. Chapman

https://doi.org/10.34133/2022/9768253