论文部分内容阅读
在小麦的育种进程中,田间表型不仅是对育种前期的种质筛选的指导数据,同时也是在后期推广种植中的评估数据,然而当前对多品种小麦协同测量研究较少,缺乏有效多品系高通量获取方法。针对该问题,本研究以西北农林科技大学曹新庄试验农场2号田为研究区域,小麦育种材料为试验对象,利用无人机载多光谱相机和RGB相机为遥感器获取小麦2018年抽穗期至成熟期、2019年拔节期至成熟期的多光谱图像及可见光图像,并基于此处理得到田间的三维点云模型及光谱植被指数图像,对这些特征与小麦表型关键参数叶面积指数、生物量及叶绿素含量进行了相关性分析,根据关键的特征建立了这三个参数对应的估算模型,为无人机遥感技术在作物田间高通量表型方法的应用进行了有益探索。得到主要结论如下:（1）小麦叶面积指数与三维点云的体积V,光谱植被指数图像CIG、GNDVI、Green、Red以及Red Edge的特征值相关性较好。利用三维点云的体积V,光谱植被指数图像CIG、GNDVI、Green、Red以及Red Edge的特征值组合在小麦的抽穗期建立的估算模型预测能力较成熟期更好。对比偏最小二乘回归法、支持向量机回归法及高斯过程回归法三种建模方法得出基于高斯过程回归法建立的估算模型的预测能力较好。基于高斯过程回归的抽穗期小麦叶面积指数估算模型对测试集的估测值与实测值之间的决定系数为0.879,均方根误差为0.325。（2）小麦生物量与光谱植被指数图像CIG、CIRE、NDRE、GNDVI、NDVI、TCARI以及TVI的特征相关性较好。利用这些特征值组合在小麦的扬花期建立的估算模型预测能力较抽穗期期、扬花期、成熟期更好。对比了偏最小二乘回归法、支持向量机回归法及高斯过程回归法建立的估算模型的预测能力,发现基于高斯过程回归法建立的估算模型较好。基于高斯过程回归的扬花期小麦生物量估算模型对测试集的估测值与实测值之间的决定系数为0.832,均方根误差为101g/m2。（3）小麦旗叶叶绿素含量与光谱植被指数图像CIG、CIRE、NDRE、GNDVI、NDVI、TCARI以及TVI的特征值相关性较好。利用这些特征值组合使用偏最小二乘回归法、支持向量机回归法及高斯过程回归法三种建模方法建立了在小麦的抽穗期、扬花期、拔节期、成熟期的估算模型。对比12个估算模型的预测能力发现基于高斯过程回归的扬花期小麦叶绿素含量估算模型的预测能力最好,对测试集的估测值与实测值之间的决定系数为0.943,均方根误差为4.58mg·g-1FW.