Plant Phenomics | SPSI：抽穗前估測冬小麥穗數的新型復合指數

單位面積穗數（panicle number per unit ground area，PNPA）是產量的3大構成因素之一，對小麥最終產量的貢獻最大。作為重要的產量表型性狀，PNPA信息可以幫助我們更好地評價種植密度，提高小麥的產量潛力。傳統的PNPA人工計數方法雖準確但耗時耗力。現有表型分析方法則聚焦于利用抽穗后（例如，開花期和灌漿期）RGB影像進行可視化的麥穗計數，可提高田間測產效率；然而，基于小麥抽穗前無人機多光譜影像估算小麥PNPA，可更早評估籽粒產量潛力和調控作物生長以提高最終產量，對于小麥生產精確管理具有重要價值。由于分蘗數在單一時期與地上部生物量呈線性正相關，與PNPA呈非線性正相關，使得小麥PNPA的遙感估算易受光譜飽和的影響。迄今為止，尚未有研究專門關注PNPA估算中的光譜飽和現象，并建立有效途徑來解決這一問題。而融合光譜和紋理指數去構建復合指數，不僅有望通過單個新特征解決光譜飽和問題，而且有助于更直觀地理解兩類信息各自的貢獻。此外，在作物生長早期階段，冠層反射率受土壤背景的嚴重干擾，紋理信息的貢獻也可能受到土壤背景的影響。但是，目前紋理分析在作物監測中的研究忽略了背景效應，通過使用綠色像元提取紋理特征的方式是否有助于去除背景影響，還有待深入研究。
 

2023年9月，Plant Phenomics在線發表了南京農業大學國家信息農業工程技術中心題為SPSI: A Novel Composite Index for Estimating Panicle Number in Winter Wheat before Heading from UAV Multispectral Imagery 的研究論文。
 

該研究分析了背景效應對紋理指數估算PNPA的影響，并基于綠色像元和相關系數篩選出了最優的光譜指數DATT[850,730,675]，確定了對PNPA敏感的紋理指數NDTICOR[850,730]和NDTICOR[730,850]。鑒于相關光譜指數（如LICI，LAI-insensitive chlorophyll index）的構建原理及光譜與紋理信息的差異，通過把兩個與PNPA呈正相關或負相關的指數相加以構建一個復合指數，可增強復合指數與PNPA的關系。因此，NDTICOR[850,730]被確定為最優紋理指數，并展示出強大的抗飽和能力（圖1D-I）。該研究通過加法整合最優光譜與紋理指數，構建了單位面積穗數敏感的光譜-紋理復合指數（spectral-textural PNPA sensitive index，SPSI），明顯提高了PNPA的估算精度（圖1 J-L）。

復合指數公式如下：

SPSI=DATT[850,730,675]+NDTICOR[850,730]

圖1. 冬小麥PNPA與DATT[850,730,675]、NDTICOR[850,730]和SPSI在孕穗前不同日期（A ~ I）或孕穗前（J ~ L）的關系。（A）至（F）是PNPA與DATT[850,730,675]在不同日期的關系，其中（A）至（C）代表所有樣本，（D）至（F）代表DATT[850,730,675]分別在0.35 ~ 0.45 （D），0.38 ~ 0.48（E）和0.41 ~ 0.51（F）范圍內的子集，光譜飽和現象嚴重；（G）至（I）是上述樣本子集PNPA與NDTICOR[850,730]的關系，未見光譜飽和現象；（J）至（L）是三個日期所有樣本PNPA分別與DATT[850,730,675]、NDTICOR[850,730]和SPSI的關系。顯著性水平：無顯著性，NS；* P < 0.05；* * P < 0.01；* * * P < 0.001。

該研究進一步對不同栽培因子組合導致的5種光譜飽和（光譜值一致但穗數不同）情景分析發現，大部分情況下，相較于DATT[850,730,675]（不顯著），NDTICOR[850,730]的加入使SPSI顯著降低了光譜飽和性（R2 > 0.72 , P < 0.05）。在按栽培因子分組的不同樣本子集中，SPSI與PNPA的相關性（R2 = 0.72 ~ 0.85）普遍強于DATT[850,730,675]（R2 = 0.61 ~ 0.76)，表明PNPA ~ SPSI關系對栽培因子的敏感性比PNPA ~ DATT[850,730,675]關系更低（圖2）。在建模與驗證數據中，與其他植被指數相比，DATT[850,730,675]和NDTICOR[850,730]的互補性使SPSI在任一數據集中的任一日期都展示出了最高的估算精度。該研究首次揭示了土壤背景對于紋理特征提取的影響，創建了具有高抗飽和性的光譜-紋理復合指數，顯著提升了不同栽培條件下對PNPA的估測能力，為利用高分辨率衛星影像及時準確估測PNPA和籽粒產量提供重要支撐。
 

圖2 不同栽培條件下PNPA與DATT[850,730,675]（A ~ D）和SPSI（E ~ H）的關系。（A）至（H）分別表示按氮水平（A和E）、種植密度（B和F）、播期（C和G）和葉型（D和H）分組的情況。黑色線條表示所有數據點的擬合線。

該研究由南京農業大學國家信息農業工程技術中心完成。農學院博士研究生吳亞鵬為論文第一作者，程濤教授為通訊作者。該工作得到了國家自然科學基金創新研究群體項目（32021004）、中央高校基本科研業務費專項資金（XUEKEN2023023）、江蘇省農業科技創新基金（CX(21)1006）和省部共建現代作物生產協同創新中心（CIC-MCP）等項目與平臺的資助。

論文鏈接：

‍https://doi.org/10.34133/plantphenomics.0087

——推薦閱讀——

Global Wheat Head Detection Challenges: Winning Models and Application for Head Counting

https://doi.org/10.34133/plantphenomics.0059

Plant Phenomics | 全球小麥穗檢測挑戰:獲勝模型及其在穗計數中的應用

A Generic Model to Estimate Wheat LAI over Growing Season Regardless of the Soil-Type Background

https://doi/10.34133/plantphenomics.0055

Plant Phenomics | 基于無人機成像實現對田間小麥葉面積指數的快速精準估計（二）

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內容僅供參考，一切內容以英文原版為準。

特邀作者：程濤

排版：蘇梓鈺（南京農業大學）

審核：孔敏、王平