高通量表型分析引导结合遗传与作物生长的加速育种，这需要准确估计叶面积指数 (LAI)。本研究开发了一种混合方法来训练随机森林回归 (RFR) 模型与辐射传输模型生成的合成数据集，从而估计基于无人机多光谱图像的 LAI。

使用无人机平台和无人机平台的关键组件进行小麦表型试验。照片拍摄于2019年5月31日（播种后16天）上午11点50分。

对RFR 模型在 (i) 合成数据集的子集和 (ii) 来自两个现场实验的观测数据（即 Exp16、Exp19）上的表现进行了评估。考虑到综合训练数据中参数范围和土壤反射率的标定良好，RFR 模型可以根据在野外条件下捕获的冠层反射率准确预测 LAI，但是由于背景效应存在 LAI<2 的系统性高估，这可以通过基于植被-背景分类对原始反射率图进行背景校正来解决。

总体而言，RFR 模型通过 Exp16 的背景校正反射率实现了准确的 LAI 预测（相关系数 () 为 0.95，决定系数 () 为 0.90~0.91，均方根误差 (RMSE) 为 0.36~0.40 m2 m-2，相对根均方误差 (RRMSE) 为 25~28%)，而 Exp19 的准确度较低 ( =0.80~0.83,  = 0.63~0.69, RMSE 为 0.84~0.86 m2 m-2, RRMSE 为 30~31%)。此外，RFR 模型正确捕获了观测的 LAI 的时空变化，并在两个实验中确定了不同生长阶段和不同处理在基因型和管理措施（即种植密度、灌溉和施肥）方面的变化。

针对不同生长阶段 (a-e)、基因型 (f-o)、植物密度 (p-r) 和其他管理措施 (s-z) 的两个田间试验（观测LAI<=5），观测LAI 与预测 LAI对比. “RFR+LCB法”分别使用Mp3s2和Mp3s3模型预测Exp16和Exp19的LAI。 在实验中为每组（例如，DAS =18，密度 = 75）给出了观测到的和预测的 LAI 之间的 Pearson 相关系数 ()。 表 S2 总结了所有统计指标。

所开发的混合方法可以快速、准确、无损地对营养生长过程中的叶面积指数动态进行表型分析，以促进包括育种计划评估在内的生长速率评估。

来源：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