基于无人机多光谱传感器的玉米农艺变量预测中稳定植被指数筛选方法研究

《Plants》：Methodology for Selecting Stable UAV-Based Vegetation Indices for Prediction of Agronomic Variables in Maize Using a Multispectral Sensor

　　

基于无人机的植物表型分析由于环境因子影响及玉米不同生育期(phenological stage)间显著差异，光谱信息与田间实测变量之间的直接关联仍面临挑战。因此，本研究目的为：(I) 评估氮(N)素追施剂量与评价环境(生育期×生长季)互作及其对田间变量和植被指数(vegetation index, VI)方差分量的影响；(II) 依据评价环境筛选最适植被指数；(III) 基于所提方法筛选出的相关植被指数预测田间农艺变量。试验采用随机完全区组设计，4次重复，处理为6个N素追施剂量(0、50、100、200、300和400 kg ha?1)，于2022/2023和2023/2024生长季进行。在玉米全生育期5个不同生育期进行农艺变量测定与影像采集。数据分析采用偏差分析(deviance analysis)与方差分量估计、主成分分析(principal component analysis, PCA)及多元线性建模预测田间变量。研究结果表明，所有植被指数均受N剂量与评价环境互作影响。此外，EXGRaw、TGI、GNDVI、NDRE、CIRE、GVI、CVI、BNDVI、PanNDVI、SRNIRRe、SFDVI、RGBindex、NDVI、SAVI、MSAVI和OSAVI表现最为可靠，并按生长季条件和生育期呈聚类分布。最终，除地上部生物量和百粒重外，基于所提方法预测的变量决定系数(coefficient of determination, R2)均高于0.80。由此可见，植被指数虽受评价环境影响，但基于固定效应与随机效应剥离的框架，可使用相对简洁的模型高精度预测田间农艺变量。

论文解读：《基于无人机多光谱传感器的玉米农艺变量预测中稳定植被指数筛选方法研究(Methodology for Selecting Stable UAV-Based Vegetation Indices for Prediction of Agronomic Variables in Maize Using a Multispectral Sensor)》发表于《Plants》

一、研究背景与立题依据

传统植物表型分析依赖目视评分、采样与称重，耗时耗力且难以满足加速玉米新品种选育的需求。基于可见光与近红外波段反射率计算得到的植被指数(vegetation index, VI)可无损快速评估植株生理状况，并与叶面积指数、叶绿素含量等显著相关。搭载多光谱传感器(multispectral sensor)的无人机(unmanned aerial vehicle, UAV)提升了高通量表型数据采集的空间与时间分辨率。然而，UAV获取的VI受气温、光照、飞行高度、作物生物量积累及处理差异干扰，且不同生育期(phenological stage)和生长季(growing season)下最适VI存在差异，常导致光谱信息与田间农艺变量的预测精度降低（R²< 0.60）。此外，N肥用量与生育期—年份的交互作用亦影响VI可靠性。因此，需建立一套能评估VI在不同N剂量、生育期及生长季下稳定性，并筛选适宜VI用于农艺变量预测的方法框架。

二、主要关键技术方法

研究人员于巴西南里奥格兰德州南联邦大学农试站，在2022/2023与2023/2024两生长季开展随机完全区组试验（4重复），设6个N追施剂量（0、50、100、200、300、400 kg ha^?1），玉米品种P3016 VYHR免耕播种。于各生育期（S1：V8、V11、V18、R2、R5；S2：V6、V8、V13、R2、R5）测定株高、地上部干物质量、植株氮浓度(plant nitrogen concentration, PNC)、手持式叶绿素仪相对叶绿素含量(relative chlorophyll content, RCC)、近地Normalized Difference Vegetation Index(NDVI Greenseeker)及成熟期穗粒数(number of grains per ear, NGE)、百粒重(100-grain weight, W100G)和籽粒产量。同期用DJI Phantom 4 Multispectral RTK无人机（红、绿、蓝、红边red-edge(RE)、近红外near-infrared(NIR)波段）在11:00–14:00航拍，经Agisoft Metashape生成正射影像，QGIS提取小区均值反射率并计算Table 1所列RGB与多光谱VI。统计上采用限制最大似然(restricted maximum likelihood, REML)估算方差分量并进行偏差分析(deviance analysis, LRT检验)，通过最佳线性无偏预测(best linear unbiased prediction, BLUP)获得调整值；对BLUP调整后VI做主成分分析(principal component analysis, PCA)探察聚类；依方差分量（重复率repeatability coefficient(Rp)、残差变异系数residual coefficient of variation(CVr)）和PCA筛选稳定VI，将训练集(80%)通过反向逐步回归(backward stepwise regression, p < 0.05)建立多元线性模型预测农艺变量，测试集(20%)验证，使用RStudio及EstimateBreed包分析。

三、研究结果

3.1 Deviance and Variance Components Analysis（偏差分析与方差分量分析）

通过似然比检验(LRT)发现所有VI及大部分田间变量（除百粒重W100G仅受N剂量影响）的"N剂量×评价环境（生育期×生长季）"互作均显著(p < 0.05)，表明VI对N与环境组合敏感，而W100G具跨环境稳定性。按Rp > 50%且CVr ≤ 10%筛选出的高稳定性VI为EXGRaw、TGI、GNDVI、NDRE、CIRE、GVI、CVI、BNDVI、PanNDVI、SRNIRRe、SFDVI；RGBindex、NDVI、SAVI、MSAVI、OSAVI虽Rp偏低(< 40%)但CVr < 5%亦被保留。EXRRaw、RBI、EVI因Rp < 10%、CVr > 50%被剔除。田间变量中RCC、株高、PNC具高Rp(≈60%)低CVr(≈5%)；NDVI Greenseeker、NGE、W100G、产量Rp中等(40–50%)；地上部生物量Rp较低(43%)、CVr偏高(18%)。所有变量准确度(accuracy) > 70%，高Rp VI与变量准确度 > 95%。

3.2 Principal Components Analysis（主成分分析）

对VI的BLUP值做PCA，前两主成分解释90.3%方差（PC1=72%，PC2=18.3%）。2022/23季CIVE与EXB聚于早发育期(V5/V8)；GRVI、MGRVI、VARI、GLI、DVI、MSAVI、SAVI、NDRE、NDVI、OSAVI、CIRE、EVI2、RVI聚于V12/V18/R2/R5。2023/24季EXRM与EXR聚于V6期；NDB、TGI、EXGRaw、RGBindex、EXG、VEG聚于V8/V13/R2/R5。表明VI适用性具生育期与生长季特异性，早低生物量期RGB-based VI更敏感，旺长至生殖生长期多光谱VI更适用。BLUP调整后农艺变量显示高N处理(V12/V13起)提升株高、生物量、RCC及PNC；300 kg ha^?1(S1)与200 kg ha^?1(S2) N分别获最高穗粒数与产量（13700 kg ha^?1与8540 kg ha^?1）；W100G仅随N剂量增加(400 kg ha^?1最高)且不受环境互作影响。

3.3 Multivariate Prediction Models（多元预测模型）

以筛选后稳定VI做反向逐步回归建多元线性模型，除地上部生物量(R²=0.71)与W100G(R²=0.65)外，其余变量（NDVI Greenseeker、RCC、株高、PNC、NGE、籽粒产量）预测R²> 0.80。多数模型平均纳入约15个VI，产量与W100G仅需≤10个。CIG、GLI、NDB、RGBindex可预测6/8变量；BNDVI、CVI、EVI2、EXR、EXRM、MGRVI、NDVIRe、PanNDVI、RBI、RVI、VEG可预测≤5个变量；其余VI关联≤3个变量，体现部分VI具广谱性而部分具高度特异性。

四、讨论与结论总结

讨论指出，生长季间气候差异可致田间变量响应变幅达10–30%，VI幅值与动态随之改变，强调需大时空尺度光谱数据筛选低环境敏感性VI。所有VI受N×环境互作影响，这与生育期叶片结构、生化组分及株—环境互作改变反射模式有关；W100G因遗传主导及仅收获测定故不受环境互作干扰。REML-BLUP框架可分离固定与随机效应、量化重复率与误差，高Rp低CVr VI(EXGRaw、TGI、GNDVI、NDRE、CIRE、GVI、CVI、BNDVI、PanNDVI、SRNIRRe、SFDVI)与他研大豆UAV结果吻合。PCA揭示VI按评价环境聚类，后期高郁闭度下多光谱VI表现优，早期低覆盖度RGB VI(EXG、CIVE、TGI等)更灵敏，与文献一致。低生物量/多阴雨生长季RGB VI主导聚类，高生物量/适温少云季多光谱VI主导聚类。CIG、GLI、NDB、RGBindex在多模型中保留，暗示较广适用性；特定VI在特定变量预测模型中具较大回归系数，呼应其高Rp低CVr特性。W100G预测精度偏低因其表型可塑性小、处理间变异窄致冠层光谱敏感度低。作者提醒模型缺独立验证与交叉验证，泛化能力待考；相较机器学习算法，经变量筛选、降维与多重共线性处理的多元线性回归更易解释且适合本框架。

结论翻译（Conclusions）：

本研究评估了固定因子与环境条件对玉米VI动态及农艺变量预测的影响，强调建模中须据此筛选预测VI。主要结论如下：所有VI均受N剂量与评价环境（生育期与生长季）互作影响；EXGRaw、TGI、GNDVI、NDRE、CIRE、GVI、CVI、BNDVI、PanNDVI、SRNIRRe和SFDVI具较高重复率系数与较低残差变异系数。VI与生育期存在明确特异性——多光谱VI主要与株高、地上部生物量大（V12/V13/V18/R2/R5）及高产环境相关联；RGB-based VI主要聚集于早发育期低生物量环境（V6/V8）及低产潜力生长季。最后，所提方法通过多元线性建模框架识别最适VI，实现了玉米农艺变量较高精度的估算。