A research team has developed an innovative method to quantify wheat uniformity using unmanned aerial vehicle (UAV) imaging technology. This method estimates leaf area index (LAI), SPAD, fractional vegetation cover, and plant height, calculating 20 unifor
一个研究小组开发了一种创新的方法，利用无人机成像技术来量化小麦的均匀性。该方法估计叶面积指数（LAI）、SPAD、植被覆盖率和株高，计算出整个生长季节的20个均匀性指数
叶面积指数与产量和生物量的相关性最强。这种方法能够有效地监测小麦的均匀性，为产量和生物量预测提供新的见解，并在作物管理和未来的小麦育种计划中具有潜在的应用小麦是至关重要的全球作物，但当前的人口增长、极端天气和气候变化增加了对小麦生产的需求。均匀的种群结构是高产的关键，但不均匀的田间条件会导致植物之间的竞争，阻碍了一致性
测量均匀性的传统方法劳动密集且效率低下。目前的研究侧重于单个植物的空间一致性，缺乏跨生长阶段的多性状评估
2024年6月18日发表在《植物表型》杂志上的一项研究旨在开发一种综合方法来评估小麦整个生长阶段的均匀性，使用基于无人机的表型来评估其对产量和生物量的影响
本研究利用基于无人机的成像技术来估计小麦农艺参数：SPAD、LAI和株高（PH）。BPNN模型对LAI（R2=0.889）和SPAD（R2=0.804）表现出很高的准确性，从3D点云进行的PH估计也表现出很强的准确性（R2=0.812）。这些准确的估计为计算均匀性指数提供了基础
研究表明，LAI、SPAD、FVC和PH的均匀性指数在不同生长阶段动态变化，指数在抽穗后总体稳定。此外，相关性分析发现，LAI的LJ等特定指标与产量（r=-0.760）和生物量（r=-0.801）之间存在很强的相关性
包含这些均匀性指数的多元线性回归模型优于基于平均值的模型，从而提高了产量（R2=0.616）和生物量（R2=0.798）预测的准确性。这种方法有效地监测了小麦的均匀性，并为提高作物产量和生物量估计提供了见解
根据该研究的高级研究员董江的说法，“所提出的均匀性监测方法可用于有效评估小麦均匀性的时间和空间变化，并可为产量和生物量的预测提供新的见解。”
总之，本研究开发了一种基于无人机的小麦均匀度监测方法。使用均匀性指数的模型比使用平均值的模型精度更高，为产量和生物量预测提供了有价值的见解。展望未来，不同的均匀性指数可以改善作物管理和育种
未来的研究应该探索不同生长阶段的均匀性和生产力之间的关系，并在其他作物中验证这种方法，以加强农业实践