Estimation of the Comprehensive High Photosynthetic-Efficiency Phenotypic Index in Winter Wheat Based on UAV Multimodal Remote Sensing Data
Ning Yang · Dayong Cui · Songming Lin 等 9 人
基于无人机多模态遥感数据，构建综合高光效表型指数并精准估算，用于小麦育种材料筛选。
PCA-CRITIC构建CHPPI，提取多模态特征，结合UVE特征选择与XGBo
CMVTF-UVE-XGBoost模型表现最优，测试集R²=0.862，可快速大规模筛选高光效小麦。
可探索将CHPPI估算模型推广至其他作物或不同环境，并引入深度学习或时序数据提升泛化能力。
基于无人机多模态遥感构建小麦光合效率综合指数，方法新颖且模型精度高，对育种筛选有实用价值。
光合表型精准监测是培育高光效小麦品种的基础，无人机遥感为其大规模鉴定提供了有效途径。然而，单一光合参数难以全面评价作物光合效率。本研究利用主成分分析(PCA)与CRITIC客观赋权法(PCA-CRITIC)整合多个光合表型参数，构建了冬小麦高光效综合表型指数(CHPPI)。同时，从无人机多模态遥感数据中提取多光谱植被指数(MSVI)、RGB植被指数(RGBVI)、纹理特征(TF)及其融合特征——多光谱-可见光-纹理综合特征(CMVTF)。基于上述特征，评估了PCC、VIP、SPA和UVE四种特征选择方法，并结合KNN、DT、SVR、RF和XGBoost五种机器学习算法，对关键生育期的CHPPI进行精准估算。结果表明，CHPPI在不同生育期表现出显著的品种间差异，品种SH06144和良星19始终保持较高的光合效率水平。基于多模态遥感数据构建的融合特征集CMVTF优于单一特征类别，且UVE方法筛选的特征子集对模型精度的提升最为显著。在算法方面，基于集成的XGBoost和RF模型明显优于传统机器学习算法。具体而言，CMVTF-UVE-XGBoost模型取得了最优的综合性能，在测试集上R²为0.862，RMSE为0.032，MAE为0.027，其空间分布估算结果与实测值高度一致。本研究为高光效小麦育种材料的快速大规模筛选提供了有力的技术支撑。