Assessing plant area index and 3D plant area distribution in wheat canopies from a terrestrial LiDAR system for high-throughput plant phenotyping
Raúl López‐Lozano · Tian Ma · Maxime Soma 等 19 人
利用车载三LiDAR点云反演小麦冠层植物面积指数与三维分布，实现高通量表型分析。
体素间隙率结合Beer-Lambert数值反演，用AdelWheat模型仿真与1
PAI估算R²=0.82，加入正则项可减少叶倾角差异影响并描述垂直分布变异。
可探索多角度LiDAR与正则化反演结合，提升不同基因型叶倾角垂直分布的鲁棒表型提取。
基于车载三激光雷达点云反演小麦植物面积指数与倾角分布，仿真与田间验证扎实，属高通量表型领域方法学新进展。
本研究探讨了一种新方法，用于从三维点云中估算植物面积指数（PAI）及其空间分布。该点云由安装在Phenomobile无人地面车辆上的3台激光雷达（LiDAR）系统（2台天底视角和1台45°视角）获取，该车辆专为草本作物的高通量表型设计。该方法依赖于利用激光束轨迹在体素水平上计算间隙率，以数值反演Beer-Lambert定律（BL），从而能够同时估算PAI和AIA（平均倾角，单位为°）。该方法在小麦作物上进行了评估，既包括计算机模拟（即基于AdelWheat功能结构作物模型结合点云模拟器的模拟），也包括在实际表型试验中对10个面包小麦基因型组成的 panel 在两个研究地点、不同植株密度、水分胁迫和播种日期处理下的种植。计算机模拟验证表明，利用Phenomobile的LiDAR系统对BL进行数值反演，在PAI和AIA估算中分别产生9.8%（RMSE = 0.32，R² = 0.99）和8.4%（RMSE = 5.4°，R² = 0.95）的相对误差。在实际表型试验中与破坏性测量进行验证，冠层PAI获得了令人满意的结果（RMSE = 1.44，R² = 0.82），但需要关于AIA的先验知识，例如通过以下方式之一：（i）在用于反演BL的代价函数中引入正则化项，以避免出现意外的高AIA估算值；（ii）使用固定的参考值60°。结果分析表明，引入正则化项减轻了品种间叶片倾角实际差异对PAI精度的影响，同时提供了不同品种间叶片倾角垂直剖面实际变异性的相对描述。