Detecting diurnal dynamics of cotton leaf inclination angle under water-salt stress
Qing Li · Dalei Hao · Jan Pisek 等 10 人
提出CAPLA无人机点云融合方法，监测水盐胁迫下棉花叶倾角昼夜动态。
结合深度学习与SfM，用2D语义掩膜约束3D网格重建，无人机高频观测。
灌溉、盐分和时间显著影响叶倾角，灌溉×时间交互显著，昼夜轨迹因灌溉而异。
可将动态叶倾角参数化嵌入作物模型，提升水盐胁迫下冠层结构与蒸散模拟精度。
该研究提出CAPLA无人机点云融合方法，实现水盐胁迫下棉花叶倾角昼夜动态的高精度监测，方法新颖、数据可靠，对作物表型与精准农业有实质参考价值。
叶片倾角（LIA）动态变化是植物对非生物胁迫的快速响应机制，调控冠层能量平衡与水分利用效率。尽管昼夜LIA可塑性（如避日运动）的适应价值在生态学中已得到广泛认可，但当前大多数遥感算法和生态系统模型仍将冠层结构视为静态，忽略了胁迫诱导的几何调整。此外，在水分亏缺与盐分胁迫等复合非生物胁迫条件下，LIA的昼夜动态变化仍知之甚少。近年来无人机（UAV）摄影测量技术的进展为在高时空分辨率下捕捉LIA动态提供了有前景的方法。然而，利用无人机在真实环境中精确解析精细尺度的动态叶片运动仍具挑战性。为弥补上述不足，我们开发了约束辅助点云融合叶片尺度分析流程（CAPLA），这是一种集成了深度学习与运动恢复结构（SfM）的无人机综合分析工作流。CAPLA利用二维语义掩膜严格约束三维网格重建，有效减轻了运动诱导的伪影。基于上午9：30和中午12：00采集的19个样地水平平均叶倾角（MLA）观测值进行独立验证，结果R²为0.89，RMSE为0.9°，支持在验证采集条件下进行样地水平MLA估算。随后将CAPLA应用于五个观测时段以表征冠层结构的昼夜动态变化。重要的是，对高频观测的重复测量分析揭示了灌溉、盐分和观测时间对MLA的显著影响，以及显著的灌溉×时间交互效应（P = 0.0109），表明不同灌溉水平下MLA的昼夜变化轨迹存在差异。相比之下，灌溉×盐分交互效应（P = 0.8800）和灌溉×盐分×时间交互效应（P = 0.9086）均不显著。尽管如此，在各处理组合之间仍观察到日内变异性的描述性差异，凸显了时间分辨结构监测在表征冠层对水分与盐分复合胁迫响应方面的价值。这些发现揭示了冠层在交互胁迫下的复杂结构可塑性，强调亟需从静态冠层假设转向动态结构监测，以改进生态系统模型和精准农业。