小麦三维光合性状研究：无人机激光雷达点云与多光谱图像融合的创新方法
作者及发表信息
本研究由南京农业大学国家信息农业工程技术中心（NETCIA）的Yangyang Gu、Yongqing Wang、Yapeng Wu等学者主导，西弗吉尼亚大学地质与地理系的Timothy A. Warner参与合作，发表于2024年6月的《Remote Sensing of Environment》期刊（卷311，文章编号114244）。
学术背景与研究目标
光合作用是作物生长和产量形成的物质基础，快速实时监测光合参数对作物胁迫监测、光能利用率评估及产量预测至关重要。传统被动光学遥感方法虽能准确监测作物光合性状，但仅能获取一维或二维信息，无法表征作物三维（3D）光合参数的空间异质性。本研究旨在通过融合无人机激光雷达（LiDAR）点云与多光谱图像，构建小麦三维光合性状（冠层叶绿素含量CCC、吸收光合有效辐射比例fAPAR、冠层净光合速率CPN）的量化模型，并开发基于3D光合性状的产量预测新指标，为作物育种和高产筛选提供技术支持。
研究流程与方法
1. 实验设计与数据采集
- 田间试验：2021-2022年于江苏如皋开展，设置8个小麦品种（紧凑型与扩散型）、3个氮肥水平（0/150/300 kg/ha）和2个种植密度（33 cm/25 cm行距），共96个小区（1 m²/小区）。
- 无人机多光谱成像：使用DJI M600Pro搭载AirPhen相机（450-850 nm六波段），飞行高度20米，获取拔节、孕穗、抽穗、开花和灌浆期的影像，经辐射校正和NDVI阈值（≤0.45）剔除土壤背景。
- 激光雷达点云：采用GreenValley LiAir 250系统（RIEGL MiniVUX-3传感器），飞行高度15米，点云密度2452-4883点/m²，经去噪、滤波和归一化预处理。
- 光合参数实测：
- CCC：结合Dualex 4叶绿素仪（基于710/850 nm透射）和LAI-2200C冠层分析仪测定。
- fAPAR：通过SunScan系统测量冠层顶部与底部光合有效辐射（PAR），利用二流模型计算。
- CPN：使用LI-6400XT光合仪（设定PAR=1500 μmol/m²/s）测定叶片净光合速率，结合LAI推算冠层尺度值。
数据融合与模型构建
3D光合性状分析与产量预测
主要结果与逻辑关联
- 3D空间分布：融合数据成功刻画了不同品种、生长期和管理措施下小麦光合参数的3D异质性（图7）。例如，高氮处理下冠层上层光合参数显著高于下层（p<0.001），表明氮肥对垂直分布的调控作用。
- 方法对比：与传统SFM-MVS（运动恢复结构-多视图立体算法）生成的稀疏点云相比，LiDAR融合方法能更完整表征冠层内部结构（图S6），减少下层参数低估（图13）。
结论与价值
1. 科学价值：首次将DSM融合方法应用于低矮密植作物，证实多光谱数据（替代高成本高光谱）与LiDAR点云的结合可精准量化3D光合性状，为作物表型研究提供新范式。
2. 应用价值：CPN_P75th和CCC_P75th作为兼具结构与生理信息的指标，可高效筛选高产基因型，助力育种实践。
3. 技术拓展性：SFM-MVS生成的多光谱点云虽存在遮挡局限，但通过优化飞行路径（如多角度观测）仍具应用潜力。
研究亮点
- 方法创新：开发DSM-based点云-光谱融合流程，解决低矮作物3D生理参数提取难题。
- 指标创新：提出基于垂直分布百分位数的产量预测指标，突破传统遥感二维限制。
- 多维度验证：结合品种、氮肥、密度等多因素分析，系统揭示光合性状垂直分异规律。
局限性
- CPN测定条件：固定PAR（1500 μmol/m²/s）可能未完全反映自然光强变化，未来可结合光能利用率（LUE）模型优化。
- 点云利用效率：当前方法仅融合每列最高点，未来需探索全点云融合以提升下层参数精度。
此研究为作物3D表型分析提供了可推广的技术框架，并为高产育种提供了理论依据与实用工具。