01

摘要

小麦群体分蘖数是实现小麦高产的基础，是小麦生产和品种选育环节中的重要农艺指标。目前，地基激光雷达扫描（Terrestrial laser scanning, TLS）在准确计算作物分蘖数方面开始显示出巨大的潜力，但是基于TLS技术获取小麦冠层分蘖数的研究普遍受到植株间相互遮挡和噪声问题的影响。为此，本研究创新性地提出一种基于体素插值的均值漂移聚类算法（Mean shift clustering algorithm based on voxel interpolation, MSCVI）来有效地减轻这些影响。结果表明，小麦样地的冠层间隙率（Gap fraction, Pgap）与体素内点云密度之间存在较强的指数关系。此外，MSCVI算法对不同田间处理下小麦冠层分蘖数的计数效果良好（R2= 0.69, RMSE = 79 tillers/m2），优于前人的自适应分层聚类（Adaptive layering and hierarchical clustering, ALHC）算法。MSCVI算法通过对点云数据进行去噪和插值，可以获得更精确和更详细的小麦冠层信息，极大地提高了在高种植密度、较松散株型和分蘖期数据条件下群体分蘖数的探测精度。该研究为有效减轻密集冠层内植株间遮挡和噪声提供了新的见解，并为作物产量表型评价中群体分蘖数的准确计算提供了新的可能。

02

研究方法

本研究于2017年在江苏省如皋市试验站进行，试验设计涵盖不同冬小麦品种、施氮量和种植密度组合，总共36个测试小区（图1a）。激光扫描仪RIEGL-VZ 1000被固定在1.8 m高的三脚架上，采用10站点扫描方案收集实验区的点云数据（图1b）。TLS数据的预处理在扫描仪配套软件RiSCAN Pro中进行，包括点云配准、异常值去除和地面点滤波。为了减少边缘效应，我们在每个地块的中心提取一个感兴趣区域，用于后续的小麦冠层分蘖数计算。

图1田间试验设计和激光扫描仪测试

本研究提出的MSCVI算法包括4个步骤（图2）：首先，采用Kalman滤波算法进一步去除噪声点，提高点云数据质量；其次，对去噪后的点云进行体素化处理，并利用Bresenham算法去除无效体素；然后，建立冠层Pgap与体素内点云密度之间的数学表达式，利用未采样体素周围的采样体素信息，根据该表达式计算未采样体素的点云密度值。对未采样体素进行赋值，得到插值后的小麦冠层体素。最后，利用基于密度聚类的均值漂移算法对插值后的冠层体素进行聚类，计算小麦分蘖数。

图2MSCVI算法计算小麦分蘖数的流程图

03

研究结果

结果表明，小麦样地的冠层Pgap与体素内点云密度之间存在较强的指数关系。图3展示了拔节期小麦冠层Pgap与体素内点云密度的数学表达式，为后续的小麦冠层未采样体素插值奠定了基础。

图3冠层Pgap与体素内点云密度之间的关系

图4比较了基于TLS数据的ALHC算法和MSCVI算法计算小麦冠层分蘖数的精度。ALHC算法和MSCVI算法均能有效地计算田间小麦冠层分蘖数，但ALHC算法的精度较为中等（R2= 0.65, RMSE = 102 tillers/m2）。虽然未插值的MSCVI算法在计算小麦分蘖数的精度略有提高（R2= 0.68, RMSE = 88 tillers/m2），但估算结果的离散现象更加明显。本研究开发的MSCVI算法计算小麦分蘖数的精度最高（R2= 0.69, RMSE = 79 tillers/m2），估算结果与田间实测值更接近1:1线，也更加集中。

图4小麦冠层分蘖数的计算精度（a: ALHC算法，b：未插值的MSCVI算法，c: MSCVI算法）

04

研究结论

本研究提出了一种基于TLS数据的小麦冠层分蘖数自动提取的MSCVI算法，可以有效地缓解密集冠层内植株间遮挡和噪声问题。MSCVI算法引入Kalman滤波方法进一步去除噪声，然后利用冠层Pgap与体素内点云密度的空间相关性对未采样体素进行插值，最后采用均值偏移聚类算法对插值后的小麦冠层进行分蘖数计算。结果表明，MSCVI算法适用于不同小麦品种、不同种植密度、不同氮肥水平和不同生育期（R2= 0.69, RMSE = 79 tillers/m2），并且在小麦冠层分蘖数的计算精度上优于前人的ALHC算法。MSCVI算法通过对点云数据进行去噪和插值，可以获得更精确和更详细的小麦冠层信息，极大地提高了在高种植密度、较松散株型和分蘖期数据条件下群体分蘖数的探测精度。我们的研究强调有必要开发新的算法以更好地减轻噪声和遮挡问题，从而促进植物表型和智慧农业领域的进一步发展。

END

原文链接：

供稿：郭 泰

审稿：李 伟