近日，南京农业大学智慧农业创新团队在《IEEE Transactions on Geoscience and Remote Sensing》上发表题为“Assessing sampling design and voxel size in estimating wheat green area index with measured and simulated TLS data”的论文，为小麦生长监测和智慧农业应用提供了实用新方法。
绿色面积指数（Green area index, GAI）是分析太阳能辐射与作物产量之间关系的重要一环。基于体素的地面激光雷达扫描（Terrestrial laser scanning, TLS）测量方法被广泛用于调查冠层结构，因为它能够在三维网格内表征植物材料表面。然而，很少有研究探讨TLS采样设计和体素大小对作物GAI估算精度的影响。因此，本研究基于实测和模拟的TLS数据评估了这些因素对小麦GAI估算的影响。我们模拟了不同的TLS采样设计，包括不同的扫描站点数量（1、4、8、12、16）和扫描策略（策略1：外围分布和策略2：均匀分布）。此外，我们也提出了一种基于k邻域最优体素方法（k-neighborhood voxel, KNV）来优化GAI估算的体素大小。结果表明，TLS采样设计2-12（12扫描站点均匀分布）是全面表征小麦生长季节冠层结构的最有效方法。均匀分布（策略2）产生了更多来自冠层下部的激光回波，增强了激光点云分布的均匀性。此外，KNV方法可以减轻TLS采样设计变化的影响，提高TLS技术估算小麦GAI的精度（RMSE = 0.57, RRMSE = 18.26%）。该研究为作物育种和植物表型分析中作物属性的有效获取和准确估算提供了有价值的指导。
本试验于2016-2017年在如皋市国家信息农业工程技术中心示范基地（32°15′N, 120°38′E）进行。2016年11月12日播种，播种方式为人工条播，冬小麦品种为紧凑株型‘扬麦15’、较松散株型‘扬麦16’。试验设置2个种植密度，分别为2.4×106苗•ha-1、1.5×106苗•ha-1，3个氮肥梯度：0 kg•ha-1、150 kg•ha-1、300 kg•ha-1，采用随机区组设计，12种处理，3个重复，共计36个试验小区，单个小区面积为30 m2（6 m×5 m）。
模拟地基激光雷达数据的采样设置主要利用ADEL-Wheat模型和LSEE模型，其中ADEL-Wheat模型是基于L系统开发的用于模拟冬小麦生长发育的冠层结构模型，利用 ADEL-Wheat 模型模拟生成需要的小麦三维冠层场景；LSEE模型是基于光线追踪的三维辐射传输模型，利用LSEE模型模拟对应场景的地基激光雷达采样设计。
图1 TLS采样设计（a：外围分布；b：均匀分布）
首先，我们在扫描仪配套软件RiSCAN Pro中对每个TLS采样设计中的点云数据进行配准；然后，对拼接后的点云进行去噪和辐射校准；最后，根据每个点的强度信息划分为绿色组分和衰老组分。根据下面公式计算小麦GAI：
其中，GADK是第K水平层的绿色面积密度，G(θ) 是叶片投影函数，n为水平层数，𝛥𝐻为水平层高度，本研究𝛥𝐻设置为10cm，𝑛𝑙(𝑘)和𝑛𝑝(𝑘)分别表示在第K水平层内属性为1和0的体素个数。此外，本研究采用VSNV方法获取小麦冠层倾角进行计算。
图2展示了基于ADEL-Wheat模型生成冠层场景小麦GAI及冠层各组分比例随生育期的变化规律。整体上来看，模拟场景冬小麦GAI随着生育期的推进呈现持续增加的趋势。从萌芽（积温0 °C d）到分蘖期（积温300 °C d左右），小麦植株叶片开始生长发育，茎秆面积很小，且没有衰老叶片存在。从分蘖期到抽穗期（积温900 °C d左右），茎秆面积快速增加，同时衰老叶片也开始出现，两者占据冠层元素大约五分之一的比例。随着生育期的推移冠层组分的比例也发生变化，其中绿色叶片组分占据GAI最大比例，但是随着生育期进程的推移，叶片占据的比例逐渐降低；绿色茎秆组分比例从萌芽到分蘖期先增加，到拔节期（积温500 °C d左右）有所下降，然后到抽穗期快速增加；衰老叶片组分在拔节期后才出现，并且衰老叶片组分占据的比例从拔节期到抽穗期持续减少。
图2 ADEL-Wheat模型模拟行距为25cm (a)和40cm (b)的冬小麦植株面积指数及相应的绿叶（绿色）、衰老叶（黄色）和茎秆（蓝色）比例
图3展示了2016-2017年‘扬麦15’和‘扬麦16’田间实测绿色面积指数随生育期的变化规律。整体上来看，不同品种的冬小麦绿色面积指数随着生育期的推进都是呈现先增加后减少的趋势，于抽穗期达到最大值，并且披散株型的扬麦16号绿色面积指数一直高于紧凑株型扬麦15号。不同生育阶段冠层组分的比例也发生变化，其中绿色叶片组分占据GAI最大比例，但是随着生育期进程的推移叶片占据的比例逐渐降低；绿色茎秆组分比例从分蘖期到抽穗期持续增加，抽穗后略微降低，占据GAI五分之一左右的大小；绿色穗子组分在抽穗期才出现，并且绿色穗子占据的比例从抽穗期到灌浆期一直增加。
图3 田间测量‘扬麦15’(a)和‘扬麦16’(b)的绿色面积指数及相应的绿叶（绿色）、茎秆（蓝色）和穗子（黄色）比例
图4展示了基于不同体素大小确定方法和TLS采样设计的小麦GAI估算结果。扫描设计1-1和2-1只有一个扫描位置，其RMSE高于多站点设计。此外，随着扫描站点数量增加到12个，RMSE逐渐降低。然而，当扫描站点数量增加到16个（扫描设计1-16和2-16）时，RMSE略有增加。对于策略1（外围分布），除了1-12和1-16在100 °C d期间产生的最佳结果外，KNV方法在所有生长期和扫描站点产生的RMSE值最低。对于策略2（均匀分布），KNV方法通常也产生最低的RMSE。总体而言，对于每个生长阶段，最低RMSE是由KNV方法确定的体素大小和TLS采样设计2-12获得的。
图4 基于模拟数据集的小麦GAI估算比较
图5展示了基于实测数据集的小麦GAI估算比较。田间测量的GAI一般从分蘖期到抽穗期增加，然后在开花期和灌浆期下降。单站点扫描设计1-1和2-1显著低估了小麦GAI，扫描设计1-1结合MSV方法确定的体素大小导致开花期的RMSE最大。此外，与模拟数据一样，对于多站点扫描设计，TV方法高估了GAI，而MSV方法计算的GAI值最低，通常被低估。KNV方法通常产生的估算值介于其他两种方法之间，GAI值略低或接近现场测量的GAI值。当扫描站点的数量为1或4时，无论扫描设计（外围分布还是均匀分布），TV方法通常都会产生最低的RMSE。相比之下，对于8、12和16个扫描站点，KNV方法产生的RMSE最低。在扫描设计2-12下，KNV方法在不同生长阶段估计GAI的精度最高（RMSE = 0.57, RRMSE = 18.26%）。
本研究耦合ADEL-wheat冠层结构模型和LESS计算机模拟模型模拟点云数据，量化TLS采样设计对小麦不同生长阶段GAI估计的影响。模拟和实测数据集表明，单站点采样设计不能完全捕获所有地块的结构特征，并且显著低估小麦GAI。相比之下，合并来自多个不同站点信息的采样策略增加了激光束深入小麦冠层底部的可能性，从而增加了激光回波次数。TLS采样设计2-12为全面表征小麦冠层结构特性及其在生长季节的变化提供了最佳方法。我们建议采用策略2（均匀分布）来捕获植物表型中的TLS数据。此外，我们开发了一种基于KNV方法来优化GAI估算的体素大小。与本文使用的其他方法相比，基于KNV方法的最优体素方法可以大大提高TLS技术估算小麦GAI的精度（RMSE = 0.57, RRMSE = 18.26%）。本研究提出的方法对于优化TLS采样设计和减轻采样设计对作物属性估算的影响具有重要价值。
原文链接：https://doi.org/10.1109/TGRS.2025.3589113