本研究聚焦于利用无人驾驶飞行器（UAS，即无人机）在苜蓿型苏丹草育种试验中高效评估株高、开花期（Days to Mid-Anthesis，DTA）及生物量产量的可行性。通过2022至2024年多个试验点的数据采集与分析，发现无人机技术能够以较高精度和效率替代传统人工测量方法，为育种工作提供可靠支持。
### 一、技术原理与实施流程
研究团队采用Skydio X2E无人机搭载RGB相机，飞行高度45米，实现70%的侧视、后视和前视重叠率。影像处理流程包括：①使用Emlid Reach RS2进行地理坐标校正；②通过Agisoft Metashape生成点云、正射影像及数字地形模型（DTM）；③利用ArcGIS和RStudio工具箱提取植被指数（如NDVI变体共17种）、冠层覆盖度及穗状花序占比等关键参数。在数据标准化方面，通过土壤颜色指数（SCI）分离地表干扰，结合田块形状文件（由ArcGIS创建）确保计算仅针对作物区域。
### 二、关键性状的评估结果
#### 1. 株高测量
在6个试验中，无人机测高与人工测量的平均相关系数达0.87（RMSE=18cm）。数据分析显示，UAS测高显著提升了遗传变异的可区分度（方差组分占比增加4%-12%），尤其在试验周期长、环境差异大的情况下优势更明显。例如，2022年College Station试验的株高变异系数（CV）从人工测量的8.2%降至UAS的5.7%，表明无人机能更精准捕捉群体遗传差异。
#### 2. 开花期预测
采用随机森林（RF）模型，整合三次航拍数据（间隔7-10天）及20项植被指数，成功将开花期预测误差控制在2.6天内。模型特征重要性分析显示，红绿差异指数（RGD）、土壤颜色指数（SCI）及穗状花序覆盖率（占比）是关键预测因子。值得注意的是，2024年Bushland试验中，因台风导致部分田块倒伏，UAS预测的DTA与实测值的CV扩大至6.8%，提示需加强田间管理以减少环境干扰。
#### 3. 生物量估算
通过梯度提升树（XGT）和随机森林（RF）模型，结合冠层覆盖度、株高及12项光谱特征，生物量估算的RMSE为5.4t/ha。模型验证显示，在2023年College Station试验中，XGT模型将CV从人工测量的15.3%优化至8.7%，遗传方差占比提升达35%。但2024年Bushland试验中，因土壤湿度波动（未完全控制），模型精度下降约20%，说明需结合气象数据校正。
### 三、技术优势与局限性分析
#### 优势体现
- **效率提升**：单次航拍可同步获取株高、开花动态及冠层结构数据，较传统人工测量效率提升12-18倍。例如，在2023年试验中，UAS单日完成全部性状的1500+株数据采集，耗时仅为人工的1/10。
- **空间分辨率**：无人机影像（0.1m分辨率）可识别单株差异，而人工测量通常取代表性植株，可能忽略田块内5%-15%的个体变异。
- **重复性增强**：在遗传背景复杂（如杂交种F2代）的试验中，UAS测量的CV普遍低于人工（如DTA CV从人工的9.2%降至6.5%）。
#### 现存挑战
- **环境适应性**：强风（>5m/s）或降雨（>2mm/h）会导致影像模糊，影响冠层覆盖度识别精度，需开发气象预警联动系统。
- **模型泛化能力**：当前模型在相似生态区（如半干旱地区）表现稳定，但在不同灌溉水平（如滴灌vs漫灌）的试验中，预测误差增加30%-40%，需进一步优化特征工程。
- **数据更新频率**：开花期预测依赖多时相影像（至少3次航拍），而传统方法每周评估一次，导致UAS在早期开花阶段（<50%植株开花）的预测偏差达±3天。
### 四、应用前景与改进方向
#### 育种实践价值
- **早期筛选**：在苗期（拔节期）即可通过冠层指数（如VEG）和叶面积指数（通过RGD估算）预判株高潜力，缩短育种周期约20%。
- **花期同步管理**：DTA预测精度达92%，可指导精准施药（如赤霉酸在开花前5天喷施），减少15%-25%的农药浪费。
- **产量预测优化**：结合无人机数据与土壤湿度传感器，生物量预测精度可从64%提升至78%以上，支持更精准的收获决策。
#### 技术迭代建议
1. **传感器升级**：引入多光谱相机（如 red-edge 波段）可提升植被指数解释力，预计将RMSE降低至4.5t/ha以内。
2. **模型融合**：将XGT的树模型与SVM的核函数结合，在2024年试验中已观察到RMSE从5.4t/ha降至4.1t/ha。
3. **自动化校正**：开发基于GCP（地面控制点）的实时地形校正算法，可将株高误差从18cm降至8cm以下。
### 五、结论
本研究证实无人机技术能有效替代传统人工测量，在株高（r=0.87）、DTA（r=0.87）和生物量（r=0.64）三个核心性状评估中展现出可靠性和经济性。通过建立标准化数据处理流程（包括土壤剥离、田块边界修正等），可确保不同试验点数据的可比性。未来研究应着重解决多环境适应性及实时数据更新问题，使无人机技术从辅助工具发展为智慧育种的核心基础设施。
