2018

How Universal Is the Relationship between Remotely Sensed Vegetation Indices and Crop Leaf Area Index? A Global Assessment[J]

研究背景：田间高通量表型鉴定技术可以促进整个生长季节植物表型性状的自动测量，是提升作物改良的关键技术瓶颈

研究目标：开发一套基于地面激光雷达的高通量表型鉴定系统，用于精确测量棉花植株的形态特征，包括冠层高度、投影冠层面积和植株体积，以探究这些形态特征与最终产量之间的关系。

研究方法：结合了二维激光雷达和实时动态定位系统（RTK-GPS）来扫描田间棉花，生成精确的三维植株模型。使用RANSAC算法分离地面平面，并应用欧几里得聚类算法去除由杂草产生的噪声，最终得到清晰的棉花植株三维表面模型。

主要发现：开发的表型鉴定系统能够在整个生长季节连续扫描棉花植株，测定其形态特征，并构建了生长趋势和生长速率曲线。形态特征与最终产量的相关性分析显示，在播种后67至109天之间，这些特征与产量的相关性最高，其中投影冠层面积和植株体积与产量的相关性高于冠层高度。

2021

结合移动式激光雷达和 CropQuant-3D 对不同氮素处理小麦的大规模田间表型分析[M]

摘要：植物表型组学被公认为是连接重要农艺性状和基因组信息的关键研究领域。从空中到地面，从固定龙门架平台到分布式传感器或手持设备，一系列基于田间表型分析方案已经问世。然而，通过前人研究发现，目前这些系统在移动性、可负担性、高通量、准确性、可扩展性等方面存在各类缺点，并且针对大规模数据分析能力也有较大的欠缺。因此本研究通过结合移动式激光雷达和自主开发的 CropQuant-3D 软件对现有的一些问题进行了解答。
首先，本研究设计了履带式车载升降平台并考虑其和背包式的优劣，之后提出了一种综合表型分析方案，它结合了背包激光雷达设备和自主开发的表型分析软件CropQuant-3D，进而应用于大规模田间小麦表型采集试验和相关的三维表型分析。本文首次使用了背包激光雷达对小麦作物进行了大规模自动化田间表型分析，通过获取的数亿个三维点来描述田间试验中小麦的空间特征，并以此建立三维表型分析算法获取与生长相关的农艺性状。本研究还通过研究如何结合背包激光雷达和 CropQuant-3D来精确计量作物高度及复杂的三维冠层结构，并结合生长表型性状及关键产量性状综合测试了 11 个镇麦、宁麦品种在接近 1 公顷大田试验中对三种不同水平氮肥的响应，从而将背包激光雷达和自主研发的表型分析软件与作物研究相结合，在方法学上进一步发展了前人研究中未挖掘的表型性状，并结合小区产量分析了不同小麦品种对氮响应的生物学意义。
结果表明，该组合方案能够通过测量关键三维表型性状区分基因型和生理表型的差异，其结果与传统的人工测量的性状数据有很强的相关性。因此，本文提出的解决方案可以在更大范围、更快地量化小麦关键性状，也表明本系统可以作为一种可靠的研究工具，用于大规模田间表型分析和多地点作物研究和育种工作。本研究还展示了背包激光雷达和 CropQuant-3D 在可移动性、高通量数据采集和可扩展性等方面的潜力，有助于解决目前基因组资源利用的瓶颈。此外，随着激光雷达技术的快速成熟，二维和三维图像分析算法的技术进步，本研究开发的开源软件能为广大研究人员提供三维分析平台，共同开发新的算法，处理精度更高、体量更大的数据，为基因组资源的挖掘提供高质量的动态表型数据。

2023

基于地基激光雷达和 RGB 相机对小麦的冠层高度和生物量的估测及关联分析[M]

摘要： 目前我国农业技术的不断进步，智慧农业和精准农业成为未来农业发展的主要趋势，近年来，随着光学成像系统和图像处理技术不断更新和发展，从图像层面对作物生长发育情况进行分析的表型获取方式已逐渐得到育种学家的认可。小麦作为一种重要的粮食作物，是世界上分布最广泛的粮食作物之一，在我国农业生产中占有非常重要的地位，如何打破其传统表型获取瓶颈，通过高通量作物表型平台实现高通量、无损、精准动态解析，进一步挖掘其与遗传机制存在的潜在联系，在小麦遗传育种研究中具有重要意义。本文通过田间高通量表型平台搭载的激光雷达和双角度的RGB相机对小麦全生育期图像进行获取，提出基于图像层面的小麦全生育期的表型组获取及解析策略，并对获取的高通量表型信息进一步分析，挖掘表型和基因型之间的关联。主要研究结果如下：
（1）利用激光雷达获取点云图像设置阈值进行降噪，通过中位数方法计算冠层顶部高度和累积分布方法计算地面土壤高度，计算差值从而获取不同品种各个生育期小麦的高通量株高表型数据并对不同生育期进行验证。对照品种进行株高表型性状的可靠性评估的R2均在0.97以上。有效的证实了激光雷达在小麦作物测量的可靠性和准确性。
(2)对激光雷达获取的高通量株高表型数据进行不同生育期的动态全基因组关联分析，三个时期在15条染色体上共检测出72个显著的SNP位点，通过定位得到3个控制株高的矮杆基因分别是4B染色体上的Rth-B1b(Rth1），4D染色体上的Rth-D1b(Rth2) 以及在5A染色体上的Rth12。从侧面证明了激光雷达高通量测量小麦表型数据的可行性。
(3)利用RGB获取的双角度可见光图像，通过EXG模型和Output阀值算法提取GF（绿色分数），并根据浑浊介质模型和神经网络反演GF估测出不同RGB图像在0◦和45◦双视角下的GAI（绿色面积指数）值，其估测值与实测值的可靠性评估R2为0.87，估测效果较好。
(4)基于异速生长定律建立了通过GAI估测小麦营养生长阶段的幂函数生物量模型，并对模型的可靠性进行了验证其R2为0.76，RMSE为0.62ton/ha，模型具有显著意义。
综上，本文提出一种基于田间表型平台的小麦全生育期表型组获取及解析策略，并通过全基因组关联和生物量预测模型对该策略的可行性进行了验证。为作物全生育期的表型提取提供一种新的技术和思考方向。