搭載於無人機（UAV）平台的多光譜和高光譜傳感器為*效、便捷地獲取作物冠層光譜信息提供了強大工具。基於此計算的植被指數（VIs）已被證明能有效捕捉作物的光合生理變化並估算光合能力，例如對類胡蘿卜素變化敏感的光化學反射指數（PRI）以及與葉綠素含量（LCC）和光合作用密切相關的結構不敏感色素指數（SIPI）等。已有研究展示了結合多/高光譜數據、紋理、株高等信息或先進機器學習模型反演Pn等光合參數或脅迫狀態的潛力。然而，多光譜信息量有限製約了精度提升，高光譜研究也大多局限於篩選現有VIs，缺乏針對特定研究目標（如構建時間尺度綜合光合指標）對光譜信息或VIs進行先驗優化的環節，這在相當程度上限製了估算模型的準確性和普適性。因此，開發新型、實用的綜合光合指標並建立其與*效遙感手段的聯係，對於提升玉米光合能力評估和產量預測的效率與精度至關重要。
本研究在兩大玉米主產區（華北—華東夏糧區與南方丘陵區）於不同年份、不同播期和不同生育階段，對多品種玉米進行了數據采集。
圖1 實驗地點和研究區域設計的插圖。
采用搭載GaiaSky‑mini高光譜成像儀（Dualix Spectral Imaging Technology Co., Ltd., 無錫，中國）的DJI Matrice 600 Pro無人機（大疆創新科技有限公司，深圳，中國）進行高光譜數據采集。高光譜儀波段範圍為400–1000 nm，光譜分辨率3.5 nm。飛行前使用DJI GS Pro進行航線與航點規劃，飛行高度30 m，前後重疊率70%，側向重疊率60%。起飛前以標準白板進行反射率校正，升空後利用20%、50%及70%fanshelvdehuibujinxingdaqixiaozheng。yingxiangcaijicaiyongzidongpuguangmoshi，yijuhuanjingguangzhaotiaojianyumubiaoliangduzidongtiaozhengzengyiyupuguangshijian，caijishijianweidangriguanghezhibiaocedingde11∶00。
圖2 研究流程示意圖。Pn：淨光合速率；Gs：氣孔導度；Ci：葉片內CO₂濃度；Tr：蒸騰速率；DAF：開花後天數；ODP：日光合作用量；VIs：植被指數；HGW：百粒重。
基於不同植被指數篩選與建模方法的ODP估算：
以ODP為輸出變量，分別采用多元線性回歸（MLR）、支持向量回歸（SVR）、高斯過程回歸（GPR）、隨機森林（RF）和梯度提升決策樹（GBDT）五種方法，構建了兩類輸入：所有植被指數（VIs）與經競爭性自適應重抽樣（CARS）篩選後的VIs（表 4）。結果表明，采用CARS篩選VIs後，模型精度與未篩選時相當，卻僅保留了更少的特征，具有優異的降維效果；同時*除了冗餘特征，顯著提升了計算效率，並減輕了過擬合，使模型在新數據上的泛化能力更強。從*優模型的頻次來看，GPR和SVR在精度上表現*佳，MLR、RF和GBDT相對較差。其中，SVR和GPR具有較強的非線性擬合能力、魯棒性及高維特征處理能力，因此在準確性上占優；MLR受線性假設限製；RF與GBDT則因模型複雜度和參數調優難度較大，表現相對遜色。采用留一交叉驗證（LOOCV）對全數據集建模，排除了數據劃分對結果的影響，提高了結果的穩定性與可靠性（圖 8）。LOOCV結果顯示，無論是否進行CARS篩選，GPR模型均具有最高精度；其中，CARS篩選後的GPR模型取得了最高的綜合表現：R² = 0.82，RMSE = 111.03，MAE = 89.14；而未篩選模型的相應指標略低，為R² = 0.81，RMSE = 113.19，MAE = 92.14。
基於單日光合作用量（ODP）的產量估測：
通過實測和估算的ODP數據對最終產量進行了估測（圖 9）。僅使用開花後10 天（10 DAF）實測和估算ODP進行產量估算時，決定係數R²分別僅為0.526和0.393，準確性較低；當加入開花後20 天（20 DAF）的ODP數據後，R²分別提升了0.182和0.194，估測精度顯著提高；而在繼續加入30 DAF和40 DAF數據時，R²的*大增幅均不足0.13。綜合使用四個時點的ODP實測值進行回歸，可獲得R² = 0.770，RMSE = 0.961 t ha⁻¹，MAE = 0.816 t ha⁻¹，表明多時點ODP實測數據可較準確地估測玉米產量。使用估算的ODP值進行產量估測時，R²亦均超過0.70，說明ODP估算同樣可用於精度較高的產量預測。
圖 3 玉米籽粒灌漿動力學過程。(a) 不同灌漿階段百粒重（HGW）統計；(b) HGW 生長動力學曲線擬合；(c) 開花後灌漿速率（GFR）變化。
圖 4 Pn 擬合曲線投影麵積獲取流程。(a) 開花後第 10 天的淨光合速率（Pn）測值；(b) 數據插值處理；(c) Pn 曲線擬合；(d) 曲線下投影麵積計算。
圖5 不同灌漿階段（10、20、30、40 DAF）HGW 與光合指標的 Pearson 相關係數矩陣。
圖6 二維相關光譜分析結果。(a) 10 DAF；(b) 20 DAF；(c) 30 DAF；(d) 40 DAF。
圖7 單日光合作用量（ODP）與各植被指數的 Pearson 相關係數。
表4 不同 VIs 篩選方法下 ODP 估算精度及*優建模方法比較
圖8 不同植被指數篩選方法下 LOOCV 結果比較。(a) 未篩選；(b) CARS 篩選。
圖 9. 基於實測與估算ODP的產量估測。(a)僅10 DAF實測ODP；(b) 10DAF + 20DAF實測ODP；(c)10、20、30 DAF實測ODP；(d) 10、20、30、40DAF實測ODP；(e) 僅10DAF估算ODP；(f) 10DAF + 20DAF估算ODP；(g) 10、20、30 DAF估算ODP；(h) 10、20、30、40DAF 估算ODP。
圖10 不同處理區內產量時空分布圖。— 新鄉試驗場：2021 年（a、e、i）、2022 年（b、f、j）— 南通試驗場：2022 年（c、g、k）、2023 年（d、h、l）(a–d) 實測產量；(e–h) 基於實測 ODP 估測產量；(i–l) 基於估算 ODP 估測產量。
圖11 不同試驗地點、年份、播期、品種及生育階段對 ODP 估算精度的影響。其中，ZD 958 表示鄭單 958，XD 61 表示新單 61，DH 605 表示登海 605，ZY 303 表示中育 303，SYN 5 表示蘇育 5，SYN 11 表示蘇育 11，JY 877 表示江育 877，SY 29 表示蘇玉 29。
圖 12. 基於不同光合指標的產量估測對比。(a–d) 未引入投影麵積指標；(e–h) 引入投影麵積指標後。
圖13 基於植被指數的產量估測對比。(a–d) 采用表 4中篩選的VIs；(e–h) 基於VIs與產量相關性篩選後的估測結果。(a) 僅10 DAF篩選VIs；(b) 10DAF + 20DAF 篩選VIs；(c) 10、20、30 DAF篩選VIs；(d) 10、20、30、40 DAF篩選VIs；(e) 僅10 DAF相關性篩選；(f) 10 DAF + 20 DAF相關性篩選；(g) 10、20、30 DAF 相關性篩選；(h) 10、20、30、40 DAF相關性篩選。
本研究提出的“單日光合作用指標”（ODP）打破了傳統光合能力評估依賴瞬時觀測、易受環境幹擾、代表性不足的局限，*次在田間群體水平上實現了日尺度作物光合強度的量化表達。結合無人機高光譜遙感技術，ODP不僅可準確估算玉米的光合能力與最終產量，還可用於篩選高敏植被指數，用於產量遙感預測，具備良好的時空適應性、作物泛化性與擴展潛力。未來，ODP模型可進一步推廣至小麥、水稻等作物的精細化管理與精準農業實踐中，為構建高*、智能、綠色的作物表型感知與決策係統提供理論基礎與實踐路徑。
朱少龍，揚州大學
Zhu S, Yang T, Han D, et al. ODP: A novel indicator for estimating photosynthetic capacity and yield of maize through UAV hyperspectral images[J]. Computers and Electronics in Agriculture, 2025, 235: 110350.https://doi.org/10.1016/j.compag.2025.110350
地址：無錫市梁溪區南湖大道飛宏路58-1-108
.png)
電話：
.png)
郵箱：
地址：北京市海澱區中關村大街19號
電話：
郵箱：
地址：陝西省西安市高新區科技一路40號盛方科技園B座三層東區
電話：
郵箱：
地址：成都市青羊區順城大街206號四川國際大廈七樓G座
電話：
郵箱：
地址：深圳市龍華區民治梅龍路電話：郵箱：
在線谘詢