近日，我院大豆遗传育种团队联合中国科学院空天信息创新研究院覃驭楚研究员团队在大豆表型组研究中取得新进展，相关成果以“Toward Multi-Stage Phenotyping of Soybean with Multimodal UAV Sensor Data: A Comparison of Machine Learning Approaches for Leaf Area Index Estimation”为题发表在国际知名期刊Remote Sensing（https://doi.org/10.3390/rs15010007）。资源植物研究院2019级硕士研究生张怡和杨一哲为该论文共同第一作者，王贤智研究员为通讯作者。
叶面积指数是反应植物冠层结构和生长状态的重要指标，常被用于作物生长检测和产量预测。目前，利用无人机搭载多种遥感探头开展叶面积指数估算已在森林树木和玉米等株型高大植物取得较大进展，然而在大豆中开展相关研究的报道较少。
该研究在大豆的开花期、结荚期和成熟期，利用无人机搭载高光谱、多光谱和雷达探头采集遥感数据，结合同期地面采集的叶面积指数实测数据，利用6种机器学习方法分别建立了叶面积指数的估算模型。除了建立单种光谱信息和单个生长时期的预测模型外，该研究还建立了大豆叶面积指数的多种光谱融合模型和适用于多个生育期的通用模型。该研究不仅提供了大豆不同生育期叶面积指数的估算模型，同时也为开展大豆基于多遥感探头的高通量表型研究提供了新思路。
该项研究得到了国家自然科学基金、云南省自然科学基金和云南省重大科技专项项目的资助支持。
Prediction models of LAI based on the fusion of hyperspectral and multispectral parameters by different modeling methods at the flowering stage. (a) MLR-LAI; (b) RF-LAI; (c) XGBoost-LAI; (d) SVM-LAI; (e) BP-LAI.
