仇瑞承　魏爽　張漫　李寒　孫紅　劉剛　李民贊

摘要：隨著世界人口的增長，糧食安全問題變得日益嚴峻，培育新的作物品種是解決糧食危機的一種有效途徑。傳統(tǒng)的作物表型測量人工成本高，工作效率低，不能為育種學(xué)家提供充足的數(shù)據(jù)，阻礙了育種的發(fā)展，因此改進表型測量方法是十分迫切的。育種學(xué)家多關(guān)注作物的形態(tài)學(xué)參數(shù)和生理學(xué)參數(shù)，多種傳感器已經(jīng)被應(yīng)用于作物的參數(shù)測量。本文對一些表型參數(shù)測量方法進行了分析與比較，包括作物高度、葉片參數(shù)、株間距、葉綠素含量、水分脅迫指數(shù)、生物量等。同時，也對一些可用于多種參數(shù)測量的復(fù)合測量平臺進行了總結(jié)。此外，本文指出了表型測量中的不足，應(yīng)該改進當前的一些測量方法，以降低表型測量的成本，提高測量效率。

關(guān)鍵詞：作物表型;高通量;傳感器;形態(tài)學(xué)參數(shù);生理學(xué)參數(shù)

1 前言

隨著世界人口的快速增長、可耕地面積減少、全球氣候急劇變化和水資源短缺，使得農(nóng)業(yè)生產(chǎn)面臨著嚴峻的挑戰(zhàn)，糧食安全問題變得日益突出。

提高作物產(chǎn)量是解決糧食危機的最有效途徑。作物受到自身基因和外部環(huán)境的雙重作用，當前，作物更加頻繁的遭受極端天氣的影響（例如，大風(fēng)、干旱和水澇），培育能夠適應(yīng)復(fù)雜多變環(huán)境的新作物品種是十分必要的。

過去幾十年，作物育種領(lǐng)域取得了突出的成果，尤其是作物功能基因組學(xué)和基因技術(shù)的發(fā)展加深了人們對作物基因組的理解。當前，轉(zhuǎn)基因技術(shù)受到廣泛關(guān)注，被認為是糧食增產(chǎn)的最有效和方便的手段。隨著作物基因技術(shù)的發(fā)展，育種學(xué)家嘗試去探索作物基因和環(huán)境交互影響的本質(zhì)。表型組學(xué)，是作物基因的外部表達，是作物基因和環(huán)境共同作用的結(jié)果。因此，理解基因型和表型的關(guān)系，并在細胞和組織的結(jié)構(gòu)層面將它們與生理學(xué)相關(guān)聯(lián)，就變得越來越重要。育種學(xué)家不僅關(guān)注最終的作物產(chǎn)量，而且關(guān)注作物的整個生長過程。一些作物的特性和表型參數(shù)，會隨著作物器官的生長而變化，為了培育優(yōu)良的作物品種，這些特性和參數(shù)需要在較長的時間內(nèi)被連續(xù)測量。這項工作十分繁重，因為許多參數(shù)的測量是由人工完成的，其測量方法落后、成本高、耗時費力。低效的方法不能實現(xiàn)大規(guī)模的生產(chǎn)繁殖，不能充分地開發(fā)現(xiàn)有的基因數(shù)據(jù)。表型數(shù)據(jù)的缺失，使得表型組學(xué)已經(jīng)超越基因組學(xué)，成為基因分析和育種研究的主要瓶頸和障礙。

近年來，電子、計算機科學(xué)和傳感器技術(shù)的創(chuàng)新已經(jīng)推動了表型組學(xué)的發(fā)展，一些新的針對表型參數(shù)的測量方法已經(jīng)被提出。2010年后，快速、高通量的作物表型組學(xué)方法，可極大地提高作物的育種效率。多種現(xiàn)有的傳感器和技術(shù)被應(yīng)用和融合，一些成熟的精細農(nóng)業(yè)技術(shù)也被應(yīng)用于表型組學(xué)。此外，傳感器技術(shù)、三維圖像技術(shù)、逆向工程和虛擬植物技術(shù)為表型組學(xué)的發(fā)展提供了基礎(chǔ)。這些測量方法可應(yīng)用于田間或?qū)嶒炇?，采集大量的?shù)據(jù)，進而促進高通量表型組學(xué)的發(fā)展。

表型組學(xué)可以以一種快速、準確的方法實現(xiàn)作物形態(tài)學(xué)參數(shù)和生理學(xué)參數(shù)的測量，幫助育種學(xué)家分析和篩選具有耐鹽性、耐旱性和抗病性的作物品種。本文依據(jù)高通量作物表型組學(xué)中的形態(tài)學(xué)參數(shù)和生理學(xué)參數(shù)，對當前的測量方法和應(yīng)用的傳感器進行分析和總結(jié)，并對其存在的問題進行討論。

2主要的作物表型參數(shù)和測量方法

目前，作物表型組學(xué)的測量目標多為常見的糧食和經(jīng)濟作物，如小麥、玉米、高粱、大麥、西紅柿、豆類和葡萄等，這些作物對農(nóng)業(yè)生產(chǎn)具有重要的實用和經(jīng)濟價值。表型測量通常關(guān)注于一些具有代表性的參數(shù)，這些參數(shù)可以被劃分為形態(tài)學(xué)參數(shù)和生理學(xué)參數(shù)。形態(tài)學(xué)參數(shù)包括作物高度、莖粗、葉面積或葉面積指數(shù)、葉角、莖稈長度、株間距等，生理學(xué)參數(shù)包括葉綠素、光合速率、水分脅迫、生物量、耐鹽性和葉片含水量等，這些參數(shù)都可以影響或表征作物的生長。

需要測量的表型參數(shù)有很多，所以各種傳感器在表型組學(xué)中被應(yīng)用。表型測量與很多傳統(tǒng)技術(shù)相關(guān)，許多常用的和新穎的傳感器被用于作物測量，包括彩色數(shù)碼相機、雷達或激光傳感器、深度相機、光譜傳感器和光譜相機、熱成像儀和熒光傳感器等。后續(xù)章節(jié)將對幾種被廣泛應(yīng)用于表型組學(xué)的常見傳感器進行介紹，一些具有代表性的產(chǎn)品如表1所示。

彩色數(shù)碼相機大部分由電荷耦合器件（CCD-Charge Coupled Device）傳感器或金屬氧化半導(dǎo)體構(gòu)成，是機器視覺領(lǐng)域最常見、最簡單的傳感器。彩色數(shù)碼相機可以采集物體可見光波段的信息，獲得物體的彩色信息和紋理信息，與人眼的觀測范圍接近。作物的三維（3D-3 Dimension）結(jié)構(gòu)可以通過立體視覺系統(tǒng)采集的多幀圖像進行重建獲得。立體視覺系統(tǒng)由一個或多個彩色數(shù)碼相機組成，使得彩色數(shù)碼相機可以測量更多的表型參數(shù)。

雷達傳感器，自20世紀80年代后被廣泛應(yīng)用于農(nóng)業(yè)研究，其發(fā)射紅外或可見光波段的脈沖，大部分采用飛行時間（ToF-Time-of-Flight）、干涉法或三角測量原理?；赥oF原理的雷達傳感器適合于長距離測量，其他雷達傳感器則被用于短距離測量。雷達傳感器輸出包含目標與傳感器距離信息的離散點云數(shù)據(jù)。雷達可根據(jù)結(jié)構(gòu)劃分為二維（2D-2 Dimension）和3D雷達。2D雷達通過扇形掃描來探測目標，并生成平面點云數(shù)據(jù)。3D雷達可以采集表征目標表面特性的高精度、高分辨率的點云數(shù)據(jù)，可更容易地獲得目標的形態(tài)和結(jié)構(gòu)數(shù)據(jù)。除了一些常見的用于距離測量的雷達傳感器，作物表型組學(xué)中還應(yīng)用了全波段雷達和高光譜雷達。全波段雷達不僅記錄峰值強度，還以一種特殊波形保存激光脈沖返回的所有信息。全波段雷達（FWF-Full-Wave-Form）使得識別多種物體變得更加容易。高光譜雷達將作物的多波段光譜響應(yīng)特性添加于點云數(shù)據(jù)，有利于診斷作物的活力。

深度相機能夠同時提供實時的深度圖像和信息。這種相機大部分采用ToF、結(jié)構(gòu)光和光編碼的原理，通常輸出深度、幅度和強度圖像。其中，深度圖像包含有影像的Z坐標信息，幅度圖像可以評估深度信息的質(zhì)量，強度圖像是一副簡單的灰度圖。RGB-D相機是一種較新的、低成本的深度相機，配備有RGB相機、深度傳感器和紅外發(fā)射器。RGB-D相機可以同時提供目標物的彩色和深度信息，Kinect和Xtion是兩款比較常見的深度相機，被應(yīng)用于作物測量等多個領(lǐng)域。

光譜傳感器通常探測可見光波段（400～700nm）和近紅外波段（700～1200nm）的反射信息，用于獲得目標物的一些特性。GreenSeeker、ASDFieldSpec、N-sensor“ALS和Cropcircle等商品化的產(chǎn)品，已經(jīng)被廣泛應(yīng)用。

光譜設(shè)備通常測量作物或土壤的多波段光譜反射信息，可提供一些經(jīng)典的植被指數(shù)。此外，多光譜和高光譜相機可以以光譜圖像的格式獲得目標物在寬波段光譜的反射信息。與光譜傳感器相比，光譜相機將每一個像素點與光譜信息相結(jié)合，有助于減少背景的干擾，使得光譜信息更加準確。

熱成像儀探測和可視化目標物的紅外輻射，該輻射與物體溫度相一致。熱成像儀的敏感波段為3～14μm，最常用的波段為3～5μm和7～14μm。熱成像儀可以探測作物對脅迫狀態(tài)的早期熱反應(yīng)，尤其是葉片部分。熱成像技術(shù)可以直觀的呈現(xiàn)出作物表層的溫度。

熒光傳感器采用一種獨特的主動測量方式。作物的葉綠素是產(chǎn)生熒光的部分，外界光照被葉綠素吸收并用于光和作用，該過程中一部分吸收到的光轉(zhuǎn)換成熱能，另一部分以熒光的形式返回。作物的一些特性，尤其是與光合作用相關(guān)的參數(shù)，都可通過探測熒光獲得。

其他的傳感器，如超聲波傳感器和溫度計，也可應(yīng)用于表型測量，在下面的章節(jié)將進行介紹。

表型測量環(huán)境包括室內(nèi)和室外，測量方式主要為手持式、車載式和無人機（UAV-Unmanned Aerial Vehicle）式。在后續(xù)章節(jié)中，將會根據(jù)傳感器的類別對作物形態(tài)學(xué)參數(shù)（作物高度、葉面積（LA-Leaf Area）或葉面積指數(shù)（LAI-Leaf area index）、葉傾角（LIA-leaf Incline Angle）和株間距）和生理學(xué)參數(shù)（葉綠素、水分脅迫和生物量）的測量方法進行介紹和總結(jié)，如表2所示。一些常見傳感器的特征如表3所示，傳感器的詳細信息將在后續(xù)章節(jié)進行說明討

3 形態(tài)學(xué)表型參數(shù)測量

3.1 作物高度測量

作物高度是一個重要的形態(tài)學(xué)參數(shù)，可用于描述作物的結(jié)構(gòu)。苗期的作物高度可表征作物的生長活力，其與作物的最終產(chǎn)量密切相關(guān)。

傳統(tǒng)的作物高度測量由人工使用米尺完成，存在人為誤差，尤其在作物高度高于人體時。彩色數(shù)碼相機可用于測量作物高度，通過彩色圖像處理方法獲得作物高度，然而這種方法需要已知目標作為參考，難以實現(xiàn)快速、高通量的測量。一種準確的且被接受的方法是“差分法”，該方法通過計算冠層和地面的高度差獲得作物高度。新的系統(tǒng)或傳感器，例如立體視覺系統(tǒng)，雷達或激光傳感器，超聲波傳感器和深度相機也被用于測量作物高度。

當前作物高度的高通量測量方法為車載式和UAV式，每種測量方法都具有它的優(yōu)勢和局限性。車載式測量由于近距離的采樣可獲得相對準確的原始數(shù)據(jù)，使得其可測量單株的作物高度。與之相反，UAV式測量距離冠層有一定距離，可獲得相當多的作物高度信息。下面將對用于作物高度測量的多種傳感器進行介紹。

3.1.1 基于立體視覺的作物高度測量

利用立體視覺系統(tǒng)，可以采集作物多個角度的圖像，融合生成高精度的作物3D模型，用于測量作物高度。通常，用于融合的圖像通過多個相機或一個移動的相機進行采集（圖1），基于相機的相對位置生成3D模型。陳兵旗等采用雙目立體視覺監(jiān)測田間玉米，獲得3D重建圖像來計算作物的高度。為了實現(xiàn)單一相機測量作物高度，一些算法被廣泛應(yīng)用，SFM（Structure From Motion）和PMVS（Patch-based Multi-viewStereo）算法具有較好的處理效果。Jay等使用單個彩色相機應(yīng)用SFM算法重建了作物的3D模型，利用彩色和3D信息推導(dǎo)出了作物高度。相機也可以安裝在UAV上去采集大區(qū)域的玉米、高粱數(shù)據(jù)，然后應(yīng)用SFM算法生成數(shù)字表層模型計算作物高度，但是結(jié)果不是很好，可能是由于圖像數(shù)量的缺少造成的。高分辨率和高重疊率的圖像非常重要。Santo和Rodrigues應(yīng)用PMVS三維重建了玉米，并通過計算最高點和擬合的地面平面的距離估算了玉米株高，測量誤差低于1%。立體視覺系統(tǒng)的處理精度和速度有待提高。雙目立體視覺與測量距離正相關(guān)，SFM對誤匹配非常敏感。同時，由于彩色數(shù)碼相機的限制，立體視覺系統(tǒng)對自然光照的魯棒性較低，限制了其室外應(yīng)用。

3.1.2 基于雷達/激光傳感器的作物高度測量

雷達和激光傳感器對外界光照具有良好的適應(yīng)性，且能提供大量的數(shù)據(jù)，因而被應(yīng)用于測量作物的高度。一些研究選擇車載式測量方式，安裝雷達測量作物高度。作物高度可以通過雷達的點云數(shù)據(jù)推導(dǎo)得到，包括從作物冠層或側(cè)面采集到的距離信息。Chatzinikos等使用激光掃描測量3種作物的特性，Saeys等使用2D雷達測量小麥，應(yīng)用直方圖的方法估算其密度。Zhang和Grift等使用2D雷達測量巨芒的莖稈高度。針對傳感器安裝或地面不平坦造成的傾角所引起的測量誤差，Zhang和Grift分析后，根據(jù)縱坐標的最大值和最小值設(shè)計了一個校正算法。但是，行駛速度和外界風(fēng)力都會影響上述研究，由于2D線性掃描的本質(zhì)，較高的行駛速度會造成數(shù)據(jù)體積的減小。另一方面，2D雷達難以測量交叉閉塞的作物器官，如重疊的葉片和其分支。由于2D雷達的這些限制，一些研究中采用3D雷達安裝于一定高度去測量作物。由于測量誤差隨測量距離的增長而變大，針對3D激光雷達的測量距離和安裝角度需要進行考慮。針對這一問題，Ehlert和Heisig等進行了相關(guān)測試和分析。結(jié)果表明，基于點云數(shù)據(jù)生成的作物表層會隨著掃描角度的增長而變得陡峭，如圖2所示。當3D雷達對小的作物進行垂直掃描時，獲得的點云數(shù)據(jù)精度最高，而測量高的作物時使用向前的視角較好。不同于2D雷達，3D雷達不受速度的影響，車速對測量結(jié)果的影響可以忽略不計。

新型雷達也被用于作物高度測量。一種4線的3D雷達被用于測量小麥和玉米的高度。這款雷達發(fā)射一個脈沖，位于不同高度的4個二極管接收返回信號，也就是一個脈沖可以獲得四個返回信號，數(shù)據(jù)的精度和密度都得到了提升。Gao等采用UAV測量方式，應(yīng)用一款機載FWF測量了玉米高度。與只接收有限最強波峰信號的雷達不同，一個FWF包含所有返回的雷達脈沖信號，不同的信號數(shù)據(jù)可以被融合分析。UAV的測量方式可以建立一個數(shù)字地形模型（DTM-Digital Terrain Model）以提高測量精度。作物高度可通過計算DTM與當前UAV表層模型的差值獲得，并生成作物的表層模型。

3.1.3 基于超聲波傳感器的作物高度測量

超聲波傳感器的測量原理與雷達相似。盡管超聲波傳感器的空間分辨率低于雷達，但是其價格相對較低。超聲波傳感器由于其測量波段的原因，其不受自然環(huán)境的影響，所以被廣泛應(yīng)用于室外測量。作物高度可以通過超聲波傳感器應(yīng)用差分法測量獲得。Sui等使用超聲波傳感器，采用車載式的測量方法，并搭載GPS（Global Positioning System）系統(tǒng)測量了棉花的高度，生成了高度分布圖。Sharma等將超聲波傳感器安裝在一個二輪自行車上測量玉米的高度，用于產(chǎn)量估算。但是，超聲波傳感器的信號容易發(fā)散和衰減，其測量精度易受測量物體的方位和表面平滑度的影響，容易造成數(shù)據(jù)丟失。傳感器通常垂直于地面安裝，以保證測量精度，但作物上層葉片隨風(fēng)飄動會產(chǎn)生不同的讀數(shù)。這些都使得超聲波傳感器不適用于長距離的測量。近年來，寬頻域的聲譜技術(shù)被應(yīng)用于超聲波傳感器，使得超聲波信號質(zhì)量得到了顯著提升，這或許會促進超聲波傳感器的應(yīng)用。此外，超聲波傳感器可與雷達結(jié)合使用，以提高測量精度。

3.1.4 基于深度相機的作物高度測量

應(yīng)用深度相機的深度信息可以測量作物的高度。一款田間機器人搭載PMD相機，通過計算距離直方圖實現(xiàn)了作物高度的監(jiān)測。但是，深度相機容易受到自然光照干擾，且其圖像分辨率較低（例如，PMDCamCube相機的像素為204x204）。

除了深度信息，RGB-D相機提供的彩色信息可以幫助去除地面干擾，識別作物更加容易。Azzari等使用Kinect描述植被結(jié)構(gòu)，作物高度的歸一化均方根誤差為2.7%～19.1%。Gai等使用Kinect識別作物并計算其高度，測量玉米高度誤差小于2cm。Andujar等應(yīng)用Kinect估算菜花的高度，與地面真實值的偏差小于2em。雖然價格低于上述傳感器，但是Kinect可以提供高分辨率的圖像（例如，640x480像素，最高可提供1920x1080像素）。此外，最新的Kinect對自然光照具有較好的魯棒性，在作物表型組學(xué)方面具有良好的應(yīng)用前景。

3.1.5 作物高度測量方法的比較與分析

與其他傳感器相比，雷達由于可獲得大量的數(shù)據(jù)，具有最高的測量精度。但是，雷達傳感器的價格昂貴。盡管超聲波傳感器價格低廉，但是少有研究采用超聲波傳感器測量作物高度，主要是由于超聲波傳感器易產(chǎn)生大量的無效數(shù)據(jù)。此外，立體視覺系統(tǒng)需要圖像的校正，深度相機的分辨率較低，數(shù)據(jù)經(jīng)過處理后可能產(chǎn)生丟失。外界的光線對立體視覺系統(tǒng)和深度相機的測量精度都會產(chǎn)生影響。隨著性能和算法的提高，加之低廉的價格和高精度的數(shù)據(jù)，Kineet是作物高度測量的一個不錯選擇。

車載式測量方法具有很多優(yōu)點，上述傳感器都可用于車載式測量。通常，GPS和編碼器被用于實時記錄車輛和作物的位置，因而自動導(dǎo)航系統(tǒng)可應(yīng)用于車載式測量。地勢的不平坦可能會影響到測量的精度。地面的和作物冠層的反射信息混合在一起，會對測量有一定的干擾，尤其在苗期。

UAV式測量方法由于其高效、低廉的特點獲得很多關(guān)注。但是，當彩色相機應(yīng)用于UAV測量時，UAV的速度和彩色相機的曝光時間會影響到測量精度。當前，由于雷達的高精度、高采樣速率，已被大量應(yīng)用于UAV測量。

3.2 葉角/葉面積/葉面積指數(shù)測量

葉片是作物的重要組成部分，對作物的生長至關(guān)重要，直接影響了作物對光能的使用率，因此，葉片參數(shù)是作物表型組學(xué)中的重要參數(shù)。許多形態(tài)學(xué)參數(shù)與葉片相關(guān)，這些參數(shù)在表型組學(xué)中被頻繁測量，包括LIA或葉角分布（LAD-Leaf Dngle Distribution）、LA、LAI等。LIA指葉片表面所在平面與天頂角之間的角度，決定光的投射情況。LAD可反映作物的水分脅迫情況，也會影響到LAI的測量。LA指單個葉片面積，其對作物的生物統(tǒng)計觀測很重要。LAI指單位面積內(nèi)作物葉片面積的總和，LAI可以表征作物的群體活力和冠層結(jié)構(gòu)，影響作物光合作用和水分利用。上述參數(shù)與作物的生物和物理過程相關(guān)，如光合作用、呼吸作用、蒸騰作用、水分利用和谷物產(chǎn)量。LIA可以人工使用量角器測量。與LIA相比，LAI和LA的測量是繁瑣、復(fù)雜的。葉片需要刻畫在一個含有單元格的紙上，通過計算單元格的數(shù)量來獲得葉片面積。

為了節(jié)省時間，減少勞動力，許多傳感器和技術(shù)被開發(fā)和應(yīng)用于作物表型組學(xué)中的葉片測量，后續(xù)章節(jié)將對此進行介紹。

3.2.1 基于彩色數(shù)碼相機和立體視覺系統(tǒng)的葉片參數(shù)測量

彩色數(shù)碼相機是一款低成本的圖像設(shè)備，被廣泛應(yīng)用于多個領(lǐng)域，包括測量作物葉片。通常應(yīng)用形態(tài)學(xué)操作對采集的彩色圖像進行處理，用于計算LIA、LA和LAI參數(shù)。鄧立苗等通過圖像處理方法測量玉米的葉片姿態(tài)。首先對圖像進行校正和預(yù)處理，然后進行估算和提取，以獲得莖稈和葉片的結(jié)構(gòu)。最后，計算骨架分支的夾角得到LIA值。

根據(jù)像素點計算LA是一種常用的方法。An等利用一個彩色數(shù)碼相機開發(fā)了一條流水線，可以測量葉片長度和玫瑰面積。顏色校正和光學(xué)扭曲校正后，利用顏色分量，將作物從背景中提取出來。然后，檢索作物的邊界，并計算其包含的像素點，從而獲得玫瑰面積。

此外，彩色數(shù)碼相機可被裝在UAV上用于測量作物面積。Ribera等估算了高粱的特性，圖像被拼接和分割以確認作物的中心位置、評估葉片數(shù)量和LA。但是葉片直接的相互交叉使得不能測量單株作物。如何處理彩色圖像中的單株作物或葉片的閉合和交叉是一個重要的問題。Scharr等、Pape和Klukas等進行了分割方法的研究。首先抽離出作物葉片，計算葉片圖像中的歐氏距離生成骨架圖像，然后檢測葉片中心點、骨架末端點和骨架交叉點，最后應(yīng)用分水嶺轉(zhuǎn)換分割出單獨的葉片。重疊葉片被成功的分離，結(jié)果如圖3所示。彩色圖像可用于評估綠色覆蓋度，之前的研究也表明葉片覆蓋度與LAI存在一定關(guān)系。Liu和Pattey采用作物頂部冠層的彩色圖像，通過計算覆蓋度來估算LAI，測量結(jié)果與LAI2000線性相關(guān)。

立體視覺系統(tǒng)也被用于測量葉片特征。Yeh等開發(fā)了一款雙目相機的立體視覺系統(tǒng)，對圖像和相關(guān)的點進行了校正和匹配，分割出作物，并通過像素點個數(shù)計算LA值。Leemans等應(yīng)用立體圖片的距離信息建立模型，對田間LAI進行了分割和計算。多個相機可組成多角度的立體視覺系統(tǒng)，Zhang等利用不同角度采集的4張圖片，應(yīng)用SFM算法3D重建了辣椒，精確估算了葉片長度和寬度，這兩個參數(shù)可用來測量LA。

3.2.2 基于深度相機的葉片參數(shù)測量

深度相機可用于分析測量葉片的參數(shù)。對PMD和SR4000深度相機采集的葉片室內(nèi)和室外條件下的深度圖像進行分析和比較，結(jié)果表明，針對各種條件，確定相機的最優(yōu)積分時間是十分必要的。利用深度相機獲得的深度信息被大量用于提取作物和葉片。Song等融合立體圖像和ToF圖像進行區(qū)域搜索尋找到了葉片的邊界。Chene等提出了一種分割算法去處理Kinect采集的深度圖像，用于提取葉片，并計算葉傾角和天頂角，結(jié)果如圖4所示。此外，Andujar等應(yīng)用高度和顏色的差異，將作物和地面分離，實現(xiàn)了作物葉片的提取和3D重建;然后對點云數(shù)據(jù)進行重構(gòu)和平滑操作，提取獲得LAD、LAI和LA。

3.2.3 基于光譜傳感器和相機的葉片參數(shù)測量

通常，根據(jù)作物冠層的光譜響應(yīng)情況可以推算植被指數(shù)。部分參數(shù)和LAI可通過無損的方法間接推算出來，其中，歸一化植被指數(shù)（NDVI-Normalized Difference Vegetation Index）常被用于推導(dǎo)LAI。Hasegawa等將熱點指數(shù)和NDVI結(jié)合起來用于推算LAI。他們提出了歸一化熱點植被指數(shù)（NHVI-Normalized Hot Vegetation Index）用于計算LAI，結(jié)果表明，NHVI可以更好地估算LAI。通常，可見光和近紅外（NIR- Near Infrared）波段的光譜信息被用于建立LAI模型。Neinavaz等對熱紅外區(qū)域（TIR- thermalInfrared）的光譜信息進行了研究。分光儀被用于測量TIR的作物光譜信息。該區(qū)域的光譜信息大部分來自于作物自身的輻射，而不是反射。測量過程中進行了輻射校正，結(jié)果表明冠層的光譜反射率隨著LAI的增長而變大?；谄钚《朔ǎ≒LSR- Partial LeastSquares Regression）和人工神經(jīng)網(wǎng)絡(luò)（ANN- Artificialneural Network）的分析結(jié)果表明，TIR的光譜數(shù)據(jù)可推算出LAI，但需要進一步的田間驗證。LAI也可以通過光譜圖像中作物的覆蓋度進行推算，Dammer等使用多光譜相機收集作物在紅色和紅外波段的光譜反射信息，Schirrmann等采集作物的紅色和NIR波段的光譜圖像，以生成NDVI圖像。NDVI圖像用于提取和計算作物覆蓋度，進而估算LAI。

3.2.4 基于雷達/激光傳感器的葉片參數(shù)測量

越來越多的研究采用雷達測量葉片特征，通過掃描作物冠層和葉片，雷達可以快速獲得葉片表面的點云數(shù)據(jù)，進而生成在室內(nèi)或田間條件下的作物結(jié)構(gòu)。

針對作物3D可視化和虛擬植物的研究已開展多年，3D點云數(shù)據(jù)和生長規(guī)則（例如，L系統(tǒng)）用于建模以提取和計算葉片參數(shù)，這些為后續(xù)的雷達測量提供了基礎(chǔ)。在雷達測量中，LIA、LA和LAI可以通過計算表面獲得。多視角或多幀的雷達數(shù)據(jù)需要被校準和匹配，來實現(xiàn)葉片的3D重建（圖5）。Paulus等在室內(nèi)條件下，應(yīng)用手持式高精度雷達對大豆進行多角度的掃描和3D重建，并應(yīng)用三角形對葉片進行重構(gòu)，應(yīng)用圓柱體對莖稈進行重構(gòu)，實現(xiàn)了LA和葉角的測量。Hosoi等應(yīng)用雷達掃描西紅柿，提取了相關(guān)的點云數(shù)據(jù)，獲得了西紅柿的LA、LAI和LIA指數(shù)。Sirault等開發(fā)了一個表型測量系統(tǒng)，該系統(tǒng)包含雷達和其他傳感器，用于測量室內(nèi)的葉片。在田間測量方面，Gebbers等應(yīng)用雷達傳感器設(shè)計了車載平臺，用于分析LAI和作物高度的關(guān)系;建立了一個回歸模型，用于LAI的快速測量。

3.2.5 葉片參數(shù)測量方法的比較與分析

根據(jù)葉片的測量原理，上述方法可以分為兩類。彩色數(shù)碼相機、立體視覺、深度相機和雷達可以通過分割、重建葉片，計算得到葉片的真實值，從而實現(xiàn)葉片相關(guān)特征的測量和估算。光譜傳感器和相機通過推導(dǎo)相關(guān)參數(shù)獲得葉片特征。與推導(dǎo)方法相比，重建更加復(fù)雜，計算量很大。但是，重建方法的測量精度通常高于推導(dǎo)的方法。

實際中存在的一些問題使得LIA、LA和LAI的測量方法需要完善。一方面，僅僅依靠單一視角的數(shù)據(jù)完成葉片測量比較困難，多角度的測量可以減少測量誤差。另-方面，同一株或相鄰株作物的葉片存在阻擋或重疊的情況，目前的方法難以對所有葉片進行分類。所以，測量結(jié)果通常較正常值偏小。

3.3 株間距測量

相當多的研究表明，株間距會影響作物的結(jié)構(gòu)和群體，并引起水分和光照的不均衡分布，影響最終的糧食產(chǎn)量。測量株間距使得育種學(xué)家可以探索基因型和表型的關(guān)系。傳統(tǒng)的測量方法費時費力，自動的株間距測量十分必要。其中，作物的定位是株間距測量的關(guān)鍵。

通常，彩色數(shù)碼相機獲得作物圖像，處理和融合多幀連續(xù)圖像以獲得作物的位置分布圖。然而，單個的彩色數(shù)碼相機很難分離出單株作物，為了解決這一問題，雷達、立體視覺系統(tǒng)、深度相機和其他傳感器被廣范應(yīng)用。Shi等應(yīng)用2D雷達從側(cè)面動態(tài)測量玉米莖稈，通過編碼器數(shù)據(jù)獲得各個莖稈的位置。但是，地面的不平坦、風(fēng)力和葉片都會導(dǎo)致測量過程中數(shù)據(jù)的丟失。為了獲得更多的信息，采用3D傳感器進行測量。與2D傳感器相比，3D傳感器可以提供更廣泛的相對位置信息，并很少受到地形和障礙物的干擾。Jin和Tang應(yīng)用雙目立體視覺系統(tǒng)識別苗期的玉米。通過對深度圖像進行處理和分析，根據(jù)最低點和坡度確定了作物中心點。另外，通過頂部圖像來確定作物位置，測量精度通常要比側(cè)面的小。Nakarmi和Tang設(shè)計了一個搭載基于ToF原理的3D傳感器和編碼器的平臺，通過處理側(cè)面深度圖像獲得莖稈位置，然后計算得到株間距。同時，對不同幀的圖像進行了融合，生成了作物行的分布圖，計算相鄰莖稈的距離即可獲得株間距。

4 生理學(xué)表型參數(shù)測量

4.1 葉綠素測量

葉綠素是作物葉片的主要組織成分，是作物進行光合作用重要組成部分。缺少葉綠素，作物葉片的氮素將不能合成。一些研究發(fā)現(xiàn)，由于色素決定了大部分的光譜特性位于400～700nm，所以葉片氮素和葉綠素有高度的相關(guān)性。這一波段的光譜反射信息主要取決于葉片的葉綠素含量，與葉片氮素含量呈負相關(guān)。作物的營養(yǎng)和生理狀態(tài)可以通過葉綠素含量來估算，測量葉綠素對監(jiān)測作物生長至關(guān)重要。

凱式測量法在所有的葉綠素測量方法中精度最高，應(yīng)用最廣泛。但其操作復(fù)雜，且需要長時間的化學(xué)分析操作。測量過程中，葉片被破壞，影響了作物的生長。因而，快速、無損、低成本的測量方式是必要的。光譜技術(shù)因其快速、無損的優(yōu)勢被應(yīng)用于作物化學(xué)成分的分析，許多光譜傳感器和相機已被用于測量作物葉綠素。此外，研究表明，根據(jù)葉片對光線的響應(yīng)，熒光技術(shù)也可用于葉綠素的測量，還有特殊波段的雷達或激光傳感器也可用于葉綠素測量。下面將對葉綠素測量的多種傳感器進行介紹。

4.1.1 基于光譜傳感器的葉綠素測量

光譜技術(shù)的發(fā)展使得越來越多的成熟產(chǎn)品推向市場。光譜傳感器是使用最多的設(shè)備，應(yīng)用可見光和近紅外光來評估植被狀態(tài)。許多研究采用一些被動式或主動式的光譜傳感器測量葉綠素。通常，不同波段的光譜信息被用于計算一些植被指數(shù)以推導(dǎo)葉綠素，這些植被指數(shù)中應(yīng)用最多的是NDVI。

被動式傳感器采集作物對太陽輻射的反射光譜，所以這些傳感器受到外界光照的限制，常在晴天條件下的正午使用。Bai等將NDVI傳感器和手持式光譜儀安裝在田間平臺上測量葉綠素。傳感器和光譜儀全部由一個測量太陽輻射的單元和一個測量反射光譜的單元組成。兩個單元的測量值用于計算NDVI，進而用于估算作物葉綠素。作為被動式傳感器的代表，可記錄作物多個光譜反射值的Yara公司的N-sensor被廣泛的應(yīng)用于葉綠素測量。同時，一個指向天空的光譜儀用于修正光線強度的波動。Raper和Varco分析了多光譜反射值，提出了一個簡化的冠層葉綠素含量指數(shù)，用于測量棉花的葉綠素，結(jié)果表明紅色邊緣區(qū)域的反射值與葉片的氮含量高度相關(guān)。ASD FieldSpec是一種手持式設(shè)備，測量范圍為350～2500nm，可提供高光譜數(shù)據(jù)。He等使用ASD提供的高光譜反射數(shù)據(jù)，通過多角度植被指數(shù)估測了小麥的氮含量，并指出測量角度對測量結(jié)果有顯著影響。Thorp等采用PLSR測量了葉片葉綠素，測量結(jié)果優(yōu)于NDVI和生理學(xué)反射指數(shù)。Inoue等比較了不同種類作物和區(qū)域的冠層葉綠素，發(fā)現(xiàn)815nm和704nm處的光譜反射值的比值可測量冠層的葉綠素含量。

GreenSeeker，CropCircle和其他一些有主動式光譜傳感器的設(shè)備被大量應(yīng)用于農(nóng)業(yè)，這些傳感器能夠適應(yīng)外部復(fù)雜的環(huán)境。傳感器通常發(fā)射紅色和NIR波段等與葉綠素有關(guān)的波段的光，并記錄幾個波段的反射值，用于計算NDVI等植被指數(shù)，進而預(yù)測葉綠素含量。Barker等將GreenSeeker，CropCircle安裝在田間表型平臺上，用于測量作物葉綠素。GreenSeeker的NDVI值從早晨到正午的變化為0.046，CropCircle的變化為0.0013，表明二者都不受外界光照的影響。Kipp等使用包括GreenSeeker和CropCircle在內(nèi)的多種主動式傳感器測量了冬小麥早期的葉綠素，并應(yīng)用RGB圖像作為參考，提出了一種新的指數(shù)—早期作物活力指數(shù)（EPVI-Early Plant Vigor Index），使用單個

波段值（670nm、750nm和862nm）來評估早期作物的活力。Samborski等使用GreenSeeker Model 505（紅色波段為656nm，NIR波段為774nm）和CropCircleACS-210（琥珀色波段為590nm，NIR波段為880nm）測量冬小麥在三個不同生長期的冠層NDVI值。研究指出在作物生長前期，紅色NDVI和琥珀色NDVI值與基因型有關(guān)，在生長后期，基因型只會影響琥珀色NDVI的數(shù)值。Taskos等比較了CropCircle ACS-210和ACS-430（紅色波段為630nm，紅色邊緣波段為730nm，NIR波段為780nm），計算了不同的NDVI值，結(jié)果表明ACS-430指數(shù)和紅色邊緣指數(shù)與葡萄的葉片葉綠素含量高度相關(guān)?？蓪Σǘ芜M行選擇的ACS-470，其測量的植被指數(shù)也與作物氮素高度相關(guān)，紅色邊緣指數(shù)測量結(jié)果優(yōu)于NDVI和比值類植被指數(shù)。但是，作物高度、測量距離、溫度和土壤或相鄰作物行的反射會影響主動式傳感器的測量結(jié)果，最優(yōu)的測量距離應(yīng)根據(jù)作物的結(jié)構(gòu)和生長期進行調(diào)節(jié)，高于冠層40em的測量距離是比較合適的。此外，在作物生長后期，隨著冠層在NIR區(qū)域反射的減少，反射指數(shù)對葉綠素或氮素的測量不再敏感。

在所有的主動式和被動式測量的光譜傳感器中，GreenSeeker、CropCircle和N-sensor在作物葉綠素動態(tài)實時測量中應(yīng)用最廣，這些傳感器都可以安裝于平臺.上，適合于高通量作物表型組學(xué)。Raper等對N-sensor、GreenSeekerModel505和CropCircleACS-210進行了測試，結(jié)果表明，在作物生長早期，NDVI值較低時，N-sensor和CropCircleACS-210的靈敏度沒有GreenSeekerModel505的高，但是在作物生長后期，NDVI值高于0.6時，其性能要優(yōu)于GreenSeekerModel505。

4.1.2 基于光譜相機的葉綠素測量

與常見的光譜傳感器不同，多光譜或高光譜相機可以在較寬的波段范圍內(nèi)以高分辨率的圖像來測量冠層的光譜反射（圖6），可以應(yīng)用圖像處理技術(shù)將作物從背景中提取出來，并準確地推導(dǎo)出多種植被指數(shù)?；谶@種優(yōu)勢，光譜相機廣泛應(yīng)用于作物葉綠素光譜相機大部分采集可見光和NIR波段的光譜信息，可用于車載式、UAV式和衛(wèi)星式測量。但是，需進行輻射校正和幾何校正，甚至大氣校正。與光譜傳感器類似，NDVI是測量葉綠素應(yīng)用最多的植被指數(shù)。Bourgeon等使用車載式的可見光和NIR多光譜相機測量葡萄，提出了一種校正方法來采集光譜圖像。一個彩色板用于RCB和NIR圖像的輻射參考，選用紅色和NIR波段的光譜反射值來計算NDVI并生成NDVI圖像。然后，對NDVI圖像進行分割來識別葉片。葉片的NDVI平均值作為該區(qū)域的空間分布。近年來，越來越多的研究將多光譜和高光譜相機安裝于UAV上來采集冠層反射，以測量作物葉綠素。首先，需要進行輻射校正對原始數(shù)據(jù)進行轉(zhuǎn)換;然后進行大氣校正來消除大氣的吸收和散射的影響;最后，進行幾何校正以消除機載測量值與地面光譜值的偏差。圖像的空間分辨率可以達到分米，所有的圖像被拼接到一起，從而獲得該區(qū)域的測量值。Elarab等計算了一些植被指數(shù)，選取LAI、NDVI和紅色波段用于估算燕麥的葉綠素，均方根誤差為5.31μg/cm2。Kalacska等使用小波變換和神經(jīng)網(wǎng)絡(luò)模型預(yù)測葉綠素，決定系數(shù)為0.8～0.9。

衛(wèi)星式的光譜相機可提供包含大區(qū)域的光譜圖像，但是其空間分辨率低，且采樣周期要長于車載式和UAV式的測量。Houborg等分析了來自Earth Observing-1衛(wèi)星的地面分辨率為30m的高光譜圖像。圖像經(jīng)過輻射和幾何校正，然后進行大氣校正。對植被指數(shù)應(yīng)用多元回歸來估測葉綠素。一些指數(shù)，尤其是位于紅色邊緣波段的，可以顯著提高葉綠素測量的魯棒性。

4.1.3 基于熒光傳感器的葉綠素測量

作物吸收光線后，葉綠素會發(fā)射出葉綠素?zé)晒猓–hlF-Chlorophyll Fluorescence），主要來自于光合作用的第二部分，可用于測量作物葉綠素含量。ChIF信號可劃分為紅熒光（RF-Red Fluorescence）和遠紅熒光（FRF-Far-red Fluorescence）。RF和RFR的比值常用于測量作物葉綠素。

ChlF測量包括主動熒光測量和被動反射測量。主動熒光測量基于脈沖幅度調(diào)制或激光誘導(dǎo)熒光（LIF-Laser-Induced Fluorescence）模式，測量范圍可達到幾米。被動反射測量通過陽光誘導(dǎo)熒光（SIF-Sun-induced fluorescence）的方法推導(dǎo)出熒光。主動熒光測量與被動反射測量相比，對外界光線具有更好的魯棒性，所以許多研究采用主動熒光測量。

LIF是一種主動測量的技術(shù)，葉片被激光傳感器激發(fā)，然后發(fā)射出熒光，其大量應(yīng)用于葉綠素測量。Yang等使用紫外（UV-Ultraviolet）激光誘導(dǎo)熒光，測：量熒光在685nm和740nm處的強度，采用BP神經(jīng)網(wǎng)絡(luò)和支持向量機（SVM-Support Vector Machine）模型來測量水稻的氮含量。他們發(fā)現(xiàn)應(yīng)用熒光波峰處的強度測量氮含量比應(yīng)用熒光的比值更靈敏、準確。Agati等、Longchamps和Khosla采用Multiplex熒光傳感器測量氮含量，該傳感器通過UV、紅、綠、藍光誘導(dǎo)RF和FRF，計算出黃酮醇指數(shù)，葉綠素指數(shù)和氮平衡指數(shù)（NBI-Nitrogen Balance Indices）。其中NBI與葉片氮含量高度相關(guān)，且不受季節(jié)影響。Longchamps和Khosla同時對Multiplex熒光傳感器進行了一.些測試，驗證了熒光傳感器可測量作物早期的葉綠素。作物高度高于20em時，土壤對測量結(jié)果影響很小。為了研究光強和溫度的影響，Thoren等在田間和室內(nèi)條件下測試了LIF測量方法，結(jié)果表明作物葉片葉綠素含量與ChlF在690nm和730nm的峰值的比值高度相關(guān)，且隨著光線強度的增加，該比值線性遞減，最高至23攝氏度。

4.1.4 基于雷達或激光傳感器的葉綠素測量

藍光和紅光是作物進行光合作用的重要來源，其會被葉綠素和類胡蘿卜素吸收，而大部分綠色光會被反射。一些研究已經(jīng)表明綠光的反射對作物葉綠素的變化很敏感，冠層在550nm處的反射會隨著葉綠素的減少而增加?；谶@一原理，Eitel等使用綠色（532nm）激光傳感器開展了測量葉片葉綠素和氮素的研究，反射強度值被用于計算葉綠素。但測量結(jié)果會受到一些因素的影響。為了提高測量精度，該過程被分為以下幾步。首先，使用白色參考板對激光參考強度進行歸一化，修正激光強度的偏移量。然后，根據(jù)強度閾值移除土壤和邊緣返回值。最后，保持激光傳感器和作物間的距離恒定。結(jié)果表明，綠色激光的強度與葉綠素、氮素含量高度相關(guān)。此外，測試了多波段的激光系統(tǒng)，綠色和紅色激光的返回強度可用于測量作物氮素。與之前的研究相比，該方法沒有得到顯著提高，可能與葉片角度的增大有關(guān)。

隨著雷達技術(shù)的發(fā)展，高光譜雷達應(yīng)用于作物葉綠素或氮素的測量。這種雷達的光譜范圍較寬，能夠生成具有光譜信息的點云數(shù)據(jù)（圖7）。Sun等對ASD FieldSpec、多光譜雷達和高光譜雷達進行了比較，結(jié)果表明高光譜雷達在測量作物氮素方面具有最優(yōu)的性能。Nevalainen等使用高光譜雷達測量葉片葉綠素，NDVI值較低的數(shù)據(jù)點被移除，然后對植被指數(shù)進行線性回歸分析以估算葉綠素。結(jié)果表明，使用750nm和705nm反射值計算獲得的修正的葉綠素吸收比值指數(shù)在測量針葉形葉片葉綠素方面具有最優(yōu)性能。Du等采集了高光譜雷達的反射強度，提取特征波段應(yīng)用SVM回歸計算了氮含量。他們指出應(yīng)用更多的波段回歸分析可顯著提高測量精度。此外，他們還將高光譜雷達數(shù)據(jù)與LIF數(shù)據(jù)結(jié)合來探測氮素，應(yīng)用SVM回歸，PLSR和2種ANN分析，測量結(jié)果的決定系數(shù)較高。他們同時發(fā)現(xiàn)當葉片氮素含量較高時，光譜反射測量作物葉綠素的效果并不太好。

最近，Ounis等介紹了-種新的雷達系統(tǒng)，可將LIF和SIF結(jié)合起來，或許有助于葉綠素的測量。

4.1.5葉綠素測量的比較與分析

葉綠素測量是許多研究的重點，相關(guān)的光譜產(chǎn)品和傳感器被廣泛應(yīng)用。光譜測量易受到外界條件的干擾，尤其是太陽光線，主動測量原理的傳感器的測量精度比被動測量原理的傳感器要高。之前的研究已經(jīng)表明，土壤的光譜反射信息會對早期作物的葉綠素測量產(chǎn)生影響，主要是由于作物生長早期土壤覆蓋率低。應(yīng)用多光譜或高光譜傳感器和相機豐富的光譜信息，通過推導(dǎo)多個植被指數(shù)有助于消除背景的干擾。多光譜或高光譜相機不僅適用于車載測量，也可安裝在UAV或衛(wèi)星上，使得其可通過融合、拼接多幀圖像實現(xiàn)大面積的測量。圖像處理方法也可用于提取植被，消除背景干擾。但是，由于光譜相機的高速率，其數(shù)據(jù)量十分龐大，尤其是UAV測量中，需要進行繁重的線下處理。ChlF測量方法比植被指數(shù)測量對葉綠素的變化更加敏感。與光譜傳感器相比，如GreenSeeker或CropCircle，Multiplex熒光傳感器的視場更小，如圖8所示。由于反射信息基本來自于作物，使得ChlF測量不受距離和土壤的干擾。熒光在大約690nm和740nm處的信息被大量用于分析和估測作物葉綠素。

激光傳感器的測量精度主要依靠反射強度，但是會受到諸如溫度、葉片邊緣、測量角度和葉片平整度的影響，測量方法需要完善。高光譜雷達為實現(xiàn)葉綠素的空間和時間的測量提供了幫助，拓寬了雷達的應(yīng)用。

4.2水分脅迫測量

全球氣候變暖和水資源的短缺不可避免的導(dǎo)致糧食產(chǎn)量的減少。關(guān)于作物水資源利用率的研究變得日益重要，水分脅迫是評估作物耐旱情況的一個重要指標。氣孔導(dǎo)度和葉片水勢（LWP-LeafWaterPotential）又是作物水分脅迫的至關(guān)重要的指標。冠層溫度可反映氣孔導(dǎo)度，作物水分脅迫指數(shù)（CWSI-CropWaterStressIndex）與LWP相關(guān)。通常，水分脅迫可通過兩種方法測量，一種是基于冠層或植被溫度，另一種是基于冠層或植被的反射情況。熱紅外技術(shù)是評估冠層溫度的一種有效手段，光譜技術(shù)被廣泛的用于冠層反射測量。一般來說，溫度儀、熱成像儀、光譜傳感器和相機被用于測量水分脅迫，下面將對相關(guān)的方法進行介紹。

4.2.1基于溫度儀的水分脅迫測量

溫度儀可安裝于一些表型組學(xué)平臺上用于監(jiān)測作物冠層溫度，其測量范圍比較集中，有利于減少干擾。盡管采用長紅外波段測量的溫度儀不受外界光照影響，但是其測量值還是與外界環(huán)境溫度有關(guān)。Barker等的測試表明，當外界溫度較高時，溫度儀的讀數(shù)高于表層溫度，外界溫度較低時，溫度儀的讀數(shù)低于實際溫度。因而，根據(jù)地面熱電偶的測量值，他們提出了一種校正方法來減少測量誤差。

冠層溫度通常低于外界溫度，但是當植被覆蓋度較低時，尤其在作物早期，中午時分的土壤溫度會高于外界溫度，干擾到測量。為了減少土壤的干擾，Rischbeck等采用兩個溫度儀，以45度的角度采用相反的方向測量冠層溫度，這一視場可以增大作物的測量比例。然后采用測量的最低溫和最高溫用于計算CWSI。此外，一些研究采集外界環(huán)境溫度來校正溫度儀數(shù)據(jù)，Ni等、Kim等和Bai等將冠層溫度和大氣溫度的差值作物水分脅迫的一個指標來評估作物的生長。

4.2.2基于熱成像儀的水分脅迫測量

紅外熱像儀被認為是一個測量作物溫度的高通量工具，能夠使我們評估作物水分在時間和空間上的變異。

熱成像儀采集的圖像通常包含冠層溫度和背景溫度，如何消除圖像中的背景噪聲是一個重要問題。一般的，一種經(jīng)驗方法是基于冠層和背景的溫度差異來分離冠層。由于環(huán)境的變化，圖像的采集時間很重要。早晨時，土壤和冠層的溫度差異較小，LWP不穩(wěn)定，太陽角度不理想。相反地，正午時分太陽光下的葉片氣孔會關(guān)閉，LWP穩(wěn)定，溫度圖像中的溫度差異最高，可用于評估冠層的水分脅迫。另一種分離冠層的方法是同時采集冠層的溫度和彩色圖像。溫度和彩色圖像首先進行配準，然后根據(jù)彩色圖像處理的分割算法對冠層進行提取。該方法可以識別葉片和陰影下的土壤，提高溫度的測量效率。此外，溫度圖像的分辨率在消除不正確的溫度點時很重要，尤其是那些同時包含冠層和背景溫度的邊緣像素點。

紅外熱像儀適合用于車載、UAV和溫室測量，可同時采集作物溫度圖像和環(huán)境參數(shù)，但溫度圖像需要進行輻射校正。計算獲得冠層溫度后，CWSI、LWP、水汽壓虧損（VPD-Vapour Pressure Deficit）和其他參數(shù)可用于評估作物的水分脅迫。

4.2.3 基于光譜傳感器和相機的水分脅迫測量

Buitrago等開展了相關(guān)工作，以研究由水分或溫度脅迫引起的作物在熱紅外波段的光譜變化情況。研究發(fā)現(xiàn)，水分脅迫和溫度脅迫會產(chǎn)生類似的光譜響應(yīng)，中紅外波段的發(fā)射率會隨著水分的丟失而減少。因而，一些光譜傳感器被用于測量作物的冠層溫度或水分脅迫。EIsayed等對高光譜主動測量傳感器、高光譜被動測量傳感器、主動光電傳感器、CropCircle和GreenSeeker進行了測試以評估冠層的歸一化相對溫度（NRCT-Normalized Relative Canopy Temperature）該指數(shù)與CWSI相似。結(jié)果表明，所有傳感器獲得的光譜指數(shù)與NRCT高度相關(guān)。

對光譜傳感器和相機來說，應(yīng)用光譜指數(shù)評估作物的水分脅迫是-一個主要的方法，但是葉片內(nèi)部的構(gòu)造會影響這些指數(shù)的靈敏度。Bandyopadhyay等采用光譜儀收集了小麥在特殊波段的光譜反射，計算了不同的水分脅迫指數(shù)來評估其水分脅迫情況。Winterhalter等使用--系列的光譜指數(shù)評估了玉米的冠層水分，幾個光譜指數(shù)的決定系數(shù)大于0.70。此外，高光譜相機也可用于測量水分脅迫。Moshou等提取了高光譜圖像中的光譜特征，用于探測小麥的水分脅迫。他們采用最小二乘的SVM分析了光譜數(shù)據(jù)，提取獲得了六個指數(shù)，其中心波段分別位于503nm、545nm、566nm、608nm、860nm和88lnm。Rossini等分析了機載相機獲得的高光譜數(shù)據(jù)，證明光化學(xué)反射指數(shù)可用于測量作物的水分脅迫。

4.2.4 水分脅迫測量的比較與分析

溫度儀的測量范圍較小，其測量精度與植被覆蓋度相關(guān)。熱成像儀可提供一個區(qū)域的溫度，可直接檢測全局的變化，尤其在UAV測量中。但是，通常溫度圖像中的感興趣區(qū)域由人工設(shè)定，測量角度也會對冠層溫度的測量有影響，且溫度圖像的分辨率有待提高。盡管一些光譜指數(shù)與作物水分含量和氣孔導(dǎo)度高度相關(guān)，但冠層溫度和其相關(guān)指數(shù)仍然是用于評估水分脅迫的最佳指標。

水分脅迫的測量仍然存在一些問題需要解決。首先，溫度測量容易受到外界環(huán)境因素變化的影響，如太陽輻射、云層覆蓋、風(fēng)速、大氣溫度、濕度和VPD等，且測量的時間也會影響測量結(jié)果。其次，冠層溫度會隨冠層結(jié)構(gòu)、作物高度、土壤覆蓋度、葉傾角和其他因素而變化，為了提高水分脅迫的測量精度有必要將不同的傳感器和測量參數(shù)結(jié)合起來分析。熒光技術(shù)也被證明可用于水分脅迫測量，其對水分脅迫的測量更加靈敏。

4.3 生物量測量

作物的生物量指作物的總體鮮重和干重，包括地表生物量和地下生物量。作物生物量在許多方面是一個重要的生態(tài)學(xué)指標，例如作物的結(jié)構(gòu)、光吸收和碳同化情況。地下生物量的測量較困難，所以大部分研究集中于測量作物的地表生物量。一方面，地表生物量可表征作物的營養(yǎng)狀態(tài)和氮使用情況。另一方面，育種學(xué)家將地表生物量作為估算作物根部長勢的參考。通常，地表生物量的測量可采用破壞式、非光譜式和光譜式方法。破壞式測量需要將作物收獲、分揀、烘干和稱重，這一過程費時費力。非光譜式測量大多測量作物的一些參數(shù)，然后建立預(yù)測模型來估算地表生物量。常測量的參數(shù)包括作物高度、葉綠素、LAI和一些植被指數(shù)。這些參數(shù)可通過前幾個章節(jié)的測量方法獲得。下面章節(jié)將對生物量的測量方法進行詳細介紹。

4.3.1 非光譜式的生物量測量

非光譜式測量主要集中于作物高度的測量。

類似于樹木的主干，作物的莖稈占據(jù)全部作物重量的大部分。作物的高度主要由莖稈決定，一些研究中的地表生物量預(yù)測模型將作物高度作為一個重要參數(shù)。雷達被用于測量大米、油菜、冬黑麥、冬小麥和牧草的高度，然后進行線性回歸，結(jié)果表明地表生物量和作物高度有很強的相關(guān)性，相關(guān)系數(shù)為0.60～0.99。Fricke等將超聲波傳感器安裝在車上測量牧草的高度，測量結(jié)果用于估算生物量，平均殘差為0.893～1.672。當牧草沒有出現(xiàn)重疊時，測量精度很高。應(yīng)用作物高度估算生物量的效果很好，但是也有待提高，植被覆蓋度的影響應(yīng)該被考慮，尤其是在作物的早期生長階段。Li等使用機載雷達反演了中國西北和北部的玉米的LAI和株高，用于估算生物量，測量精度和效率得到顯著提升。

4.3.2 光譜式的生物量測量

光譜式的測量主要應(yīng)用光譜傳感器和相機測量一些作物的植被指數(shù)和氮含量。作物的氮含量是作物生物量的重要成分。生物量的積累與氮素的使用率密切相關(guān)。NIR波段可用于測量氮素，進而估算生物量。SPAD和ASDFieldSpec被廣泛使用，建立了一些基于作物冠層的高光譜反射模型。Gnyp等應(yīng)用NIR和短紅外波段的多個波段，提出了一種植被指數(shù)，用于建立生物量模型，提高了測量精度。此外，Mistele和Schmidhalter使用光譜傳感器開展了一系列車載測量研究。Erdle等將一種采用雙向被動測量的輻射計與三種采用主動測量的傳感器（CropCircle，GreenSeeker和一種主動傳感器）進行比較，并計算了幾個植被指數(shù)。結(jié)果表明，采用主動測量的傳感器適用性更好。與氮素相關(guān)的參數(shù)，如NDVI、R780/R740，與作物生物量密切相關(guān)。相當多的研究表明冠層結(jié)構(gòu)影響生物量的估算，LAI和生物量的相關(guān)系數(shù)達到0.96，且玉米生物量的垂直分布呈“鐘”形。因而，有必要結(jié)合冠層參數(shù)去估算作物生物量。

4.3.3 聯(lián)合式的生物量測量

許多研究正嘗試將非光譜方法和光譜方法結(jié)合起來估算地表生物量。作物高度和幾個與氮含量相關(guān)的指數(shù)用于建模，提高了地表生物量的估算能力。在玉米生長的早期，Montes等使用光柵和光譜傳感器，采用SVM回歸估算生物量，結(jié)果呈現(xiàn)高度重復(fù)性。Freeman等使用GreenSeeker測量NDVI，并結(jié)合作物高度預(yù)測了拔節(jié)期玉米的生物量。使用ASD FieldSpec可進行高光譜測量，然后計算植被指數(shù)，如NDVI、歸一化反射指數(shù)。這些指數(shù)可以與雷達或超聲波測得的作物高度融合，用于估算生物量。

4.3.4 生物量測量的比較與分析

研究表明作物高度是估算生物量的一個重要參數(shù)，也是非光譜式方法的測量重點。水分和氮素含量也影響到作物生物量的估算，這兩個參數(shù)可通過光譜式方法進行測量，但結(jié)果易受到天氣、植被覆蓋度和土壤的干擾。作物高度連同氮素和水分含量被視為估算作物生物量的基礎(chǔ)參數(shù)，這些參數(shù)可以被結(jié)合起來用于估算作物的鮮重和干重，從而提高作物生物量測量的準確度和魯棒性。

5 復(fù)合式表型組學(xué)平臺

盡管有許多學(xué)者開展了表型組學(xué)參數(shù)的研究，但是大部分的研究集中于一個或有限參數(shù)的測量。為了實現(xiàn)高通量作物表型組學(xué)，應(yīng)該開發(fā)復(fù)合式表型組學(xué)平臺用于測量多個表型特性。一些研究機構(gòu)已經(jīng)開發(fā)了一些整合多個傳感器的表型組學(xué)平臺，這些平臺按照測量方式，可以劃分為兩類，一類是車載式表型組學(xué)平臺，另一類是機載式表型組學(xué)平臺。

5.1 車載式表型組學(xué)平臺

通常，車載式表型組學(xué)平臺由牽引車或人工驅(qū)動。根據(jù)作物的種類和生長時期，傳感器被安裝在平臺的不同位置和高度。相關(guān)的配件包括動力系統(tǒng)，數(shù)據(jù)采集終端，GPS接收機，編碼器等，以保證車載系統(tǒng)的工作。一些代表性的表型組學(xué)平臺如表4所示，包括Busemeyer等設(shè)計的“BreedVision”、Deery等設(shè)計的“Phenomobile”和兩款基于牽引車的平臺。表型測量研究在商業(yè)領(lǐng)域也擁有巨大的市場和發(fā)展?jié)摿?，一些公司也推出了相關(guān)的商業(yè)產(chǎn)品。如表4所示，Blue River科技公司設(shè)計了一款車載式測量平臺，裝載了多個傳感器，可實現(xiàn)多個角度的觀測。LemnaTac針對田間表型測量，設(shè)計了Scanalyzer Discovery平臺。

除去上述平臺，車載式表型組學(xué)平臺還包括自動機器人平臺。機器人平臺可減少人力勞動，提高工作效率。機器人平臺主要適用于測量玉米和高粱。雷達和彩色數(shù)碼相機被用于測量表型組學(xué)參數(shù)，同時探測作物的莖稈，根據(jù)莖稈位置生成導(dǎo)航線，如表5所示。代表性的自動機器人平臺包括“Vinobot”、“BoniRob”和“Robotanist”。機器人平臺的優(yōu)勢在于它們可以隨時采集作物信息，且通常機器人平臺的體積都比較小。

5.2 機載式表型組學(xué)平臺

幾年前，機載式表型組學(xué)平臺第一次應(yīng)用于作物表型測量。值得注意的是，機載平臺的測量面積和測量效率遠遠高于車載平臺，機載式平臺也適用于大部分作物。常見的一些機載式平臺是飛艇式、旋翼式、固定翼式和直升機式。飛艇式的平臺不方便移動，容易受到風(fēng)的阻擋。旋翼式機載平臺較靈活，可以以較低的速度工作在任何高度。固定翼式平臺可以飛行較長時間，但是其飛行速度和高度都較高，容易造成圖像丟失。直升機式平臺結(jié)構(gòu)復(fù)雜，且維護成本較高。所有的機載平臺中，旋翼式平臺和固定翼式平臺應(yīng)用最廣泛。由于載重的限制，安裝于機載表型組學(xué)平臺的傳感器要少于車載式平臺，幾款代表性的表型組學(xué)平臺如表6所示。

5.3 表型組學(xué)平臺的比較與分析

車載式表型組學(xué)平臺可以近距離的觀測作物表型，一款可接收各種傳感器數(shù)據(jù)的高性能終端十分重要。雷達、GPS、陀螺儀和其他傳感器可實現(xiàn)自動導(dǎo)航，并生成作物的表型特征分布圖。但是，車載式表型組學(xué)平臺容易對作物造成損傷，尤其在作物成熟期。每一款車載平臺都受到行間距、株間距和作物高度的限制。因此，這些平臺難以測量不同的作物或不同的生長期。盡管機載式平臺的圖像分辨率、安全性能和載重量有待提高，但其在作物表型組學(xué)中有巨大的應(yīng)用潛能。

6 結(jié)論

表型的測量研究可以提高基因研究的效率，促進其發(fā)展。本文總結(jié)了幾種表型組學(xué)研究中的形態(tài)學(xué)參數(shù)和生理學(xué)參數(shù)的測量方法，介紹了相關(guān)的傳感器，并對其存在的問題進行了討論。

表型組學(xué)和測量方法發(fā)展迅速，但是針對田間數(shù)據(jù)的大規(guī)模自動采集需要得到提高。因此，快速、高通量的測量方法是必要的。當前的許多研究將相關(guān)的傳感器進行融合，并實現(xiàn)數(shù)據(jù)的自動采集。上述的許多傳感器可以同時測量多個參數(shù)，所以對傳感器的安裝位置和角度進行優(yōu)化，以充分開發(fā)其性能是十分重要的。將一個或多個傳感器提供的多種數(shù)據(jù)（例如彩色數(shù)據(jù)、深度數(shù)據(jù)、光譜數(shù)據(jù)等）進行融合，有助于數(shù)據(jù)的處理和表型參數(shù)的提取。另一方面，當前一些研究面臨多種問題，嚴重地影響了表型參數(shù)的測量精度，提高復(fù)雜田間環(huán)境下傳感器的適用性和魯棒性尤其重要。如前文所述，傳感器可以提供大量的作物信息，但是存在數(shù)據(jù)量龐大，計算耗時的問題。應(yīng)對當前的算法進行優(yōu)化和創(chuàng)新，以提高數(shù)據(jù)的管理和計算效率。

監(jiān)測作物的生長環(huán)境也是必要的。土壤養(yǎng)分、外界環(huán)境溫度和濕度、光線輻射度等參數(shù)應(yīng)被記錄并建立相關(guān)的數(shù)據(jù)庫，用于分析作物表型組學(xué)和基因組學(xué)間的關(guān)系。此外，根部作為作物生長至關(guān)重要的一部分，快速、無損的根部測量方法應(yīng)該在未來得到開發(fā)。