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(zhǎng)，糧食安全問(wèn)題變得日益嚴(yán)峻，培育新的作物品種是解決糧食危機(jī)的一種有效途徑。傳統(tǒng)的作物表型測(cè)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(jìn)表型測(cè)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(cè)量。本文對(duì)一些表型參數(shù)測(cè)量方法進(jìn)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(shí)，也對(duì)一些可用于多種參數(shù)測(cè)量的復(fù)合測(cè)量平臺(tái)進(jìn)行了總結(jié)。此外，本文指出了表型測(cè)量中的不足，應(yīng)該改進(jìn)當(dāng)前的一些測(cè)量方法，以降低表型測(cè)量的成本，提高測(cè)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(zhǎng)、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(yán)峻的挑戰(zhàn)，糧食安全問(wèn)題變得日益突出。

提高作物產(chǎn)量是解決糧食危機(jī)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(dāng)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(guò)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(duì)作物基因組的理解。當(dāng)前，轉(zhuǎn)基因技術(shù)受到廣泛關(guān)注，被認(rèn)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(dá)，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(xì)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(lái)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(gè)生長(zhǎng)過(guò)程。一些作物的特性和表型參數(shù)，會(huì)隨著作物器官的生長(zhǎng)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(zhǎng)的時(shí)間內(nèi)被連續(xù)測(cè)量。這項(xiàng)工作十分繁重，因?yàn)樵S多參數(shù)的測(cè)量是由人工完成的，其測(cè)量方法落后、成本高、耗時(shí)費(fèi)力。低效的方法不能實(shí)現(xiàn)大規(guī)模的生產(chǎn)繁殖，不能充分地開(kāi)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(lái)，電子、計(jì)算機(jī)科學(xué)和傳感器技術(shù)的創(chuàng)新已經(jīng)推動(dòng)了表型組學(xué)的發(fā)展，一些新的針對(duì)表型參數(shù)的測(cè)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(xì)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(cè)量方法可應(yīng)用于田間或?qū)嶒?yàn)室，采集大量的數(shù)據(jù)，進(jìn)而促進(jìn)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(zhǔn)確的方法實(shí)現(xiàn)作物形態(tài)學(xué)參數(shù)和生理學(xué)參數(shù)的測(cè)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(duì)當(dāng)前的測(cè)量方法和應(yīng)用的傳感器進(jìn)行分析和總結(jié)，并對(duì)其存在的問(wèn)題進(jìn)行討論。

2主要的作物表型參數(shù)和測(cè)量方法

目前，作物表型組學(xué)的測(cè)量目標(biāo)多為常見(jiàn)的糧食和經(jīng)濟(jì)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(duì)農(nóng)業(yè)生產(chǎn)具有重要的實(shí)用和經(jīng)濟(jì)價(jià)值。表型測(cè)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(zhǎng)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(zhǎng)。

需要測(cè)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(cè)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(cè)量，包括彩色數(shù)碼相機(jī)、雷達(dá)或激光傳感器、深度相機(jī)、光譜傳感器和光譜相機(jī)、熱成像儀和熒光傳感器等。后續(xù)章節(jié)將對(duì)幾種被廣泛應(yīng)用于表型組學(xué)的常見(jiàn)傳感器進(jìn)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(jī)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(jī)器視覺(jué)領(lǐng)域最常見(jiàn)、最簡(jiǎn)單的傳感器。彩色數(shù)碼相機(jī)可以采集物體可見(jiàn)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(cè)范圍接近。作物的三維（3D-3 Dimension）結(jié)構(gòu)可以通過(guò)立體視覺(jué)系統(tǒng)采集的多幀圖像進(jìn)行重建獲得。立體視覺(jué)系統(tǒng)由一個(gè)或多個(gè)彩色數(shù)碼相機(jī)組成，使得彩色數(shù)碼相機(jī)可以測(cè)量更多的表型參數(shù)。

雷達(dá)傳感器，自20世紀(jì)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(jiàn)光波段的脈沖，大部分采用飛行時(shí)間（ToF-Time-of-Flight）、干涉法或三角測(cè)量原理?；赥oF原理的雷達(dá)傳感器適合于長(zhǎng)距離測(cè)量，其他雷達(dá)傳感器則被用于短距離測(cè)量。雷達(dá)傳感器輸出包含目標(biāo)與傳感器距離信息的離散點(diǎn)云數(shù)據(jù)。雷達(dá)可根據(jù)結(jié)構(gòu)劃分為二維（2D-2 Dimension）和3D雷達(dá)。2D雷達(dá)通過(guò)扇形掃描來(lái)探測(cè)目標(biāo)，并生成平面點(diǎn)云數(shù)據(jù)。3D雷達(dá)可以采集表征目標(biāo)表面特性的高精度、高分辨率的點(diǎn)云數(shù)據(jù)，可更容易地獲得目標(biāo)的形態(tài)和結(jié)構(gòu)數(shù)據(jù)。除了一些常見(jiàn)的用于距離測(cè)量的雷達(dá)傳感器，作物表型組學(xué)中還應(yīng)用了全波段雷達(dá)和高光譜雷達(dá)。全波段雷達(dá)不僅記錄峰值強(qiáng)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(dá)（FWF-Full-Wave-Form）使得識(shí)別多種物體變得更加容易。高光譜雷達(dá)將作物的多波段光譜響應(yīng)特性添加于點(diǎn)云數(shù)據(jù)，有利于診斷作物的活力。

深度相機(jī)能夠同時(shí)提供實(shí)時(shí)的深度圖像和信息。這種相機(jī)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(qiáng)度圖像。其中，深度圖像包含有影像的Z坐標(biāo)信息，幅度圖像可以評(píng)估深度信息的質(zhì)量，強(qiáng)度圖像是一副簡(jiǎn)單的灰度圖。RGB-D相機(jī)是一種較新的、低成本的深度相機(jī)，配備有RGB相機(jī)、深度傳感器和紅外發(fā)射器。RGB-D相機(jī)可以同時(shí)提供目標(biāo)物的彩色和深度信息，Kinect和Xtion是兩款比較常見(jiàn)的深度相機(jī)，被應(yīng)用于作物測(cè)量等多個(gè)領(lǐng)域。

光譜傳感器通常探測(cè)可見(jiàn)光波段（400～700nm）和近紅外波段（700～1200nm）的反射信息，用于獲得目標(biāo)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(cè)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(jī)可以以光譜圖像的格式獲得目標(biāo)物在寬波段光譜的反射信息。與光譜傳感器相比，光譜相機(jī)將每一個(gè)像素點(diǎn)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(zhǔn)確。

熱成像儀探測(cè)和可視化目標(biāo)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(cè)作物對(duì)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(dú)特的主動(dòng)測(cè)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(guò)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(guò)探測(cè)熒光獲得。

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

表型測(cè)量環(huán)境包括室內(nèi)和室外，測(cè)量方式主要為手持式、車載式和無(wú)人機(jī)（UAV-Unmanned Aerial Vehicle）式。在后續(xù)章節(jié)中，將會(huì)根據(jù)傳感器的類別對(duì)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(cè)量方法進(jìn)行介紹和總結(jié)，如表2所示。一些常見(jiàn)傳感器的特征如表3所示，傳感器的詳細(xì)信息將在后續(xù)章節(jié)進(jìn)行說(shuō)明討

3 形態(tài)學(xué)表型參數(shù)測(cè)量

3.1 作物高度測(cè)量

作物高度是一個(gè)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(zhǎng)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(cè)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(shí)。彩色數(shù)碼相機(jī)可用于測(cè)量作物高度，通過(guò)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(biāo)作為參考，難以實(shí)現(xiàn)快速、高通量的測(cè)量。一種準(zhǔn)確的且被接受的方法是“差分法”，該方法通過(guò)計(jì)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(jué)系統(tǒng)，雷達(dá)或激光傳感器，超聲波傳感器和深度相機(jī)也被用于測(cè)量作物高度。

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

3.1.1 基于立體視覺(jué)的作物高度測(cè)量

利用立體視覺(jué)系統(tǒng)，可以采集作物多個(gè)角度的圖像，融合生成高精度的作物3D模型，用于測(cè)量作物高度。通常，用于融合的圖像通過(guò)多個(gè)相機(jī)或一個(gè)移動(dòng)的相機(jī)進(jìn)行采集（圖1），基于相機(jī)的相對(duì)位置生成3D模型。陳兵旗等采用雙目立體視覺(jué)監(jiān)測(cè)田間玉米，獲得3D重建圖像來(lái)計(jì)算作物的高度。為了實(shí)現(xiàn)單一相機(jī)測(cè)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(gè)彩色相機(jī)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(jī)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(jì)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(guò)計(jì)算最高點(diǎn)和擬合的地面平面的距離估算了玉米株高，測(cè)量誤差低于1%。立體視覺(jué)系統(tǒng)的處理精度和速度有待提高。雙目立體視覺(jué)與測(cè)量距離正相關(guān)，SFM對(duì)誤匹配非常敏感。同時(shí)，由于彩色數(shù)碼相機(jī)的限制，立體視覺(jué)系統(tǒng)對(duì)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(dá)/激光傳感器的作物高度測(cè)量

雷達(dá)和激光傳感器對(duì)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(cè)量作物的高度。一些研究選擇車載式測(cè)量方式，安裝雷達(dá)測(cè)量作物高度。作物高度可以通過(guò)雷達(dá)的點(diǎn)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(cè)量3種作物的特性，Saeys等使用2D雷達(dá)測(cè)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(dá)測(cè)量巨芒的莖稈高度。針對(duì)傳感器安裝或地面不平坦造成的傾角所引起的測(cè)量誤差，Zhang和Grift分析后，根據(jù)縱坐標(biāo)的最大值和最小值設(shè)計(jì)了一個(gè)校正算法。但是，行駛速度和外界風(fēng)力都會(huì)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(huì)造成數(shù)據(jù)體積的減小。另一方面，2D雷達(dá)難以測(cè)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(dá)的這些限制，一些研究中采用3D雷達(dá)安裝于一定高度去測(cè)量作物。由于測(cè)量誤差隨測(cè)量距離的增長(zhǎng)而變大，針對(duì)3D激光雷達(dá)的測(cè)量距離和安裝角度需要進(jìn)行考慮。針對(duì)這一問(wèn)題，Ehlert和Heisig等進(jìn)行了相關(guān)測(cè)試和分析。結(jié)果表明，基于點(diǎn)云數(shù)據(jù)生成的作物表層會(huì)隨著掃描角度的增長(zhǎng)而變得陡峭，如圖2所示。當(dāng)3D雷達(dá)對(duì)小的作物進(jìn)行垂直掃描時(shí)，獲得的點(diǎn)云數(shù)據(jù)精度最高，而測(cè)量高的作物時(shí)使用向前的視角較好。不同于2D雷達(dá)，3D雷達(dá)不受速度的影響，車速對(duì)測(cè)量結(jié)果的影響可以忽略不計(jì)。

新型雷達(dá)也被用于作物高度測(cè)量。一種4線的3D雷達(dá)被用于測(cè)量小麥和玉米的高度。這款雷達(dá)發(fā)射一個(gè)脈沖，位于不同高度的4個(gè)二極管接收返回信號(hào)，也就是一個(gè)脈沖可以獲得四個(gè)返回信號(hào)，數(shù)據(jù)的精度和密度都得到了提升。Gao等采用UAV測(cè)量方式，應(yīng)用一款機(jī)載FWF測(cè)量了玉米高度。與只接收有限最強(qiáng)波峰信號(hào)的雷達(dá)不同，一個(gè)FWF包含所有返回的雷達(dá)脈沖信號(hào)，不同的信號(hào)數(shù)據(jù)可以被融合分析。UAV的測(cè)量方式可以建立一個(gè)數(shù)字地形模型（DTM-Digital Terrain Model）以提高測(cè)量精度。作物高度可通過(guò)計(jì)算DTM與當(dāng)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(cè)量

超聲波傳感器的測(cè)量原理與雷達(dá)相似。盡管超聲波傳感器的空間分辨率低于雷達(dá)，但是其價(jià)格相對(duì)較低。超聲波傳感器由于其測(cè)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(cè)量。作物高度可以通過(guò)超聲波傳感器應(yīng)用差分法測(cè)量獲得。Sui等使用超聲波傳感器，采用車載式的測(cè)量方法，并搭載GPS（Global Positioning System）系統(tǒng)測(cè)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(gè)二輪自行車上測(cè)量玉米的高度，用于產(chǎn)量估算。但是，超聲波傳感器的信號(hào)容易發(fā)散和衰減，其測(cè)量精度易受測(cè)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(cè)量精度，但作物上層葉片隨風(fēng)飄動(dòng)會(huì)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(zhǎng)距離的測(cè)量。近年來(lái)，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(hào)質(zhì)量得到了顯著提升，這或許會(huì)促進(jìn)超聲波傳感器的應(yīng)用。此外，超聲波傳感器可與雷達(dá)結(jié)合使用，以提高測(cè)量精度。

3.1.4 基于深度相機(jī)的作物高度測(cè)量

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

除了深度信息，RGB-D相機(jī)提供的彩色信息可以幫助去除地面干擾，識(shí)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(shí)別作物并計(jì)算其高度，測(cè)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(shí)值的偏差小于2em。雖然價(jià)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(duì)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(cè)量方法的比較與分析

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

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

UAV式測(cè)量方法由于其高效、低廉的特點(diǎn)獲得很多關(guān)注。但是，當(dāng)彩色相機(jī)應(yīng)用于UAV測(cè)量時(shí)，UAV的速度和彩色相機(jī)的曝光時(shí)間會(huì)影響到測(cè)量精度。當(dāng)前，由于雷達(dá)的高精度、高采樣速率，已被大量應(yīng)用于UAV測(cè)量。

3.2 葉角/葉面積/葉面積指數(shù)測(cè)量

葉片是作物的重要組成部分，對(duì)作物的生長(zhǎng)至關(guān)重要，直接影響了作物對(duì)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(cè)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(huì)影響到LAI的測(cè)量。LA指單個(gè)葉片面積，其對(duì)作物的生物統(tǒng)計(jì)觀測(cè)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(guò)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(cè)量。與LIA相比，LAI和LA的測(cè)量是繁瑣、復(fù)雜的。葉片需要刻畫(huà)在一個(gè)含有單元格的紙上，通過(guò)計(jì)算單元格的數(shù)量來(lái)獲得葉片面積。

為了節(jié)省時(shí)間，減少勞動(dòng)力，許多傳感器和技術(shù)被開(kāi)發(fā)和應(yīng)用于作物表型組學(xué)中的葉片測(cè)量，后續(xù)章節(jié)將對(duì)此進(jìn)行介紹。

3.2.1 基于彩色數(shù)碼相機(jī)和立體視覺(jué)系統(tǒng)的葉片參數(shù)測(cè)量

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

根據(jù)像素點(diǎn)計(jì)算LA是一種常用的方法。An等利用一個(gè)彩色數(shù)碼相機(jī)開(kāi)發(fā)了一條流水線，可以測(cè)量葉片長(zhǎng)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(lái)。然后，檢索作物的邊界，并計(jì)算其包含的像素點(diǎn)，從而獲得玫瑰面積。

此外，彩色數(shù)碼相機(jī)可被裝在UAV上用于測(cè)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(rèn)作物的中心位置、評(píng)估葉片數(shù)量和LA。但是葉片直接的相互交叉使得不能測(cè)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(gè)重要的問(wèn)題。Scharr等、Pape和Klukas等進(jìn)行了分割方法的研究。首先抽離出作物葉片，計(jì)算葉片圖像中的歐氏距離生成骨架圖像，然后檢測(cè)葉片中心點(diǎn)、骨架末端點(diǎn)和骨架交叉點(diǎn)，最后應(yīng)用分水嶺轉(zhuǎn)換分割出單獨(dú)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(píng)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(guò)計(jì)算覆蓋度來(lái)估算LAI，測(cè)量結(jié)果與LAI2000線性相關(guān)。

立體視覺(jué)系統(tǒng)也被用于測(cè)量葉片特征。Yeh等開(kāi)發(fā)了一款雙目相機(jī)的立體視覺(jué)系統(tǒng)，對(duì)圖像和相關(guān)的點(diǎn)進(jìn)行了校正和匹配，分割出作物，并通過(guò)像素點(diǎn)個(gè)數(shù)計(jì)算LA值。Leemans等應(yīng)用立體圖片的距離信息建立模型，對(duì)田間LAI進(jìn)行了分割和計(jì)算。多個(gè)相機(jī)可組成多角度的立體視覺(jué)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(zhǎng)度和寬度，這兩個(gè)參數(shù)可用來(lái)測(cè)量LA。

3.2.2 基于深度相機(jī)的葉片參數(shù)測(cè)量

深度相機(jī)可用于分析測(cè)量葉片的參數(shù)。對(duì)PMD和SR4000深度相機(jī)采集的葉片室內(nèi)和室外條件下的深度圖像進(jìn)行分析和比較，結(jié)果表明，針對(duì)各種條件，確定相機(jī)的最優(yōu)積分時(shí)間是十分必要的。利用深度相機(jī)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(jìn)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(jì)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(shí)現(xiàn)了作物葉片的提取和3D重建;然后對(duì)點(diǎn)云數(shù)據(jù)進(jìn)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(jī)的葉片參數(shù)測(cè)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(guò)無(wú)損的方法間接推算出來(lái)，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(diǎn)指數(shù)和NDVI結(jié)合起來(lái)用于推算LAI。他們提出了歸一化熱點(diǎn)植被指數(shù)（NHVI-Normalized Hot Vegetation Index）用于計(jì)算LAI，結(jié)果表明，NHVI可以更好地估算LAI。通常，可見(jiàn)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(duì)熱紅外區(qū)域（TIR- thermalInfrared）的光譜信息進(jìn)行了研究。分光儀被用于測(cè)量TIR的作物光譜信息。該區(qū)域的光譜信息大部分來(lái)自于作物自身的輻射，而不是反射。測(cè)量過(guò)程中進(jìn)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(zhǎng)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(jìn)一步的田間驗(yàn)證。LAI也可以通過(guò)光譜圖像中作物的覆蓋度進(jìn)行推算，Dammer等使用多光譜相機(jī)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(jì)算作物覆蓋度，進(jìn)而估算LAI。

3.2.4 基于雷達(dá)/激光傳感器的葉片參數(shù)測(cè)量

越來(lái)越多的研究采用雷達(dá)測(cè)量葉片特征，通過(guò)掃描作物冠層和葉片，雷達(dá)可以快速獲得葉片表面的點(diǎn)云數(shù)據(jù)，進(jìn)而生成在室內(nèi)或田間條件下的作物結(jié)構(gòu)。

針對(duì)作物3D可視化和虛擬植物的研究已開(kāi)展多年，3D點(diǎn)云數(shù)據(jù)和生長(zhǎng)規(guī)則（例如，L系統(tǒng)）用于建模以提取和計(jì)算葉片參數(shù)，這些為后續(xù)的雷達(dá)測(cè)量提供了基礎(chǔ)。在雷達(dá)測(cè)量中，LIA、LA和LAI可以通過(guò)計(jì)算表面獲得。多視角或多幀的雷達(dá)數(shù)據(jù)需要被校準(zhǔn)和匹配，來(lái)實(shí)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(dá)對(duì)大豆進(jìn)行多角度的掃描和3D重建，并應(yīng)用三角形對(duì)葉片進(jìn)行重構(gòu)，應(yīng)用圓柱體對(duì)莖稈進(jìn)行重構(gòu)，實(shí)現(xiàn)了LA和葉角的測(cè)量。Hosoi等應(yīng)用雷達(dá)掃描西紅柿，提取了相關(guān)的點(diǎn)云數(shù)據(jù)，獲得了西紅柿的LA、LAI和LIA指數(shù)。Sirault等開(kāi)發(fā)了一個(gè)表型測(cè)量系統(tǒng)，該系統(tǒng)包含雷達(dá)和其他傳感器，用于測(cè)量室內(nèi)的葉片。在田間測(cè)量方面，Gebbers等應(yīng)用雷達(dá)傳感器設(shè)計(jì)了車載平臺(tái)，用于分析LAI和作物高度的關(guān)系;建立了一個(gè)回歸模型，用于LAI的快速測(cè)量。

3.2.5 葉片參數(shù)測(cè)量方法的比較與分析

根據(jù)葉片的測(cè)量原理，上述方法可以分為兩類。彩色數(shù)碼相機(jī)、立體視覺(jué)、深度相機(jī)和雷達(dá)可以通過(guò)分割、重建葉片，計(jì)算得到葉片的真實(shí)值，從而實(shí)現(xiàn)葉片相關(guān)特征的測(cè)量和估算。光譜傳感器和相機(jī)通過(guò)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(jì)算量很大。但是，重建方法的測(cè)量精度通常高于推導(dǎo)的方法。

實(shí)際中存在的一些問(wèn)題使得LIA、LA和LAI的測(cè)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(cè)量比較困難，多角度的測(cè)量可以減少測(cè)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(duì)所有葉片進(jìn)行分類。所以，測(cè)量結(jié)果通常較正常值偏小。

3.3 株間距測(cè)量

相當(dāng)多的研究表明，株間距會(huì)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(cè)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(cè)量方法費(fèi)時(shí)費(fèi)力，自動(dòng)的株間距測(cè)量十分必要。其中，作物的定位是株間距測(cè)量的關(guān)鍵。

通常，彩色數(shù)碼相機(jī)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(gè)的彩色數(shù)碼相機(jī)很難分離出單株作物，為了解決這一問(wèn)題，雷達(dá)、立體視覺(jué)系統(tǒng)、深度相機(jī)和其他傳感器被廣范應(yīng)用。Shi等應(yīng)用2D雷達(dá)從側(cè)面動(dòng)態(tài)測(cè)量玉米莖稈，通過(guò)編碼器數(shù)據(jù)獲得各個(gè)莖稈的位置。但是，地面的不平坦、風(fēng)力和葉片都會(huì)導(dǎo)致測(cè)量過(guò)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(jìn)行測(cè)量。與2D傳感器相比，3D傳感器可以提供更廣泛的相對(duì)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(jué)系統(tǒng)識(shí)別苗期的玉米。通過(guò)對(duì)深度圖像進(jìn)行處理和分析，根據(jù)最低點(diǎn)和坡度確定了作物中心點(diǎn)。另外，通過(guò)頂部圖像來(lái)確定作物位置，測(cè)量精度通常要比側(cè)面的小。Nakarmi和Tang設(shè)計(jì)了一個(gè)搭載基于ToF原理的3D傳感器和編碼器的平臺(tái)，通過(guò)處理側(cè)面深度圖像獲得莖稈位置，然后計(jì)算得到株間距。同時(shí)，對(duì)不同幀的圖像進(jìn)行了融合，生成了作物行的分布圖，計(jì)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(cè)量

4.1 葉綠素測(cè)量

葉綠素是作物葉片的主要組織成分，是作物進(jìn)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(fù)相關(guān)。作物的營(yíng)養(yǎng)和生理狀態(tài)可以通過(guò)葉綠素含量來(lái)估算，測(cè)量葉綠素對(duì)監(jiān)測(cè)作物生長(zhǎng)至關(guān)重要。

凱式測(cè)量法在所有的葉綠素測(cè)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(zhǎng)時(shí)間的化學(xué)分析操作。測(cè)量過(guò)程中，葉片被破壞，影響了作物的生長(zhǎng)。因而，快速、無(wú)損、低成本的測(cè)量方式是必要的。光譜技術(shù)因其快速、無(wú)損的優(yōu)勢(shì)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(jī)已被用于測(cè)量作物葉綠素。此外，研究表明，根據(jù)葉片對(duì)光線的響應(yīng)，熒光技術(shù)也可用于葉綠素的測(cè)量，還有特殊波段的雷達(dá)或激光傳感器也可用于葉綠素測(cè)量。下面將對(duì)葉綠素測(cè)量的多種傳感器進(jìn)行介紹。

4.1.1 基于光譜傳感器的葉綠素測(cè)量

光譜技術(shù)的發(fā)展使得越來(lái)越多的成熟產(chǎn)品推向市場(chǎng)。光譜傳感器是使用最多的設(shè)備，應(yīng)用可見(jiàn)光和近紅外光來(lái)評(píng)估植被狀態(tài)。許多研究采用一些被動(dòng)式或主動(dòng)式的光譜傳感器測(cè)量葉綠素。通常，不同波段的光譜信息被用于計(jì)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(dòng)式傳感器采集作物對(duì)太陽(yáng)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(tái)上測(cè)量葉綠素。傳感器和光譜儀全部由一個(gè)測(cè)量太陽(yáng)輻射的單元和一個(gè)測(cè)量反射光譜的單元組成。兩個(gè)單元的測(cè)量值用于計(jì)算NDVI，進(jìn)而用于估算作物葉綠素。作為被動(dòng)式傳感器的代表，可記錄作物多個(gè)光譜反射值的Yara公司的N-sensor被廣泛的應(yīng)用于葉綠素測(cè)量。同時(shí)，一個(gè)指向天空的光譜儀用于修正光線強(qiáng)度的波動(dòng)。Raper和Varco分析了多光譜反射值，提出了一個(gè)簡(jiǎn)化的冠層葉綠素含量指數(shù)，用于測(cè)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(cè)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(guò)多角度植被指數(shù)估測(cè)了小麥的氮含量，并指出測(cè)量角度對(duì)測(cè)量結(jié)果有顯著影響。Thorp等采用PLSR測(cè)量了葉片葉綠素，測(cè)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(cè)量冠層的葉綠素含量。

GreenSeeker，CropCircle和其他一些有主動(dòng)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(gè)波段的反射值，用于計(jì)算NDVI等植被指數(shù)，進(jìn)而預(yù)測(cè)葉綠素含量。Barker等將GreenSeeker，CropCircle安裝在田間表型平臺(tái)上，用于測(cè)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(dòng)式傳感器測(cè)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(gè)

波段值（670nm、750nm和862nm）來(lái)評(píng)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(cè)量冬小麥在三個(gè)不同生長(zhǎng)期的冠層NDVI值。研究指出在作物生長(zhǎng)前期，紅色NDVI和琥珀色NDVI值與基因型有關(guān)，在生長(zhǎng)后期，基因型只會(huì)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(jì)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?duì)波段進(jìn)行選擇的ACS-470，其測(cè)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(cè)量結(jié)果優(yōu)于NDVI和比值類植被指數(shù)。但是，作物高度、測(cè)量距離、溫度和土壤或相鄰作物行的反射會(huì)影響主動(dòng)式傳感器的測(cè)量結(jié)果，最優(yōu)的測(cè)量距離應(yīng)根據(jù)作物的結(jié)構(gòu)和生長(zhǎng)期進(jìn)行調(diào)節(jié)，高于冠層40em的測(cè)量距離是比較合適的。此外，在作物生長(zhǎng)后期，隨著冠層在NIR區(qū)域反射的減少，反射指數(shù)對(duì)葉綠素或氮素的測(cè)量不再敏感。

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

4.1.2 基于光譜相機(jī)的葉綠素測(cè)量

與常見(jiàn)的光譜傳感器不同，多光譜或高光譜相機(jī)可以在較寬的波段范圍內(nèi)以高分辨率的圖像來(lái)測(cè)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(lái)，并準(zhǔn)確地推導(dǎo)出多種植被指數(shù)?；谶@種優(yōu)勢(shì)，光譜相機(jī)廣泛應(yīng)用于作物葉綠素光譜相機(jī)大部分采集可見(jiàn)光和NIR波段的光譜信息，可用于車載式、UAV式和衛(wèi)星式測(cè)量。但是，需進(jìn)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(cè)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(jiàn)光和NIR多光譜相機(jī)測(cè)量葡萄，提出了一種校正方法來(lái)采集光譜圖像。一個(gè)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(lái)計(jì)算NDVI并生成NDVI圖像。然后，對(duì)NDVI圖像進(jìn)行分割來(lái)識(shí)別葉片。葉片的NDVI平均值作為該區(qū)域的空間分布。近年來(lái)，越來(lái)越多的研究將多光譜和高光譜相機(jī)安裝于UAV上來(lái)采集冠層反射，以測(cè)量作物葉綠素。首先，需要進(jìn)行輻射校正對(duì)原始數(shù)據(jù)進(jìn)行轉(zhuǎn)換;然后進(jìn)行大氣校正來(lái)消除大氣的吸收和散射的影響;最后，進(jìn)行幾何校正以消除機(jī)載測(cè)量值與地面光譜值的偏差。圖像的空間分辨率可以達(dá)到分米，所有的圖像被拼接到一起，從而獲得該區(qū)域的測(cè)量值。Elarab等計(jì)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(cè)葉綠素，決定系數(shù)為0.8～0.9。

衛(wèi)星式的光譜相機(jī)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(zhǎng)于車載式和UAV式的測(cè)量。Houborg等分析了來(lái)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(guò)輻射和幾何校正，然后進(jìn)行大氣校正。對(duì)植被指數(shù)應(yīng)用多元回歸來(lái)估測(cè)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(cè)量的魯棒性。

4.1.3 基于熒光傳感器的葉綠素測(cè)量

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

ChlF測(cè)量包括主動(dòng)熒光測(cè)量和被動(dòng)反射測(cè)量。主動(dòng)熒光測(cè)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(cè)量范圍可達(dá)到幾米。被動(dòng)反射測(cè)量通過(guò)陽(yáng)光誘導(dǎo)熒光（SIF-Sun-induced fluorescence）的方法推導(dǎo)出熒光。主動(dòng)熒光測(cè)量與被動(dòng)反射測(cè)量相比，對(duì)外界光線具有更好的魯棒性，所以許多研究采用主動(dòng)熒光測(cè)量。

LIF是一種主動(dòng)測(cè)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(cè)量。Yang等使用紫外（UV-Ultraviolet）激光誘導(dǎo)熒光，測(cè)：量熒光在685nm和740nm處的強(qiáng)度，采用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM-Support Vector Machine）模型來(lái)測(cè)量水稻的氮含量。他們發(fā)現(xiàn)應(yīng)用熒光波峰處的強(qiáng)度測(cè)量氮含量比應(yīng)用熒光的比值更靈敏、準(zhǔn)確。Agati等、Longchamps和Khosla采用Multiplex熒光傳感器測(cè)量氮含量，該傳感器通過(guò)UV、紅、綠、藍(lán)光誘導(dǎo)RF和FRF，計(jì)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(shí)對(duì)Multiplex熒光傳感器進(jìn)行了一.些測(cè)試，驗(yàn)證了熒光傳感器可測(cè)量作物早期的葉綠素。作物高度高于20em時(shí)，土壤對(duì)測(cè)量結(jié)果影響很小。為了研究光強(qiáng)和溫度的影響，Thoren等在田間和室內(nèi)條件下測(cè)試了LIF測(cè)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(qiáng)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(dá)或激光傳感器的葉綠素測(cè)量

藍(lán)光和紅光是作物進(jìn)行光合作用的重要來(lái)源，其會(huì)被葉綠素和類胡蘿卜素吸收，而大部分綠色光會(huì)被反射。一些研究已經(jīng)表明綠光的反射對(duì)作物葉綠素的變化很敏感，冠層在550nm處的反射會(huì)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(kāi)展了測(cè)量葉片葉綠素和氮素的研究，反射強(qiáng)度值被用于計(jì)算葉綠素。但測(cè)量結(jié)果會(huì)受到一些因素的影響。為了提高測(cè)量精度，該過(guò)程被分為以下幾步。首先，使用白色參考板對(duì)激光參考強(qiáng)度進(jìn)行歸一化，修正激光強(qiáng)度的偏移量。然后，根據(jù)強(qiáng)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(qiáng)度與葉綠素、氮素含量高度相關(guān)。此外，測(cè)試了多波段的激光系統(tǒng)，綠色和紅色激光的返回強(qiáng)度可用于測(cè)量作物氮素。與之前的研究相比，該方法沒(méi)有得到顯著提高，可能與葉片角度的增大有關(guān)。

隨著雷達(dá)技術(shù)的發(fā)展，高光譜雷達(dá)應(yīng)用于作物葉綠素或氮素的測(cè)量。這種雷達(dá)的光譜范圍較寬，能夠生成具有光譜信息的點(diǎn)云數(shù)據(jù)（圖7）。Sun等對(duì)ASD FieldSpec、多光譜雷達(dá)和高光譜雷達(dá)進(jìn)行了比較，結(jié)果表明高光譜雷達(dá)在測(cè)量作物氮素方面具有最優(yōu)的性能。Nevalainen等使用高光譜雷達(dá)測(cè)量葉片葉綠素，NDVI值較低的數(shù)據(jù)點(diǎn)被移除，然后對(duì)植被指數(shù)進(jìn)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(jì)算獲得的修正的葉綠素吸收比值指數(shù)在測(cè)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(dá)的反射強(qiáng)度，提取特征波段應(yīng)用SVM回歸計(jì)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(cè)量精度。此外，他們還將高光譜雷達(dá)數(shù)據(jù)與LIF數(shù)據(jù)結(jié)合來(lái)探測(cè)氮素，應(yīng)用SVM回歸，PLSR和2種ANN分析，測(cè)量結(jié)果的決定系數(shù)較高。他們同時(shí)發(fā)現(xiàn)當(dāng)葉片氮素含量較高時(shí)，光譜反射測(cè)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(dá)系統(tǒng)，可將LIF和SIF結(jié)合起來(lái)，或許有助于葉綠素的測(cè)量。

4.1.5葉綠素測(cè)量的比較與分析

葉綠素測(cè)量是許多研究的重點(diǎn)，相關(guān)的光譜產(chǎn)品和傳感器被廣泛應(yīng)用。光譜測(cè)量易受到外界條件的干擾，尤其是太陽(yáng)光線，主動(dòng)測(cè)量原理的傳感器的測(cè)量精度比被動(dòng)測(cè)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(huì)對(duì)早期作物的葉綠素測(cè)量產(chǎn)生影響，主要是由于作物生長(zhǎng)早期土壤覆蓋率低。應(yīng)用多光譜或高光譜傳感器和相機(jī)豐富的光譜信息，通過(guò)推導(dǎo)多個(gè)植被指數(shù)有助于消除背景的干擾。多光譜或高光譜相機(jī)不僅適用于車載測(cè)量，也可安裝在UAV或衛(wèi)星上，使得其可通過(guò)融合、拼接多幀圖像實(shí)現(xiàn)大面積的測(cè)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(jī)的高速率，其數(shù)據(jù)量十分龐大，尤其是UAV測(cè)量中，需要進(jìn)行繁重的線下處理。ChlF測(cè)量方法比植被指數(shù)測(cè)量對(duì)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(chǎng)更小，如圖8所示。由于反射信息基本來(lái)自于作物，使得ChlF測(cè)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(cè)作物葉綠素。

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

4.2水分脅迫測(cè)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(píng)估作物耐旱情況的一個(gè)重要指標(biāo)。氣孔導(dǎo)度和葉片水勢(shì)（LWP-LeafWaterPotential）又是作物水分脅迫的至關(guān)重要的指標(biāo)。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(guò)兩種方法測(cè)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(píng)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(cè)量。一般來(lái)說(shuō)，溫度儀、熱成像儀、光譜傳感器和相機(jī)被用于測(cè)量水分脅迫，下面將對(duì)相關(guān)的方法進(jìn)行介紹。

4.2.1基于溫度儀的水分脅迫測(cè)量

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

冠層溫度通常低于外界溫度，但是當(dāng)植被覆蓋度較低時(shí)，尤其在作物早期，中午時(shí)分的土壤溫度會(huì)高于外界溫度，干擾到測(cè)量。為了減少土壤的干擾，Rischbeck等采用兩個(gè)溫度儀，以45度的角度采用相反的方向測(cè)量冠層溫度，這一視場(chǎng)可以增大作物的測(cè)量比例。然后采用測(cè)量的最低溫和最高溫用于計(jì)算CWSI。此外，一些研究采集外界環(huán)境溫度來(lái)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(gè)指標(biāo)來(lái)評(píng)估作物的生長(zhǎng)。

4.2.2基于熱成像儀的水分脅迫測(cè)量

紅外熱像儀被認(rèn)為是一個(gè)測(cè)量作物溫度的高通量工具，能夠使我們?cè)u(píng)估作物水分在時(shí)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(gè)重要問(wèn)題。一般的，一種經(jīng)驗(yàn)方法是基于冠層和背景的溫度差異來(lái)分離冠層。由于環(huán)境的變化，圖像的采集時(shí)間很重要。早晨時(shí)，土壤和冠層的溫度差異較小，LWP不穩(wěn)定，太陽(yáng)角度不理想。相反地，正午時(shí)分太陽(yáng)光下的葉片氣孔會(huì)關(guān)閉，LWP穩(wěn)定，溫度圖像中的溫度差異最高，可用于評(píng)估冠層的水分脅迫。另一種分離冠層的方法是同時(shí)采集冠層的溫度和彩色圖像。溫度和彩色圖像首先進(jìn)行配準(zhǔn)，然后根據(jù)彩色圖像處理的分割算法對(duì)冠層進(jìn)行提取。該方法可以識(shí)別葉片和陰影下的土壤，提高溫度的測(cè)量效率。此外，溫度圖像的分辨率在消除不正確的溫度點(diǎn)時(shí)很重要，尤其是那些同時(shí)包含冠層和背景溫度的邊緣像素點(diǎn)。

紅外熱像儀適合用于車載、UAV和溫室測(cè)量，可同時(shí)采集作物溫度圖像和環(huán)境參數(shù)，但溫度圖像需要進(jìn)行輻射校正。計(jì)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(píng)估作物的水分脅迫。

4.2.3 基于光譜傳感器和相機(jī)的水分脅迫測(cè)量

Buitrago等開(kāi)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(huì)產(chǎn)生類似的光譜響應(yīng)，中紅外波段的發(fā)射率會(huì)隨著水分的丟失而減少。因而，一些光譜傳感器被用于測(cè)量作物的冠層溫度或水分脅迫。EIsayed等對(duì)高光譜主動(dòng)測(cè)量傳感器、高光譜被動(dòng)測(cè)量傳感器、主動(dòng)光電傳感器、CropCircle和GreenSeeker進(jìn)行了測(cè)試以評(píng)估冠層的歸一化相對(duì)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(duì)光譜傳感器和相機(jī)來(lái)說(shuō)，應(yīng)用光譜指數(shù)評(píng)估作物的水分脅迫是-一個(gè)主要的方法，但是葉片內(nèi)部的構(gòu)造會(huì)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(jì)算了不同的水分脅迫指數(shù)來(lái)評(píng)估其水分脅迫情況。Winterhalter等使用--系列的光譜指數(shù)評(píng)估了玉米的冠層水分，幾個(gè)光譜指數(shù)的決定系數(shù)大于0.70。此外，高光譜相機(jī)也可用于測(cè)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(cè)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(gè)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(jī)載相機(jī)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(cè)量作物的水分脅迫。

4.2.4 水分脅迫測(cè)量的比較與分析

溫度儀的測(cè)量范圍較小，其測(cè)量精度與植被覆蓋度相關(guān)。熱成像儀可提供一個(gè)區(qū)域的溫度，可直接檢測(cè)全局的變化，尤其在UAV測(cè)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(cè)量角度也會(huì)對(duì)冠層溫度的測(cè)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(píng)估水分脅迫的最佳指標(biāo)。

水分脅迫的測(cè)量仍然存在一些問(wèn)題需要解決。首先，溫度測(cè)量容易受到外界環(huán)境因素變化的影響，如太陽(yáng)輻射、云層覆蓋、風(fēng)速、大氣溫度、濕度和VPD等，且測(cè)量的時(shí)間也會(huì)影響測(cè)量結(jié)果。其次，冠層溫度會(huì)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(cè)量精度有必要將不同的傳感器和測(cè)量參數(shù)結(jié)合起來(lái)分析。熒光技術(shù)也被證明可用于水分脅迫測(cè)量，其對(duì)水分脅迫的測(cè)量更加靈敏。

4.3 生物量測(cè)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(gè)重要的生態(tài)學(xué)指標(biāo)，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(cè)量較困難，所以大部分研究集中于測(cè)量作物的地表生物量。一方面，地表生物量可表征作物的營(yíng)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(zhǎng)勢(shì)的參考。通常，地表生物量的測(cè)量可采用破壞式、非光譜式和光譜式方法。破壞式測(cè)量需要將作物收獲、分揀、烘干和稱重，這一過(guò)程費(fèi)時(shí)費(fèi)力。非光譜式測(cè)量大多測(cè)量作物的一些參數(shù)，然后建立預(yù)測(cè)模型來(lái)估算地表生物量。常測(cè)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(guò)前幾個(gè)章節(jié)的測(cè)量方法獲得。下面章節(jié)將對(duì)生物量的測(cè)量方法進(jìn)行詳細(xì)介紹。

4.3.1 非光譜式的生物量測(cè)量

非光譜式測(cè)量主要集中于作物高度的測(cè)量。

類似于樹(shù)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(cè)模型將作物高度作為一個(gè)重要參數(shù)。雷達(dá)被用于測(cè)量大米、油菜、冬黑麥、冬小麥和牧草的高度，然后進(jìn)行線性回歸，結(jié)果表明地表生物量和作物高度有很強(qiáng)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(cè)量牧草的高度，測(cè)量結(jié)果用于估算生物量，平均殘差為0.893～1.672。當(dāng)牧草沒(méi)有出現(xiàn)重疊時(shí)，測(cè)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(zhǎng)階段。Li等使用機(jī)載雷達(dá)反演了中國(guó)西北和北部的玉米的LAI和株高，用于估算生物量，測(cè)量精度和效率得到顯著提升。

4.3.2 光譜式的生物量測(cè)量

光譜式的測(cè)量主要應(yīng)用光譜傳感器和相機(jī)測(cè)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(cè)量氮素，進(jìn)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(gè)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(cè)量精度。此外，Mistele和Schmidhalter使用光譜傳感器開(kāi)展了一系列車載測(cè)量研究。Erdle等將一種采用雙向被動(dòng)測(cè)量的輻射計(jì)與三種采用主動(dòng)測(cè)量的傳感器（CropCircle，GreenSeeker和一種主動(dòng)傳感器）進(jìn)行比較，并計(jì)算了幾個(gè)植被指數(shù)。結(jié)果表明，采用主動(dòng)測(cè)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(dāng)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(dá)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(cè)量

許多研究正嘗試將非光譜方法和光譜方法結(jié)合起來(lái)估算地表生物量。作物高度和幾個(gè)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(zhǎng)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(cè)量NDVI，并結(jié)合作物高度預(yù)測(cè)了拔節(jié)期玉米的生物量。使用ASD FieldSpec可進(jìn)行高光譜測(cè)量，然后計(jì)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(dá)或超聲波測(cè)得的作物高度融合，用于估算生物量。

4.3.4 生物量測(cè)量的比較與分析

研究表明作物高度是估算生物量的一個(gè)重要參數(shù)，也是非光譜式方法的測(cè)量重點(diǎn)。水分和氮素含量也影響到作物生物量的估算，這兩個(gè)參數(shù)可通過(guò)光譜式方法進(jìn)行測(cè)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(lái)用于估算作物的鮮重和干重，從而提高作物生物量測(cè)量的準(zhǔn)確度和魯棒性。

5 復(fù)合式表型組學(xué)平臺(tái)

盡管有許多學(xué)者開(kāi)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(gè)或有限參數(shù)的測(cè)量。為了實(shí)現(xiàn)高通量作物表型組學(xué)，應(yīng)該開(kāi)發(fā)復(fù)合式表型組學(xué)平臺(tái)用于測(cè)量多個(gè)表型特性。一些研究機(jī)構(gòu)已經(jīng)開(kāi)發(fā)了一些整合多個(gè)傳感器的表型組學(xué)平臺(tái)，這些平臺(tái)按照測(cè)量方式，可以劃分為兩類，一類是車載式表型組學(xué)平臺(tái)，另一類是機(jī)載式表型組學(xué)平臺(tái)。

5.1 車載式表型組學(xué)平臺(tái)

通常，車載式表型組學(xué)平臺(tái)由牽引車或人工驅(qū)動(dòng)。根據(jù)作物的種類和生長(zhǎng)時(shí)期，傳感器被安裝在平臺(tái)的不同位置和高度。相關(guān)的配件包括動(dòng)力系統(tǒng)，數(shù)據(jù)采集終端，GPS接收機(jī)，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(tái)如表4所示，包括Busemeyer等設(shè)計(jì)的“BreedVision”、Deery等設(shè)計(jì)的“Phenomobile”和兩款基于牽引車的平臺(tái)。表型測(cè)量研究在商業(yè)領(lǐng)域也擁有巨大的市場(chǎng)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(jì)了一款車載式測(cè)量平臺(tái)，裝載了多個(gè)傳感器，可實(shí)現(xiàn)多個(gè)角度的觀測(cè)。LemnaTac針對(duì)田間表型測(cè)量，設(shè)計(jì)了Scanalyzer Discovery平臺(tái)。

除去上述平臺(tái)，車載式表型組學(xué)平臺(tái)還包括自動(dòng)機(jī)器人平臺(tái)。機(jī)器人平臺(tái)可減少人力勞動(dòng)，提高工作效率。機(jī)器人平臺(tái)主要適用于測(cè)量玉米和高粱。雷達(dá)和彩色數(shù)碼相機(jī)被用于測(cè)量表型組學(xué)參數(shù)，同時(shí)探測(cè)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(dòng)機(jī)器人平臺(tái)包括“Vinobot”、“BoniRob”和“Robotanist”。機(jī)器人平臺(tái)的優(yōu)勢(shì)在于它們可以隨時(shí)采集作物信息，且通常機(jī)器人平臺(tái)的體積都比較小。

5.2 機(jī)載式表型組學(xué)平臺(tái)

幾年前，機(jī)載式表型組學(xué)平臺(tái)第一次應(yīng)用于作物表型測(cè)量。值得注意的是，機(jī)載平臺(tái)的測(cè)量面積和測(cè)量效率遠(yuǎn)遠(yuǎn)高于車載平臺(tái)，機(jī)載式平臺(tái)也適用于大部分作物。常見(jiàn)的一些機(jī)載式平臺(tái)是飛艇式、旋翼式、固定翼式和直升機(jī)式。飛艇式的平臺(tái)不方便移動(dòng)，容易受到風(fēng)的阻擋。旋翼式機(jī)載平臺(tái)較靈活，可以以較低的速度工作在任何高度。固定翼式平臺(tái)可以飛行較長(zhǎng)時(shí)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(jī)式平臺(tái)結(jié)構(gòu)復(fù)雜，且維護(hù)成本較高。所有的機(jī)載平臺(tái)中，旋翼式平臺(tái)和固定翼式平臺(tái)應(yīng)用最廣泛。由于載重的限制，安裝于機(jī)載表型組學(xué)平臺(tái)的傳感器要少于車載式平臺(tái)，幾款代表性的表型組學(xué)平臺(tái)如表6所示。

5.3 表型組學(xué)平臺(tái)的比較與分析

車載式表型組學(xué)平臺(tái)可以近距離的觀測(cè)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(dá)、GPS、陀螺儀和其他傳感器可實(shí)現(xiàn)自動(dòng)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(tái)容易對(duì)作物造成損傷，尤其在作物成熟期。每一款車載平臺(tái)都受到行間距、株間距和作物高度的限制。因此，這些平臺(tái)難以測(cè)量不同的作物或不同的生長(zhǎng)期。盡管機(jī)載式平臺(tái)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(cè)量研究可以提高基因研究的效率，促進(jìn)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(cè)量方法，介紹了相關(guān)的傳感器，并對(duì)其存在的問(wèn)題進(jìn)行了討論。

表型組學(xué)和測(cè)量方法發(fā)展迅速，但是針對(duì)田間數(shù)據(jù)的大規(guī)模自動(dòng)采集需要得到提高。因此，快速、高通量的測(cè)量方法是必要的。當(dāng)前的許多研究將相關(guān)的傳感器進(jìn)行融合，并實(shí)現(xiàn)數(shù)據(jù)的自動(dòng)采集。上述的許多傳感器可以同時(shí)測(cè)量多個(gè)參數(shù)，所以對(duì)傳感器的安裝位置和角度進(jìn)行優(yōu)化，以充分開(kāi)發(fā)其性能是十分重要的。將一個(gè)或多個(gè)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(jìn)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(dāng)前一些研究面臨多種問(wèn)題，嚴(yán)重地影響了表型參數(shù)的測(cè)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(jì)算耗時(shí)的問(wèn)題。應(yīng)對(duì)當(dāng)前的算法進(jìn)行優(yōu)化和創(chuàng)新，以提高數(shù)據(jù)的管理和計(jì)算效率。

監(jiān)測(cè)作物的生長(zhǎng)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(kù)，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(zhǎng)至關(guān)重要的一部分，快速、無(wú)損的根部測(cè)量方法應(yīng)該在未來(lái)得到開(kāi)發(fā)。