摘 要：高溫干旱是影響作物生長(zhǎng)及最終生產(chǎn)力的主要脅迫源。當(dāng)前，無人機(jī)遙感技術(shù)已在作物倒伏和病蟲害的分級(jí)監(jiān)測(cè)研究中取得重大進(jìn)展，但有關(guān)利用無人機(jī)遙感進(jìn)行作物抗旱等級(jí)監(jiān)測(cè)的研究卻鮮有報(bào)道。因此，以苧麻種質(zhì)資源為研究對(duì)象，提出了苧麻抗旱性量化標(biāo)準(zhǔn)，并提供了一種利用無人機(jī)多光譜遙感鑒定苧麻種質(zhì)資源抗旱性的方法。首先，由專家對(duì)36份苧麻種質(zhì)資源進(jìn)行抗旱性分級(jí)；然后，結(jié)合無人機(jī)多光譜遙感獲取的植被指數(shù)，采用隨機(jī)森林（Random forest，RF）、支持向量機(jī)（Support vector machine，SVM））、決策樹（（Decision tree，DT）3種機(jī)器學(xué)習(xí)方法分別構(gòu)建苧麻抗旱性鑒定模型，并通過苧麻在高溫干旱脅迫下的表型響應(yīng)檢驗(yàn)鑒定結(jié)果；最后，基于無人機(jī)獲取的遙感表型，篩選高溫干旱脅迫下優(yōu)質(zhì)苧麻種質(zhì)資源。結(jié)果表明，利用SVM構(gòu)建的苧麻抗旱性鑒定模型正確率達(dá)到0.74，不同抗旱級(jí)分類F1得分范圍為0.69~0.79，說明該方法能用于苧麻種質(zhì)資源抗旱性評(píng)估。利用無人機(jī)遙感數(shù)據(jù)反演得到的3項(xiàng)苧麻表型性狀（葉綠素相對(duì)含量、葉面積指數(shù)、株高）均與人工測(cè)量值具有較強(qiáng)的相關(guān)性，在此基礎(chǔ)上，研究從高溫干旱脅迫中篩選出了3個(gè)優(yōu)質(zhì)苧麻種質(zhì)資源PJ-CD、WS-XM、湘苧7號(hào)。
關(guān)鍵詞：高溫干旱脅迫；苧麻；抗性篩選；無人機(jī)遙感
0 引言
高溫和干旱是影響作物生產(chǎn)的重要脅迫源。隨著全球氣候變化，高溫和干旱在未來很可能更加頻繁地重合發(fā)生，導(dǎo)致局部地區(qū)作物安全受到威脅[1-2]。作為重要的纖維作物，苧麻是最易受高溫干旱脅迫影響的作物之一[3]，在高溫干旱脅迫下，苧麻光合作用受到影響，產(chǎn)量和纖維質(zhì)量將顯著降低[4]。因此，迫切需要挖掘苧麻種質(zhì)資源，快速篩選出適應(yīng)未來氣候變化的抗旱苧麻品種。
作物抗旱性的量化是解決這一問題的關(guān)鍵。高溫干旱脅迫會(huì)引起作物一系列形態(tài)和生理變化[5]，因此利用表型指標(biāo)反映作物抗旱性的方法被提出（間接量化）。在這種方法中，育種家和研究人員將高溫干旱脅迫下作物的表型響應(yīng)作為抗旱性的量化指標(biāo)[6]，進(jìn)而緩慢地篩選并培育更高抗性的品種。其中，高溫干旱脅迫下的最終生產(chǎn)力是評(píng)估作物耐旱性最有效、直觀的表型[7]。產(chǎn)量組成因素（如株高、分株力、結(jié)實(shí)率）[8]、葉面積[9]、含水率、葉片顏色[10]、蒸騰速率[11-12]等也是常用的評(píng)估作物抗旱性的重要表型指標(biāo)，如文獻(xiàn)[13]根據(jù)塊莖淀粉產(chǎn)量評(píng)估了馬鈴薯抗旱性，并利用汽車激光雷達(dá)系統(tǒng)揭示了與耐旱性相關(guān)的表型（株高、葉面積、投影葉面積、葉角）差異。文獻(xiàn)[14]利用高通量方法優(yōu)化了高溫干旱脅迫下小麥表型監(jiān)測(cè)。以上研究都是采用間接量化方法評(píng)估作物抗旱性，存在以下弊端。第一，過于依賴表型數(shù)據(jù)，但表型卻受基因型和環(huán)境因素的復(fù)雜交互影響[15]，是高溫干旱與其他非生物脅迫源相互作用下呈現(xiàn)的外部反映。第二，作為抗旱性量化的表型指標(biāo)通常采用隨機(jī)采樣方式獲取，無法反映品種的整體情況，缺乏跟蹤個(gè)體的生長(zhǎng)軌跡。
直接量化是根據(jù)農(nóng)藝學(xué)評(píng)估標(biāo)準(zhǔn)，直接對(duì)作物種質(zhì)資源抗性進(jìn)行分級(jí)量化的一種方法。這種分級(jí)量化方法已經(jīng)在作物倒伏程度分類[16-17]、病蟲害程度監(jiān)測(cè)[18-22]中得到了廣泛應(yīng)用，但是有關(guān)作物抗旱性量化監(jiān)測(cè)的研究還鮮有報(bào)道，基于無人機(jī)多光譜遙感評(píng)價(jià)苧麻抗旱性的研究更是少見。因此，本文建立苧麻種質(zhì)資源抗旱性評(píng)估標(biāo)準(zhǔn)，構(gòu)建基于無人機(jī)多光譜遙感的苧麻種質(zhì)資源抗旱性鑒定模型，研究高溫干旱脅迫下苧麻表型的響應(yīng)，以及苧麻生長(zhǎng)與基因型、環(huán)境的關(guān)系，以實(shí)現(xiàn)高溫干旱脅迫下基于遙感表型的優(yōu)質(zhì)苧麻種質(zhì)資源篩選。
1 材料與方法
1.1 試驗(yàn)設(shè)計(jì)與環(huán)境條件
高溫干旱試驗(yàn)于2022年7-8月湖南省長(zhǎng)沙市湖南農(nóng)業(yè)大學(xué)苧麻基地（28°11¢01"N，113°04¢10"E）進(jìn)行。試驗(yàn)期間，該地區(qū)持續(xù)晴朗，未降雨，維持了旱情。在進(jìn)行了持續(xù)55d高溫干旱脅迫處理后，于2020年8月25日對(duì)苧麻種質(zhì)資源抗旱性進(jìn)行評(píng)估。供試材料由36份苧麻種質(zhì)資源組成，設(shè)2次重復(fù)，共72個(gè)小區(qū)。每小區(qū)尺寸為2.0m×1.8m，3行×4蔸，蔸間距0.4m，行間距0.6m，排水溝寬0.5m，每個(gè)小區(qū)面積約為12m2（圖1）。
采用氣象觀測(cè)系統(tǒng)持續(xù)記錄氣象要素，包括光照強(qiáng)度、大氣壓強(qiáng)、大氣溫度、大氣濕度、降水量等，數(shù)據(jù)每隔1h記錄1次。如圖2所示，2022年7月來，該地日最高溫度多在35℃以上，平均最高溫度達(dá)到36.5℃，最低溫集中于27~30℃，最低溫平均值為27.05℃。試驗(yàn)期間每日累積光照強(qiáng)度范圍集中于500000~600000Lux，日平均光照為503319Lux，無有效降雨天數(shù)，日平均降水量?jī)H為2.33mm，平均大氣相對(duì)濕度為75.99%。
1.2 無人機(jī)多光譜數(shù)據(jù)采集與預(yù)處理
采用大疆精靈4pro無人機(jī)收集多光譜數(shù)據(jù)，該無人機(jī)遙感系統(tǒng)采用RTK厘米級(jí)定位系統(tǒng)，集成了6個(gè)相機(jī)（包括紅光、綠光、藍(lán)光、RGB、近紅外、紅邊），每個(gè)相機(jī)有效像素為200萬（圖1）。執(zhí)行飛行任務(wù)時(shí)，無人機(jī)飛行高度為30m，云臺(tái)俯仰角為-90°，設(shè)置主航向上重疊率80%，主航線間圖像重疊率70%。8月25日當(dāng)天，于09：30、11：15、15：45采集3次遙感數(shù)據(jù)。
使用Pix4Dmapper軟件對(duì)3次飛行的影像進(jìn)行拼接，生成試驗(yàn)區(qū)域的數(shù)字正射影像和數(shù)字表面模型。根據(jù)反射板實(shí)際反射率對(duì)影像進(jìn)行輻射校正，為獲取準(zhǔn)確的地理參考，5個(gè)地面控制點(diǎn)的坐標(biāo)位置被引入用于地理校正（圖1）。采用PhenoAI air軟件提取每個(gè)苧麻小區(qū)的多光譜數(shù)據(jù)，PhenoAI air能夠?qū)b感影像進(jìn)行自動(dòng)化去噪和背景分割，并根據(jù)計(jì)算出苧麻植被部分的植被指數(shù)（Vegetation index，VIs）（圖1）。為避免溝壑以及作物生長(zhǎng)的邊緣效應(yīng)影響，在每個(gè)小區(qū)內(nèi)部建立感興趣區(qū)域（Regions of interest，ROI），并將每個(gè)小區(qū)分割為4個(gè)ROI以擴(kuò)充數(shù)據(jù)集的大小。在小區(qū)抗旱性表現(xiàn)均一的情況下，這種擴(kuò)充方法能夠提供更加豐富的樣本材料，最終總數(shù)據(jù)集由864個(gè)樣本組成。
1.3田間數(shù)據(jù)采集
根據(jù)苧麻種質(zhì)資源抗旱性分級(jí)標(biāo)準(zhǔn)[23]，5個(gè)抗旱等級(jí)被設(shè)計(jì)出來，包括抗旱性很強(qiáng)、強(qiáng)、中等、弱、很弱（圖1）。在苧麻接受持續(xù)高溫干旱處理后，由湖南農(nóng)業(yè)大學(xué)苧麻生理研究專家進(jìn)行官方診斷，并綜合多名專家意見對(duì)36份苧麻種質(zhì)資源進(jìn)行最終的抗旱性評(píng)估。評(píng)估結(jié)果表明，不同抗旱性苧麻分布較為均勻，其中1、2級(jí)抗旱品種均7個(gè)，占比19.40%；3級(jí)抗旱品種8個(gè)，占比22.20%；4級(jí)抗旱品種9個(gè)（25%）；5級(jí)抗旱品種5個(gè)，占比13.90%，36個(gè)苧麻品種抗旱性的變異系數(shù)為1.8，苧麻群體的抗旱性存在顯著的遺傳變異。
于2022年7月15日、8月1日、8月25日人工測(cè)量苧麻種質(zhì)資源生長(zhǎng)指標(biāo)，包括株高、葉面積指數(shù)、葉綠素相對(duì)含量（SPAD值）。株高利用直尺測(cè)量苧麻植株底部至冠層頂端的距離；葉面積指數(shù)（Leaf area index，LAI）采用LAI-2200型冠層分析儀測(cè)量；SPAD值通過日本KONICAMINOLTA公司生產(chǎn)的SPAD-502型葉綠素儀測(cè)量，以上數(shù)據(jù)均通過隨機(jī)選取各小區(qū)10株苧麻求取平均值獲取。
1.4 相關(guān)性分析、ANOVA方差分析
苧麻抗旱等級(jí)為非連續(xù)變量，因此采用肯德爾相關(guān)系數(shù)進(jìn)行相關(guān)性分析?？系聽栂嚓P(guān)系數(shù)是一種秩相關(guān)系數(shù)，所計(jì)算的對(duì)象是分類變量。研究計(jì)算了42項(xiàng)VIs與苧麻抗旱性的相關(guān)性，VIs與抗旱性之間具有的強(qiáng)相關(guān)是實(shí)現(xiàn)遙感鑒定苧麻抗旱性的前提。
采用ANOVA分析進(jìn)一步確定抗旱苧麻品種與高溫干旱敏感品種的光譜差異。ANOVA分析允許對(duì)多樣本進(jìn)行兩兩比較，分析不同抗旱級(jí)組內(nèi)變異對(duì)總變異的貢獻(xiàn)，從而篩選出能夠反映不同抗旱級(jí)苧麻高溫干旱響應(yīng)的光譜描述符。相關(guān)性分析和ANOVA分析均在SPSS中進(jìn)行，分析結(jié)果采用Origin進(jìn)行可視化。
1.5 模型構(gòu)建與評(píng)估
以遙感獲取的VIs為自變量，實(shí)測(cè)苧麻抗旱等級(jí)為因變量，采用隨機(jī)森林（Random forest，RF）、支持向量機(jī)（Support vector machine，SVM）、決策樹（Decision tree，DT）3種機(jī)器學(xué)習(xí)方法構(gòu)建苧麻抗旱性鑒定模型。以遙感獲取的VIs為自變量，實(shí)測(cè)苧麻表型數(shù)據(jù)為因變量，采用偏最小二乘回歸（Partial least squares regression，PLSR）方法構(gòu)建苧麻表型監(jiān)測(cè)模型，進(jìn)而從遙感影像中得到估測(cè)的SPAD值（SPAD_UAV）、估測(cè)的葉面積指數(shù)（LAI_UAV）和估測(cè)的株高（PH_UAV）。對(duì)于每種模型，按照7：3的比例隨機(jī)劃分訓(xùn)練集和驗(yàn)證集，通過網(wǎng)格搜索和五折交叉驗(yàn)證在訓(xùn)練集中確定各算法的最佳模型參數(shù)，然后分別以最佳參數(shù)進(jìn)行訓(xùn)練，將訓(xùn)練好的各算法在驗(yàn)證集中評(píng)估模型表現(xiàn)。
精確率、召回率、F1得分、正確率4項(xiàng)指標(biāo)被用于評(píng)估苧麻抗旱性鑒定模型在訓(xùn)練和測(cè)試集上的性能。精確率反映正確預(yù)測(cè)樣本占所有預(yù)測(cè)樣本的比例，召回率表示在所有正樣本中檢出為正樣本的數(shù)量，F(xiàn)1得分是精確率和召回率的加權(quán)調(diào)和平均，正確率表示預(yù)測(cè)正確的占所有數(shù)量的比例。以上指標(biāo)采用“classification_report”計(jì)算。R2和均方根誤差（Root mean square error，RMSE）被用于評(píng)價(jià)苧麻表型監(jiān)測(cè)模型的性能，R2越高，RMSE越低，表明模型擬合精度越高越穩(wěn)定。
2 結(jié)果與分析
2.1 不同抗旱等級(jí)苧麻的VIs差異
為探討利用多光譜信息鑒定苧麻抗旱性的可行性，對(duì)苧麻抗旱性和VIs進(jìn)行相關(guān)性分析。如圖3a所示，09：30、11：30、15：453個(gè)時(shí)間點(diǎn)的VIs與苧麻抗旱性的相關(guān)性均呈顯著或極顯著水平，肯德爾系數(shù)在-0.40~0.50之間。其中，RVI（比值植被指數(shù)）、MSR（改進(jìn)型比值植被指數(shù)）、WDRVI（寬動(dòng)態(tài)范圍植被指數(shù)）與苧麻抗旱性呈極顯著正相關(guān)，3個(gè)時(shí)期的累計(jì)肯德爾系數(shù)分別達(dá)到1.077、1.049、1.021。GRNDVI（綠紅歸一化植被指數(shù)）、RGRI（紅綠比值指數(shù)）、R（紅光波段反射率）與苧麻抗旱性呈極顯著負(fù)相關(guān)，3個(gè)時(shí)期的累計(jì)肯德爾系數(shù)分別為-0.856、-0.834、-0.766。不同時(shí)間點(diǎn)獲取的VIs與抗旱性的相關(guān)性表現(xiàn)出逐漸低的趨勢(shì)，09：30獲取的VIs與苧麻抗旱性達(dá)到最大相關(guān)性，相關(guān)性系數(shù)為11.887，比后兩個(gè)時(shí)間段分別高出14.684%、15.937%。
采用ANOVA方法分析不同抗旱等級(jí)苧麻的VIs差異。由F-檢驗(yàn)結(jié)果可知（圖3b），3個(gè)時(shí)間點(diǎn)的平均F值分別為18.893、26.249、21.931，不同抗旱級(jí)苧麻的VIs存在顯著組間差異，VIs具有區(qū)分苧麻抗旱性的能力。計(jì)算LSD值以進(jìn)一步確定不同抗旱級(jí)苧麻組內(nèi)存在的差異（圖3c），5級(jí)與其他抗旱等級(jí)的平均LSD均低于0.05，這表明抗旱性強(qiáng)的苧麻種質(zhì)資源具有獨(dú)特的光譜特征，與其他抗旱等級(jí)苧麻在VIs上存在顯著差異。NDRE（歸一化差異紅色邊緣指數(shù)）、NGBDI（歸一化綠藍(lán)差異指數(shù)）和S（飽和度）在多重比較中具有最低的LSD，說明這3個(gè)參數(shù)能夠作為苧麻水分虧缺和高溫反應(yīng)的光譜描述符，用于區(qū)分不同苧麻抗旱等級(jí)。
2.2 苧麻抗旱性鑒定模型
結(jié)合計(jì)算得到的42個(gè)VIs，采用機(jī)器學(xué)習(xí)方法構(gòu)建苧麻抗旱性鑒定模型。圖4對(duì)比了3種機(jī)器學(xué)習(xí)方法的鑒定性能。由圖4可知，3種模型都具有較高的精度，RF、SVM、DT的正確率范圍分別為0.42~0.64、0.40~0.59、0.44~0.68。其中，SVM模型具有最佳正確率，3個(gè)時(shí)間點(diǎn)的平均正確率達(dá)到0.64，其次為RF（0.50）、DT（0.42）。從監(jiān)測(cè)時(shí)間看，模型精度從大到小整體表現(xiàn)依次為15：45、09：30、11：30。隨著白天溫度逐漸升高，蒸發(fā)量增強(qiáng)，不同抗旱級(jí)苧麻的表型差異加大，在白天晚些時(shí)間，差異達(dá)到峰值，因此下午的監(jiān)測(cè)結(jié)果比上午、中午更好。高溫干旱脅迫后的恢復(fù)速度及程度也是苧麻抗旱性的重要評(píng)價(jià)標(biāo)準(zhǔn)，由于夜晚的水分處理及溫度的降低，抗旱性更強(qiáng)的品種恢復(fù)更好，這種差異在第2天上午得到反映。
對(duì)于每個(gè)抗旱級(jí)，采用SVM模型分析測(cè)試集的鑒定結(jié)果（圖5）。09：30時(shí)，模型正確率為0.64，不同抗旱級(jí)分類精度范圍為0.55~0.68，召回率范圍為0.51~0.76，F(xiàn)1得分范圍為0.53~0.72。11：15時(shí)，模型正確率為0.59，不同抗旱級(jí)分類精度范圍為0.46~0.80，召回率范圍為0.46~0.73，F(xiàn)1得分范圍為0.48~0.76。15：45時(shí)，模型正確率為0.68，不同抗旱級(jí)分類精度范圍為0.60~0.80，召回率范圍為0.57~0.94，F(xiàn)1得分范圍為0.60~0.75。F1得分呈現(xiàn)“兩級(jí)高，中間低”的趨勢(shì)，這表明相比抗旱性中等的苧麻，抗旱極強(qiáng)和極弱的苧麻更容易識(shí)別，這與苧麻不同抗旱等級(jí)間的變異分析結(jié)果一致。
結(jié)合不同時(shí)間段獲取的遙感數(shù)據(jù)有可能提高最終分類準(zhǔn)確率，因此研究以3個(gè)時(shí)間點(diǎn)獲取的遙感參數(shù)為自變量，苧麻種質(zhì)資源抗旱級(jí)別為因變量，采用SVM構(gòu)建了基于多時(shí)序的苧麻抗旱性鑒定模型（表1）。由表1可知，多時(shí)序模型正確率達(dá)到0.74，比單一時(shí)期模型評(píng)價(jià)正確率提升16.23%。不同抗旱級(jí)分類精度范圍為0.67~0.78，平均精度為0.73，召回率范圍為0.63~0.87，平均召回率為0.71，F(xiàn)1得分范圍為0.69~0.79，平均值為0.72。
2.3 基于無人機(jī)遙感的苧麻表型監(jiān)測(cè)結(jié)果
采用PLSR構(gòu)建苧麻表型監(jiān)測(cè)模型（表2），SPAD值估測(cè)模型和LAI估測(cè)模型在訓(xùn)練集和驗(yàn)證集都得到了較為理想的監(jiān)測(cè)效果。對(duì)于苧麻SPAD值，訓(xùn)練集和驗(yàn)證集的R2分別為0.648、0.756，RMSE分別為2.362、2.227；相比SPAD值，多光譜遙感對(duì)LAI的監(jiān)測(cè)精度更高，訓(xùn)練集和驗(yàn)證集的R2分別為0.885、0.778，RMSE分別為0.396、0.519。
圖6為苧麻遙感表型與實(shí)測(cè)表型的線性分析。線性相關(guān)分析結(jié)果表明，遙感估測(cè)的SPAD_UAV、LAI_UAV、PH_UAV與人工測(cè)量值具有較強(qiáng)的相關(guān)性，SPAD_UAV與SPAD的R2為0.616，LAI_UAV與LAI的R2為0.889。從數(shù)字表面模型（Digital surface model，DSM）計(jì)算了不同生育期的PH_UAV，不同生育期PH_UAV與PH的擬合效果不同，隨著生育期的后移，PH_UAV和PH的R2逐漸提高，到8月25日達(dá)到0.926。這是因?yàn)椋缙贒SM混合了裸露土表，導(dǎo)致混合像元低于實(shí)際值。較理想的表型監(jiān)測(cè)結(jié)果表明，無人機(jī)遙感是快速、無損、精準(zhǔn)監(jiān)測(cè)環(huán)境脅迫下作物表型的工具，監(jiān)測(cè)結(jié)果可用于高溫干旱脅迫下苧麻特異表型的分析。
2.4 高溫干旱脅迫下苧麻表型響應(yīng)
利用ANOVA方法分析高溫干旱脅迫下苧麻不同生育期的表型差異（表3）。不同苧麻種質(zhì)資源在表型上存在顯著差異，F(xiàn)值范圍分別達(dá)到8.567~9.375、2.398~6.469、5.548~7.441。而高溫干旱脅迫使得品種間的表型差異更為明顯，表現(xiàn)為不同抗旱性苧麻具有較為明顯的組間差異，F(xiàn)值在PH_UAV和LAI_UAV上有所提高。隨著時(shí)間的后移，不同抗旱性苧麻種質(zhì)資源的表型差異逐漸增大，這一表現(xiàn)在8月25日測(cè)量得到的PH_UAV和LAI_UAV上更為突出，F(xiàn)值分別為13.460、25.408，表明PH_UAV和LAI_UAV苧麻對(duì)高溫干旱十分敏感。
采用LSD進(jìn)一步分析8月25日不同抗旱級(jí)苧麻表型的組內(nèi)差異（圖7，圖中*表示具有顯著差異）。2級(jí)與3級(jí)、5級(jí)與1、3、4級(jí)在SPAD_UAV上存在顯著差異；高溫干旱對(duì)苧麻出苗及生長(zhǎng)速度有影響，在苗期，隨著苧麻抗旱能力的增強(qiáng)，苧麻生長(zhǎng)速度越快，株高越高。到苧麻生長(zhǎng)后期，1級(jí)與2級(jí)、4級(jí)與2、3級(jí)、5級(jí)與1、2、3、4級(jí)在PH_UAV上均呈現(xiàn)顯著差異；隨著時(shí)間的后移，LAI_UAV先增大后減少，在其生育后期除4級(jí)與2、3級(jí)之間沒有顯著差異外，各不同抗旱級(jí)苧麻的LAI_UAV均存在顯著差異。這是因?yàn)?，為?yīng)對(duì)高溫干旱脅迫，苧麻葉片會(huì)逐漸脫落并且卷曲，減少由于葉面積過大導(dǎo)致的強(qiáng)蒸騰作用。PH_UAV和LAI_UAV在不同抗旱級(jí)的差異表現(xiàn)，說明這兩個(gè)生長(zhǎng)參數(shù)能夠成為耐旱標(biāo)志。
2.5 高溫干旱脅迫下優(yōu)質(zhì)苧麻種質(zhì)資源篩選
通過分析不同抗旱等級(jí)苧麻的遙感表型，能夠根據(jù)特定的生產(chǎn)要求篩選優(yōu)質(zhì)苧麻種質(zhì)資源。不同抗旱級(jí)苧麻遙感表型信息如圖8，圖中字母及文字表示苧麻品種。結(jié)果表明，在具有5級(jí)抗旱能力的苧麻種質(zhì)資源中，PJ-CD、WS-XM、湘苧7號(hào)在株高和葉面積上都有較好的表現(xiàn)。株高和葉面積是評(píng)估苧麻產(chǎn)量的重要指標(biāo)，綜合這兩項(xiàng)指標(biāo)可以篩選PJ-CD、WS-XM、湘苧7號(hào)為高溫干旱脅迫下高產(chǎn)苧麻品種。在文獻(xiàn)[24]等的研究中，WS-XM被鑒定為高溫干旱期高產(chǎn)優(yōu)質(zhì)的苧麻飼用種質(zhì)資源，文獻(xiàn)[25]等的研究表明在持續(xù)干旱條件下，湘苧7號(hào)表現(xiàn)出較強(qiáng)的生長(zhǎng)活性，以上研究結(jié)果驗(yàn)證了篩選結(jié)果。另外，PJ-CD的發(fā)現(xiàn)也能為高溫干旱脅迫下，苧麻品種選育提高參考。
3 結(jié)論
（1）不同抗旱等級(jí)苧麻表現(xiàn)出的光譜數(shù)據(jù)存在顯著組間差異，其中，抗旱性很強(qiáng)的苧麻種質(zhì)資源（5級(jí)）與其他抗旱等級(jí)苧麻在VIs上具有最大差異，表明遙感提取的VIs具有區(qū)分苧麻抗旱性的能力。NDRE、NGBDI和S這3個(gè)光譜參數(shù)在多重比較中具有最低的LSD，能夠作為苧麻水分虧缺和高溫反應(yīng)的光譜描述符。
（2）分別采用RF、SVM、DT3種機(jī)器學(xué)習(xí)算法構(gòu)建苧麻抗旱性鑒定模型，結(jié)果表明3種模型都具有較高的精度，正確率范圍分別為0.42~0.64、0.40~0.59、0.44~0.68。其中，基于多時(shí)序數(shù)據(jù)的SVM模型具有最佳正確率（0.74），F(xiàn)1得分呈現(xiàn)“兩級(jí)高，中間低”的趨勢(shì)，表明抗旱極強(qiáng)和極弱的苧麻更容易識(shí)別。
（3）利用無人機(jī)遙感數(shù)據(jù)估測(cè)得到的SPAD_UAV、LAI_UAV、PH_UAV與人工測(cè)量值具有較強(qiáng)的相關(guān)性，可用于監(jiān)測(cè)高溫干旱脅迫下不同抗旱級(jí)苧麻表型差異，其中SPAD_UAV與SPAD的R2為0.616，LAI_UAV與LAI的R2為0.889，PH_UAV和PH的R2為0.614~0.926。結(jié)果表明，高溫干旱脅迫使得品種間的表型差異更為明顯，抗旱苧麻品種出苗更快、長(zhǎng)得更高、葉面積更高。
參考文獻(xiàn)
[1] BASU S, RAMEGOWDA V, KUMAR A, et al. Plant adaptation to drought stress [J]. F1000Research, 2016, 5：1554.
[2] HARRISON M T, TARDIEU F, DONG Z S, et al. Characterizing drought stress and trait influence on maize yield under current and future conditions [J]. Global Change Biology, 2014, 20：867-878.
[3] 劉飛虎, 張壽文, 梁雪妮, 等. 干旱脅迫下不同苧麻品種的形態(tài)解剖特征研究[J]. 中國(guó)麻作, 1999 (4)：2-7.
LIU Feihu, ZHANG Shouwen, LIANG Xueni, et al. Morphological and anatomical characteristics of different ramie varieties under drought stress[J]. Plant Fiber Sciences in China, 1999(4)：2-7.
[4] 王繼龍, 劉婕儀, 劉皖慧, 等. 苧麻響應(yīng)水分脅迫研究進(jìn)展[J]. 中國(guó)麻業(yè)科學(xué), 2020, 42(4)：178-186.
WANG Jilong, LIU Jieyi, LIU Wanhui, et al. Research progress in response to water stress in ramie[J]. Plant Fiber Sciences in China, 2020, 42(4)：178-186.
[5] COSTA J M, GRANT O M, CHAVES M M. Thermography to explore plant environment interactions[J]. Journal of Experimental Botany, 2013, 64：3937-3949.
[6] ALTAMIMI N, LANGAN P, BERNÁD V, et al. Capturing crop adaptation to abiotic stress using image-based technologies[J]. Open Biol., 2022, 12：210353.
[7] RICHARDS R A, HUNT J R, KIRKEGAARD J A, et al. Yield improvement and adaptation of wheat to water-limited environments in Australia-a case study [J]. Crop Pasture Sci., 2014, 65：676-689.
[8] ALICHE E B, OORTWIJN M, THEEUWEN TPJM, et al. Drought response in field grown potatoes and the interactions between canopy growth and yield [J]. Agric Water Manag, 2018,206：20-30.
[9] WELLSTEIN C, POSCHLOD P, GOHLKE A, et al. Effects of extreme drought on specific leaf area of grassland species： a meta-analysis of experimental studies in temperate and sub-Mediterranean systems[J]. Global Change Biology, 2017, 23(6)： 2473-2481.
[10] FU F J, ZHAO Z, ZHANG W X. Study on photosynthetic indexes and drought resistance of maize under water stress[J]. Journal of Mountain Agriculture and Biology, 2004, 23(6)： 471-474.
[11] ELHABTI A, FLEURY D, JEWELL N, et al. Tolerance of combined drought and heat stress is associated with transpiration maintenance and water soluble carbohydrates in wheat grains [J]. Frontiers in Plant Science, 2020, 11：1555.
[12] HAAS M, SPRENGER H, ZUTHER E, et al. Can metabolite and transcript-based selection for drought tolerance in Solanum tuberosum replace selection on yield in arid environments?[J]. Frontiers Plant Sci., 2020, 11：1071-1087.
[13] MULUGETA A G, HAAS M, Köhl K. LIDAR-based phenotyping for drought response and drought tolerance in potato[J]. Potato Res., 2022.
[14] CORREIA P, CAIRO W J, BERNARDES D S A, et al. High-throughput phenotyping of physiological traits for wheat resilience to high temperature and drought stress[J]. J. Exp. Bot., 2022, 73(15)：5235-5251.
[15] 周濟(jì), TARDIEU F, PRIDMORE T, 等. 植物表型組學(xué)：發(fā)展、現(xiàn)狀與挑戰(zhàn)[J].南京農(nóng)業(yè)大 學(xué)學(xué)報(bào), 2018,41(4) ： 580-588．
ZHAO Ji, TARDIEU F, PRIDMORE T, et al. Plant phenoomics： development, current situation, and challenges[J]. Journal of Nanjing Agricultural University, 2018,41(4) ： 580-588．
[16] YANG X, GAO S, SUN Q, et al. Classification of maize lodging extents using deep learning algorithms by UAV-based RGB and multispectral images[J]. Agriculture, 2022, 12(7)： 970.
[17] 章凌翔. 基于無人機(jī)多光譜影像油菜產(chǎn)量預(yù)測(cè)及倒伏風(fēng)險(xiǎn)評(píng)價(jià)[D].西北農(nóng)林科技大 學(xué),2022.
[18] 任志鵬, 高睿, 王大慶. 基于哨兵 2 號(hào)多光譜影像的水稻倒伏識(shí)別與分類[J].節(jié)水灌溉, 2022(7)：44-50.
REN Zhipeng, GAO Rui, WANG Daqin. Rice lodging recognition and classification based on Sentinel-2 multispectral image[J]. Water Saving Irrigation, 2022(7)：44-50.
[19] AHMAD A, SARASWAT D, EL GAMAL A. A Survey on using deep learning techniques for plant disease diagnosis and recommendations for development of appropriate tools[J]. Smart Agricultural Technology, 2022, 3： 100083.
[20] GHOSAL S, BLYSTONE D, SINGH AK, et al. An explainable deep machine vision framework for plant stress phenotyping[J]. Proc. Natl. Acad. Sci. USA., 2018, 115(18)：4613-4618.
[21] 姜紅花, 楊祥海, 丁睿柔, 等. 基于改進(jìn) ResNet18 的蘋果葉部病害多分類算法研究 [J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)：1-9.
JIANG Honghua, YANG Xianghai, DING Ruirou, et al. Research on multi-classification algorithm of apple leaf diseases based on improved ResNet18[J/OL]. Transactions of the Chinese Society for Agricultural Machinery： 1-9.
[22] 李凱雨, 朱昕怡, 馬浚誠(chéng), 等. 基于混合擴(kuò)張卷積和注意力的黃瓜病害嚴(yán)重度估算方法 [J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)：1-12.
LI Kaiyu, ZHU Xinyi, MA Juncheng, et al. Estimating cucumber disease severity based on mixed expanded convolution and attention[J/OL]. Transactions of the Chinese Society for Agricultural Machinery：1-12.
[23] 粟建光,戴志剛. 中國(guó)麻類作物種質(zhì)資源及其主要性狀[M]. 北京：中國(guó)農(nóng)業(yè)出版社,2016.
[24] 劉俊歡, 揭雨成, 邢虎成, 等. 高溫干旱期 203 份苧麻飼用種質(zhì)資源的農(nóng)藝性狀鑒定評(píng) 價(jià)及高產(chǎn)優(yōu)質(zhì)種質(zhì)篩選[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2016, 32(3)：54-60.
LIU Junhuan, JIE Yucheng, XIN Hucheng, et al. Identification and evaluation of agronomic characters of 203 ramie feeding germplasm resources and screening of high yield and high quality germplasm during high temperature and drought[J]. Chinese Agricultural Science Bulletin, 2016, 32(3)：54-60.
[25] 李林林, 馬淵博, 張浪, 等. 3個(gè)苧麻品種對(duì)干旱脅迫的生理生化響應(yīng)[J]. 中國(guó)麻業(yè)科學(xué), 2018, 40(1)：22-27. LI Linlin, MA Yuanbo, ZHANG Lang, et al. Physiological and biochemical responses of three ramie varieties to drought stress[J]. Plant Fiber Sciences in China, 2018, 40(1)：22-27.
文獻(xiàn)摘自：[1]付虹雨,王薇,盧建寧,岳云開,崔國(guó)賢,佘瑋.基于無人機(jī)多光譜的耐旱苧麻品種篩選[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)：1-15[2023-03-15].http：//kns.cnki.net/kcms/detail/11.1964.S.20230221.1453.040.html
