Potential of UAV-derived RGB spectral indices for the early selection of cotton genotypes based on fiber quality traits
本研究表明，无人机衍生的 RGB 光谱指数（尤其是 GLI 和 NGRDI）在基于纤维质量性状的棉花基因型早期、大规模表型分析和初步筛选方面展现出作为补充工具的中等潜力，尽管它们目前还无法取代传统的实验室分析。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
棉花是世界上最重要的天然纤维来源，这种材料始于植物上的蓬松棉铃，最终变成我们衣服中的织物。对于纺织工业而言，这种作物的价值完全取决于其纤维的质量：纤维有多长、强度如何，以及它们结合得多么均匀。传统上，开发新棉种的育种者必须等到植物完全生长并收获棉铃后，才能知道一个新品种是否优秀。他们采集棉絮样本，将其送往专门的实验室，并使用机器测量这些技术特性。这个过程虽然准确，但速度慢、成本高，且需要大量的植物材料，这意味着育种者通常无法在品种发育较为先进之前对其进行测试。
近年来，出现了一种加速这一过程的新方法：利用无人机从空中拍摄作物图像。这些无人驾驶飞行器（或称UAV）可以在几分钟内捕捉到农田的详细图像。通过分析这些图像中的颜色，科学家可以计算出描述植物健康程度和生命力的数值。其核心理念是，植物从上方看出的样子——其颜色和亮度——或许能在棉铃内部产生纤维质量之前，就向我们传递某些信息。如果这种联系足够强，育种者就可以在生长季节早期对成千上 thousand 棵植物进行筛选，只挑选其中最优秀的进行进一步培育，从而节省时间和金钱。
巴西的一个研究小组致力于测试这种想法是否适用于棉纤维质量。他们与19种不同的商业棉品种合作，在乌贝尔兰迪亚联邦大学的一个田间进行种植。随着植物生长，研究人员等待直到田间进入盛花期，即植物被盛开的花朵覆盖的阶段。在这个特定时刻，他们将无人机飞过田间，以捕捉高分辨率的红、绿、蓝图像。通过这些图片，他们计算了四种不同的基于颜色的数值，称为光谱指数，这些指数作为植物绿色程度和颜色饱和度的总结。随后，在棉花收获后，他们从每个品种中提取样本，并使用标准的实验室机器测量其纤维质量，该机器可以确定纤维长度、强度以及一个预测纤维纺纱性能的综合得分——纺行一致性指数（Spinning Consistency Index）。
研究人员发现，无人机所见的景象与实验室测量的结果之间确实存在有意义的联系。他们发现有两个基于颜色的数值特别有用。其中一个测量叶片的绿色程度，显示出与纺行一致性指数的强关联；另一个比较了绿光与红光的比例，则与纤维长度的均匀度密切相关。简单来说，从无人机的视角来看，看起来更绿、更鲜艳的植物，往往能生产出更适合高质量纺纱的纤维。团队使用了统计模型来观察是否仅通过观察这些无人机数值就能预测纤维质量。这些模型能够解释他们观察到的品种间差异的大约三分之一。虽然这并非完美的预测，但这是一个重大的进步，表明在生长季节早期拍摄的无人机图像可以为最终的棉花质量提供可靠的提示。
然而，这项研究也明确指出，这项技术并不能取代传统的实验室测试。无人机图像无法预测纤维质量的所有细节，一些从空中看去相似的品种，最终却表现出不同的纤维特性。研究人员指出，他们在研究中表现最好的品种（一种名为 DP 2077 的类型）具有极佳的纤维质量，但在无人机图像中仅显示出平均水平的颜色得分。这告诉我们，虽然无人机可以发现普遍趋势，但它目前还无法独立看到全貌。叶片的颜色受多种因素影响，包括植物获得的阳光量和水分量，这些因素有时会掩盖纤维质量的遗传潜力。
这项工作的价值在于其作为“过滤器”的潜力。育种者通常需要管理数以千计的植物，而对每一株植物进行实验室测试既昂贵又缓慢。如果无人机可以飞过田间并快速识别出那些可能具有较差纤维质量的植物，那么这些植物就可以在育种计划早期被剔除。这使得育种者能够将资源集中在最有希望的候选品种上。研究人员得出结论，虽然无人机衍生数值不是一种消除实验室工作的“魔法方案”，但它们是与实验室工作配合使用的强大工具。通过将航空成像的速度与传统测试的精准度相结合，棉花育种者可以更快地做出更明智的决策，从而潜在地更早地将更好的棉花品种带给农民和纺织厂。研究表明，随着这些模型通过来自不同环境和更多样化植物类型的更多数据得到完善，它们预测棉花作物未来质量的能力也将不断提高。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。