基于无人机RGB和LiDAR相机的湿地松生长性状测量与遗传评估

Measurement of Growth Traits and Genetic Evaluation of Pinus elliottii Using UAV RGB and LiDAR Cameras

摘要: 近年来，随着林业信息化和智能化的推进，无人机在林业数据采集和分析中的应用日益广泛。本研究以湿地松为研究对象，对比无人机RGB相机(可见光相机)和LiDAR相机(激光雷达相机)在获取湿地松生长性状与地面真实值之间的精度差异，并借此方法寻找湿地松优良家系。这两种无人机通过执行相同的飞行路线，飞行后数据经过数据分析得到每株湿地松的树高和冠幅，并建立胸径预测模型，比较两个相机的预测精度和选育优良家系。结果显示，LiDAR相机在50 m和80 m高度下，树高预测的相关系数R²均为0.88，优于RGB相机的预测精度。50 m高度下RGB相机倾斜摄影的相关系数R²为0.86，优于正射影像的0.78。基于树高和冠幅的胸径预测模型也表现出较高的精度。不同飞行任务获取的数据均对选育优良家系有积极的作用，与真实选育结果一致。虽然RGB相机的预测精度略低于LiDAR相机，但差异不显著，显示其可作为低成本替代方案。激光雷达的飞行高度(50 m和80 m)对树高测量精度无显著影响，80m具有较短的飞行时间，RGB相机倾斜摄影的精度高但飞行时间较长。湿地松的树高、胸径和冠幅均受中高遗传力控制，育种值分析表明10号家系表现优异，适合进一步选育。本研究为无人机在林木资源调查和表型遗传分析应用中提供了科学支持。

Abstract: In recent years, with the advancement of forestry informatization and automation, the application of UAV in forestry data collection and analysis has grown increasingly prevalent. This study focuses on Pinus elliottii to compare the accuracy of UAV RGB sensor (Visible Light Camera) and LiDAR sensor (Lidar Camera) in capturing growth traits relative to ground truth measurements, aiming to identify superior Pinus elliottii families using these methods. Both UAV followed the same flight paths, and after data processing, tree height and crown width for each tree were obtained. A diameter at breast height (DBH) prediction model was then developed, and the accuracy of the two sensors’ predictions was compared, along with their utility in family selection. Results showed that the LiDAR sensor achieved a correlation coefficient (R²) of 0.88 for tree height predictions at both 50 m and 80 m altitudes, outperforming the RGB sensor. At 50 m, the RGB sensor’s oblique photography produced an R² of 0.86, superior to the 0.78 obtained from orthophotos. The DBH prediction model, based on tree height and crown width, also exhibited high accuracy. Data collected from different flight missions positively contributed to the selection of superior families, aligning well with actual breeding outcomes. Although the RGB sensor’s prediction accuracy was slightly lower than that of the LiDAR sensor, the difference was not significant, indicating that it can serve as a cost-effective alternative. The flight altitude of the LiDAR (50 m and 80 m) had no significant effect on tree height measurement accuracy, with the 80 m altitude providing shorter flight times. While the RGB sensor’s oblique photography offered higher accuracy, it required longer flight durations. Tree height, DBH, and crown width in Pinus elliottii were all under moderate to high genetic control. Breeding value analysis indicated that Family 10 exhibited superior traits, making it a candidate for further breeding. This study provides scientific support for the application of UAV in forest resource surveys and phenotypic genetic analysis.

1. 引言

湿地松(Pinus elliottii)原产于北美洲东南部，于20世纪成功引入中国，目前已广泛分布于南方15个省份[1]。其具有快速生长、高木材和松脂产量的特点，是荒山绿化、生态防护、造林和采脂的主要树种[2]。湿地松树姿挺拔，主根和侧根发达，具备抗旱、耐涝、耐贫瘠等优良特性，是一种坚韧的植物，具有较强的水土保持功能，同时也是理想的园林绿化树种，适用于景观树、主景树以及行道树[3]。这些特性使得湿地松在生态恢复与经济林木利用中具有不可替代的重要性。

为了培育出更优质的湿地松品种，适应不同地区的生态需求，提高经济效益，需要对湿地松种质资源进行动态监测，并精准获取其表型信息。林木表型信息的精确获取在育种、管理和科学研究中尤为重要。传统的林木测量技术主要依赖于人力，例如通过卷尺和测高仪进行树高、胸径的测量。这些方法虽然直接，但存在诸多局限：测量过程费时费力，且精度受人为因素和地形条件影响，难以在大面积林区实现动态、高效的测量[4]。因此，传统测量方法并不适合当前林木资源管理的现代化需求，亟需借助新型的智能技术手段来提升效率和精度。

近年来，随着遥感技术的进步，人工调查逐渐被数字化林业取代，遥感技术能够智能、快速、精准地获取多尺度的林木表型动态信息[5]。在林业监测中，遥感手段主要包括激光雷达(LiDAR)和高分辨率影像(RGB) [6]。激光雷达是一种主动遥感系统，通过发射激光并接收回波信号生成高精度的三维点云数据，广泛应用于森林资源调查。然而，激光雷达的应用在一定程度上受到成本、操作复杂性、机场调度和天气条件等因素的限制，因此在小区域的森林监测中存在诸多不便[7]。

相比之下，无人机技术因其成本较低、灵活性强、可搭载多种传感器而受到广泛关注。搭载不同类型传感器的无人机系统能够适应小型森林或特定地块的高效数据采集需求[8] [9]。目前，无人机系统无论是搭载激光雷达[10]，还是采用高清摄影[11]，在林木表型数据的获取和预测上都展现了较高的精度。激光雷达可以生成高分辨率的三维点云数据，具备优异的垂直结构信息获取能力，但设备价格昂贵，限制了其在大范围内的普及[12]。无人机摄影则具有低成本、高分辨率等优点，特别是在倾斜摄影中，通过从多个角度拍摄，能够快速获取大范围的冠层信息，但相较于正射摄影，倾斜摄影会增加飞行时间，进而提高作业成本[13] [14]。

当前的林业研究与管理亟需找到在精度与成本之间的平衡点。本研究的目标即是通过无人机系统搭载不同设备执行多种飞行任务，比较激光雷达和高清摄影两种手段在湿地松表型信息采集中的性能，寻找一种既具备较高精度又具有经济可行性的测量方法。在此基础上，进一步构建基于树高、冠幅等因子的胸径预测模型，并结合多种数据进行湿地松生长性状的遗传分析，以支持优良家系的选育。

因此，本研究以湿地松为研究对象，采用搭载激光雷达和高清摄影设备的无人机执行不同飞行任务，旨在：1) 比较不同飞行任务下测量数据的精度，评估其在湿地松表型信息获取中的可靠性；2) 构建湿地松胸径预测模型，以提高胸径测量的便捷性和准确性；3) 结合不同数据进行湿地松生长性状的遗传分析，为湿地松育种提供科学依据。本研究的成果将为湿地松的动态监测、科学育种以及林木资源管理提供重要参考，推动无人机技术在林业中的广泛应用。

2. 材料与方法

2.1. 研究区概况

研究区域位于安徽省宣城市泾县马头国有林场(30˚45'N，118˚29'E)，总面积约为6公顷。该区域属于亚热带湿润季风气候，年平均气温为13℃至22℃，年均降水量约1520毫米。研究区的林木为2013年栽植的湿地松自由授粉半同胞测定林，共有560株湿地松，分为两个地点：地点1包含257株，地点2包含303株。采用随机区组设计，每个小区包含20株树，株行距为6 m × 8 m。每个小区的每棵树代表一个家系，总共有20个不同家系。每年进行两次抚育，以减少杂草对湿地松的影响。

2.2. 树高和胸径的人工测量

人工测量的数据作为真值，用于验证无人机获取数据的精度。为了保证数据的全面、准确和可靠，在2023年7月对研究区内的湿地松进行了逐株测量，记录了每株树的区组和家系信息。树高测量由两人配合完成，一人负责选择测量点并持测量杆读取数据，另一人确保树冠顶端与测量尺齐平并记录数据。胸径使用卷尺在树高1.3米处进行测量并记录结果。

2.3. 飞行任务规划

本研究使用的大疆御MAVIC 3T和大疆经纬M300 RTK两款行业级无人机。御MAVIC 3T配备了4/3 CMOS哈苏相机，用于拍摄研究区湿地松的高清影像；经纬M300 RTK配备了禅思L1，既可拍摄高清照片又能进行激光测距。2023年7月，本研究在一个晴朗、无云、无风的日子里执行了四个飞行任务，分别获取了以下数据：倾斜摄影下50米高度的RGB数据(简称RGB-QX)、正射摄影下50米高度的RGB数据(简称RGB-50)、50米高度的激光雷达数据(简称Lidar-50)以及80米高度的激光雷达数据(简称Lidar-80)。具体的无人机飞行规划及参数设置如表1所示。

Table 1. Four flight planning specific settings

表1. 4个飞行任务具体设置

飞行任务 flying assignments	无人机名称 Name of UAV	飞行高度 flight altitude/(m)	飞行时间 flight time/(min)	倾斜角度 bevel angle/(˚)
RGB-QX	MAVIC 3T	50	53	45
RGB-50	M300 RTK	50	25	0
Lidar-50	M300 RTK	50	30	0
Lidar-80	M300 RTK	80	21	0

2.4. 无人机数据处理

RGB图像通过无人机拍摄的高清照片，导入大疆智图(DJI Terra) [15]软件进行图像拼接和校正。该软件使用结构化运动(SfM)和立体匹配算法对RGB图像进行三维特征重建。SfM利用一系列重叠图像生成场景的稀疏三维模型[16]，具体步骤包括图像导入、特征点匹配以及三维点云构建，最终生成具有高分辨率(HR)网格纹理的三维模型[17]。随后，基于数字表面模型(DSM)和数字正射影像图(DOM)构建三维模型场景，通过从DSM中减去从密集地面点内插的数字高程模型(DEM)，生成冠层高度模型(CHM)。使用边缘检测的图像分割算法[18]将冠层区域从背景中分离出来，对分割得到的冠层区域进行面积估计，将每个像素视为一个单位面积，通过像素计数来估算冠幅和冠面积[19]。

Lidar数据首先进行预处理，包括去除离群点、地面滤波和校正等操作[20]，以得到地面点和非地面点。通过对非地面点进行插值，生成数字表面模型(DSM)，并将DSM减去数字高程模型(DEM)得到冠层高度模型(CHM)。利用图像目标检测[21]和分水岭分割算法[22]对CHM进行单木分割，从而提取每棵树的位置和高度信息。随后，将每个树冠的点云分割出来，形成独立的点云数据集，并将每个树冠的点云数据投影到水平面上，得到每棵树冠层的轮廓，进而计算冠幅和冠面积[23]。

2.5. 胸径预测模型构建

相比树高，无人机获取胸径具有一定的局限性。大量研究表明，树高与胸径之间存在较强的相关性[24]-[27]，胸径的估计依赖于树高和冠幅。利用易于获取的林分调查因子，结合实验调查结果与现有资料，可以建立模型推算出其他林分因子，这是遥感技术在森林资源调查中的重要研究方向。因此，本研究以树高和冠幅为自变量，以胸径为因变量，构建胸径预测模型。由于胸径、树高和冠幅之间的关系并不完全呈线性相关[28]，因此采用了非线性广义加性模型(GAM)。将560株树木的树高和胸径数据随机分为训练集和验证集，80%用于模型训练，20%用于验证模型精度。GAM方程如下：

$\text{DBH}=a+f_{1\left(Heigh{t}_i\right)}+f_{2\left(C{A}_i\right)}+\epsilon$ (1)

式中，DBH是响应变量，a是截距，f₁和f₂是第i个独立于高度和CA变量的协变量的平滑函数，ε是未观察到的随机误差向量。采用约束极大似然法(REML)作为平滑参数估计方法。

2.6. 精度评估

将真实值和不同飞行任务预测的树高、胸径带入线性回归模型，如公式(2)。使用皮尔逊相关系数[29]进行预测结果的精度比较，如公式(3)，相关系数越接近1表示预测精度越高。

$y=w^{\text{T}}x+b$ (2)

式中，y是预测函数，w是模型参数，x是特征输入，b是偏置量。

$r=\frac{{{\displaystyle \sum }}_{i=1}^n\left(x_i-\overline{X}\right)\left(y_i-\overline{Y}\right)}{\sqrt{{{\displaystyle \sum }}_{i=1}^n{\left(x_i-\overline{X}\right)}^2}\sqrt{{{\displaystyle \sum }}_{i=1}^n{\left(x_i-\overline{Y}\right)}^2}}$ (3)

式中$\overline{X}$ 和$\overline{Y}$ 分别表示测量值、预测值的样本平均值，n是样本的数量。

2.7. 湿地松各家系生长性状分析

已经获得4个飞行任务预测的树高、胸径，通过计算出不同飞行任务下的树高、胸径的最大值、最小值、变异系数等指标来进行比较。如果与实测结果越接近，认为精度越高。遗传变异系数计算如公式(4) [30]：

$CV=\frac{100\sigma }{X}\times 100\text{\%}$ (4)

式中，X代表表型均值，$\sigma$ 代表标准差。

2.8. 遗传参数估计

遗传力是指遗传方差在表型方差中所占的比例。对于林木遗传育种而言，遗传力的重要性不言而喻，因为数量性状受环境的影响较大，确定不同性状遗传力的大小有助于判断此性状在遗传育种中的价值大小。遗传学家都希望能够找到对性状贡献度大，遗传力高的数量性状来进行后面的品种改良与筛选。遗传力的取值范围从0到1，其中0表示遗传因素对胸径的变异没有贡献，1表示遗传因素完全解释了胸径的变异。为了分析各个家系的遗传表现情况。采用的线性数学模型，如公式(5) [31]：

$Y_{ijk}=u+B_i+F_j+e_{ijk}$ , (5)

式中，$Y_{ijk}$ 表示第i区第j个家系的第k个观测值，u代表总体平均值，$B_i$ 代表区组，$F_j$ 代表家系，$e_{ijk}$ 代表随机误差。其中，$B_i$ 作为模型固定效应，$F_j$ 作为模型的随机效应。

性状狭义遗传力估算公式(6)为:

$h^2=\frac{{\sigma }_F^2}{{\sigma }_F^2+{\sigma }_e^2}$ (6)

式中，${\sigma }_F^2$ 、${\sigma }_B^2$ 、${\sigma }_e^2$ 分别为家系效应的方差分量、及线性模型中其它项方差分量。

利用Lem4-R软件的最佳线性无偏预测方法(BLUP)求解混合模型方程组获得育种值。所有数据处理及作图通过R软件完成。gam包用于GAM模型拟合，Lme4包用于遗传方差和协方差估计，ggplot2包用于作图。

2.9. 测量与遗传评估的依据及标准

本研究利用无人机技术结合RGB相机与LiDAR数据，高效获取湿地松的树高、冠幅、胸径与叶面积指数等生长性状，依据国家林业标准(GB/T 33027-2016)确保数据的准确性。基于数量遗传学方法，估算生长性状的遗传力与相关性，筛选出遗传增益显著、遗传力较高的优良家系与单株，为湿地松的遗传改良与精准育种提供科学依据与技术支撑。

3. 结果与分析

3.1. 树高预测精度比较

如图1所示，在四种飞行任务中，无人机预测的树高与实测树高均表现出高度相关性。通过比较四次飞行任务的数据，我们发现无人机在50米和80米飞行高度下搭载激光雷达预测的树高相关系数相同，表明这两种高度对激光雷达测量树高的精度无显著影响。倾斜摄影的相关系数为0.86，高于正射摄影的0.78，这表明倾斜摄影因其拍摄角度能够更好地捕捉冠层下部信息，具有较高的测量精度。尽管激光雷达的预测精度更高，RGB数据的预测结果也与真实树高表现出高度相关性，特别是倾斜摄影下的预测结果与激光雷达相比，精度仅略有下降，差异不大。LUO等[32]的研究也证明了激光雷达与摄影测量方法得到的树冠点云模型的树高相关系数可达0.9，差异不显著，这与本研究结果一致。

Figure 1. Tree height prediction accuracy under different flight tasks

图1. 不同飞行任务下树高预测精度

3.2. 胸径预测模型精度检验

本研究从每个飞行任务获取的数据中随机选取80%作为训练集，用于构建胸径预测模型，其余20%作为测试集，用于评估模型的预测精度。如图2所示，四个飞行任务的胸径预测模型相关系数均大于0.75，说明预测结果与实际胸径之间存在显著相关性。因此，这些模型在湿地松胸径预测方面表现出较高的准确性和可靠性。

3.3. 生长性状的表型变异分析

变异系数广泛用于衡量群体中性状遗传变异的重要指标[33]。本研究中，对湿地松20个家系的树高、胸径和冠幅的变异系数进行比较(见表2)，结果表明冠幅的变异系数最高，其次是树高，胸径的变异系数

Figure 2. Evaluation of diameter at breast height prediction model

图2. 胸径预测模型评估

Table 2. Comparison of growth indexes of Pinus elliottii families

表2. 湿地松家系生长各指标比较

		最小值 min	最大值 max	均值 avg	标准差 sd	方差 var	变异系数 cov
树高 H/(m)	True value	6.20	14.50	10.14	1.40	1.95	13.76%
	RGB-QX	5.74	14.86	10.65	1.41	1.98	13.22%
	RGB-50	4.48	15.42	10.48	1.77	3.12	16.84%
	Lidar-50	4.02	13.67	9.92	1.36	1.86	13.73%
	Lidar-80	3.85	13.61	9.85	1.37	1.87	13.88%
胸径 DBH/(cm)	True value	12.50	26.90	20.74	2.00	4.00	9.65%
	RGB-QX	15.36	25.89	20.73	1.55	2.40	7.48%
	RGB-50	13.53	26.03	20.73	1.55	2.41	7.48%
	Lidar-50	14.95	25.71	20.74	1.68	2.82	8.10%
	Lidar-80	13.81	25.33	20.74	1.68	2.82	8.09%
冠幅 CW/(m)	RGB-QX	11.74	28.17	24.55	2.72	7.38	11.00%
	RGB-50	3.27	27.02	15.19	4.29	18.40	28.23%
	Lidar-50	3.33	27.39	15.87	4.19	17.57	26.42%
	Lidar-80	3.68	27.41	15.82	4.10	16.78	25.90%

最低。这一结果表明冠幅的变异幅度较大，在选择优良材料时尤为有利。此外，无人机高清摄影和激光雷达在不同飞行任务下获得的数据与实测值高度一致，证明了无人机技术在湿地松表型变异分析中的有效性。这些结果展示了无人机技术在林业表型高通量表征中的应用潜力。

3.4. 遗传力与育种值估算

为了评估湿地松不同生长性状的遗传力，并比较四种飞行任务数据与实测值的遗传力，相关结果如表3所示。分析结果表明，湿地松的树高、胸径和冠幅均为育种选择的重要性状，其中遗传力从高到低依次为树高、胸径和冠幅，均属于中高遗传力级别。通过BLUP法解单性状混合线性模型，得到了20个家系在这些性状上的育种值(见表4)。其中，家系1、6、8、10、16和20在树高方面表现优异；家系1、9、10、12、18和19在胸径方面表现优异；家系6、9、10、12、18和19在冠幅方面表现优异，表明

Table 3. The heritability of growth traits of Pinus elliottii families

表3. 湿地松家系生长性状遗传力

	True value	Lidar-50	Lidar-80	RGB-50	RGB-QX
树高(H)	0.58	0.69	0.70	0.67	0.68
胸径(DBH)	0.42	0.63	0.65	0.58	0.62
冠幅(CW)	—	0.44	0.46	0.42	0.06

Table 4. Comparison of breeding value of Pinus elliottii families

表4. 湿地松家系育种值比较

	树高H					胸径DBH					冠幅CW
家系 family	True value	Lidar-50	Lidar-80	RGB-QX	RGB-50	实测值	Lidar-50	Lidar-80	RGB-QX	RGB-50	Lidar-50	Lidar-80	RGB-QX	RGB-50
1	0.22	0.33	0.36	0.35	0.33	0.13	0.21	0.23	0.21	0.11	−0.22	−0.24	−0.02	−0.21
2	−0.08	−0.14	−0.17	−0.11	−0.14	−0.12	−0.19	−0.20	−0.08	−0.10	−0.28	−0.23	0.01	−0.16
3	−0.01	−0.05	−0.07	−0.07	−0.01	−0.04	−0.06	−0.08	−0.11	0.02	−0.12	−0.16	−0.02	−0.13
4	−0.23	−0.20	−0.21	−0.28	−0.27	−0.18	−0.16	−0.17	−0.20	−0.14	−0.01	−0.04	0.00	−0.02
5	0.02	0.00	0.02	0.03	0.01	0.07	0.01	0.04	0.03	0.05	0.01	0.05	0.00	0.07
6	0.15	0.21	0.22	0.19	0.24	0.08	0.26	0.24	0.21	0.16	0.38	0.23	0.02	0.17
7	0.05	0.12	0.16	0.06	0.12	−0.04	0.04	0.05	0.03	−0.02	−0.15	−0.19	0.01	−0.19
8	0.14	0.12	0.12	0.15	0.20	0.03	0.07	0.05	0.09	0.05	−0.04	−0.07	0.01	−0.06
9	−0.04	−0.01	0.00	0.00	−0.02	0.10	0.20	0.19	0.13	0.18	0.82	0.78	0.02	0.71
10	0.19	0.30	0.30	0.24	0.28	0.26	0.28	0.32	0.17	0.18	0.13	0.28	0.01	0.22
11	−0.13	−0.10	−0.12	−0.04	−0.15	−0.12	−0.15	−0.17	−0.07	−0.15	−0.26	−0.31	−0.01	−0.39
12	0.03	0.00	−0.03	−0.02	−0.07	0.10	0.05	0.04	0.06	0.08	0.25	0.33	0.03	0.32
13	−0.24	−0.34	−0.35	−0.39	−0.35	−0.24	−0.41	−0.42	−0.39	−0.31	−0.54	−0.61	−0.04	−0.47
14	−0.03	−0.09	−0.11	−0.06	−0.12	0.05	−0.15	−0.20	−0.10	−0.15	−0.24	−0.36	−0.02	−0.24
15	−0.17	−0.33	−0.31	−0.24	−0.25	−0.21	−0.29	−0.27	−0.16	−0.22	−0.17	−0.08	0.00	−0.09
16	0.08	0.05	0.07	0.05	0.01	0.06	0.00	0.03	0.03	−0.01	−0.16	−0.10	0.00	−0.11
17	−0.21	−0.26	−0.32	−0.26	−0.36	−0.21	−0.25	−0.28	−0.23	−0.17	−0.16	−0.20	−0.02	−0.23
18	0.06	0.09	0.10	0.09	0.05	0.09	0.16	0.20	0.06	0.12	0.28	0.39	0.01	0.34
19	0.07	0.11	0.12	0.13	0.24	0.11	0.20	0.20	0.18	0.14	0.35	0.35	0.02	0.28
20	0.13	0.21	0.22	0.19	0.25	0.07	0.18	0.20	0.17	0.16	0.11	0.18	0.01	0.20

这些家系在多个性状上均具有较高的遗传潜力。特别是家系10在所有性状中均表现突出，被初步选为优良家系。无人机和激光雷达数据分析结果一致指向家系10的优势，尽管激光雷达数据选出的优良家系范围更小，但两种技术的选择结果没有显著差异，这进一步强调了无人机技术在湿地松育种中的应用潜力。

4. 讨论

相较于传统遥感技术，无人机系统凭借其灵活性、高精度、高通量和低成本的优势，显著提升了森林管理的可持续性[34]。本研究通过无人机搭载高清摄影和激光雷达，执行了多次飞行任务，以测量湿地松的树高、胸径和冠幅。结果显示，无人机搭载的激光雷达在预测树冠高度方面的精度优于高清摄影的RGB图像。具体而言，激光雷达测量的树高相关系数显著高于RGB高清摄影，但两者与实测数据均表现出高度相关性。在其他研究中，Gyawali等[35]比较了不同树种使用LiDAR和RGB摄影技术测得的树高与现场测量结果，发现激光雷达与现场测量的相关性更强，而松树和云杉的LiDAR与RGB测量结果差异不显著。这表明使用RGB进行树高的精准估计是可行的，其精度可与激光雷达相媲美。因此，使用成本较低的高清相机进行冠层高度测量可以作为激光雷达的有效替代方案，这与XU等[36]的研究结果一致，进一步验证了无人机技术在森林资源管理中的广泛应用潜力。

在本研究中，通过无人机激光雷达在50米和80米飞行高度下进行冠层高度测量，发现两个高度下的相关系数相同，表明飞行高度对测量精度无显著影响。这与Zhang等[37]的研究一致，他们发现在40米至110米的飞行高度范围内，不同飞行高度对冠层高度的推导没有显著影响。这一结果建议在执行冠层高度测量时，可以适当提高飞行高度以优化飞行效率，而不显著影响测量精度。同时，比较无人机倾斜摄影和正射摄影在树高测量方面的精度，尽管倾斜摄影因获取更多的点云信息在某些情况下略优，但两种方法的树高测量结果整体一致，这与Che等[38]的研究结果相符。这表明在时间紧迫的情况下，可以采用更快的正射摄影方法进行树高监测，从而节省时间而不显著降低精度。

通过胸径与树高及冠幅的关系，建立了非线性广义加性模型用于湿地松胸径预测，结果显示不同飞行任务下的胸径预测精度相关系数均大于0.75，优于传统的基于树高的胸径预测模型[39]，证明了该模型的可靠性。本研究还对湿地松的树高、胸径和冠幅进行了遗传变异分析，结果显示树高的遗传力最高，其次是胸径和冠幅，遗传力范围为0.40至0.71，表明这些性状受到中至高程度的遗传控制，适合进行家系选择。这与彭叶青等[40]基于无人机技术分析湿地松性状得到的结果一致。在本研究中，根据育种值选择了表现最优的家系，特别是10号家系在所有评估性状中均表现突出，被认为具有最高的改良潜力。此外，四个飞行任务下的数据分析均证实了10号家系的优势，进一步验证了无人机测量技术在湿地松育种中的应用价值。此外，杨贵军等[41]通过无人机多传感器对小麦进行高通量表型采集的研究也支持了我们的发现，表明无人机技术可有效应用于植物大规模育种程序。

5. 结论

1) 本研究通过无人机技术结合RGB相机与LiDAR相机，精确测量湿地松树高，结果与实测数据高度一致。与前人研究相比，本研究首次对比了不同飞行高度(50米与80米)下LiDAR的测量精度，发现精度近乎一致，突破了飞行高度对测量结果影响的常规认识[42]。此外，RGB相机倾斜摄影精度略高于正射摄影，但本研究进一步强调了正射摄影在提高作业效率方面的显著优势[43]；

2) 在胸径预测方面，本研究创新性地构建了基于树高与冠幅的非线性广义加性模型(GAM)，相关系数R²超过0.75，显著优于传统单一基于树高的胸径预测模型[44]。该方法有效提升了胸径预测的准确性与可靠性，弥补了传统模型对湿地松胸径预测精度不足的缺陷，为林业资源精准监测提供了更科学的工具；

3) 湿地松生长性状遗传力评估方面，本研究发现树高、胸径、冠幅的遗传力依次递减，这与部分前人研究结果一致[45]，但本研究通过无人机高通量表型数据的应用，使遗传力评估更为高效与全面。通过育种值分析，确定10号家系为优良家系，证明了无人机技术在大规模林木遗传评估中的实际应用价值，为湿地松的精准育种提供了重要支持[46]。

改进与创新之处：与前人研究相比，本研究的主要改进包括：飞行高度与传感器性能的综合对比分析，揭示了RGB和LiDAR相机在不同高度下测量精度的差异，填补了此类工作的空白；引入GAM模型预测湿地松胸径，突破了传统方法仅依赖树高的局限性，提升了预测精度；无人机高通量技术与遗传力评估的结合，实现了湿地松生长性状的高效、精准测量，推动了基于表型数据的林业育种新方向。

NOTES

^*通讯作者。