利用作物生長動態(tài)在育種田中對雙親雜交甜菜進(jìn)行高通量產(chǎn)量預(yù)測

Plant Phenomics | 利用無人機獲取的生長動態(tài)在育種田中對雙親雜交甜菜進(jìn)行高通量產(chǎn)量預(yù)測

甜菜（Beta vulgaris L.）是溫帶地區(qū)重要的糖料作物，盡管近幾十年種植面積有所減少，但通過利用雜種優(yōu)勢等育種技術(shù)，其產(chǎn)量顯著提升。雜種優(yōu)勢使甜菜后代比其親本表現(xiàn)出更高的生物量、發(fā)育速度和繁殖力。為了更好地估計遺傳與非遺傳效應(yīng)，并量化雜種表現(xiàn)，育種者采用雙向雜交分析等工具。近年來，高通量表型分析技術(shù)如無人機和多光譜成像的應(yīng)用，有助于捕捉作物生長動態(tài)，如葉面積指數(shù)（LAI）和作物生長速率（CGR），從而加速甜菜遺傳-環(huán)境互作的研究及優(yōu)良品種的培育。

2024年6月，Plant Phenomics 在線發(fā)表了Hokkaido Agricultural Research Center等多家單位合作完成的題為High-Throughput Yield Prediction of Diallele Crossed Sugar Beet in a Breeding Field Using UAV-Derived Growth Dynamics 的研究論文，本研究開發(fā)一種高通量方法，通過精確捕捉冠層覆蓋和高度動態(tài)，來預(yù)測小區(qū)育種田中的甜菜根重（RW）和糖含量（SC）。

Kazunori Taguchi 等人使用安裝在無人機（UAV）上的RGB相機，在三個季節(jié)內(nèi)，每個季節(jié)收集包含20個基因型的小面積育種田的甜菜冠層覆蓋率（CC）和冠層高度（CH）的時間序列數(shù)據(jù)。每次飛行都生成數(shù)字正射影像圖和數(shù)字表面模型，并將其轉(zhuǎn)換為單個小區(qū)級別的數(shù)據(jù)。以單個小區(qū)為基礎(chǔ)計算了CC和CH的數(shù)據(jù)，構(gòu)建了一個多元回歸模型，該模型利用單個時間點的CC和CH數(shù)據(jù)來預(yù)測根重（RW）和糖含量（SC），在三個季節(jié)中的預(yù)測相關(guān)系數(shù)分別為0.89、0.89和0.92，以及0.79、0.83和0.77。六月底的個體CC和CH值傾向于成為RW和SC的強預(yù)測因子，表明生長季早期的生長對獲得較高的RW和SC至關(guān)重要。

圖1 雙列雜交中的多元回歸(2018、2020和2021)。CC和CH的每個DAT組合的RW(上圖)和SC(下圖)的決定系數(shù)(R²)。

圖1展示了不同日期組合下的CC和CH與RW或SC之間的相關(guān)性。對于RW，相關(guān)性最高是在大約6月后期左右，但在2018年，CH的相關(guān)性在130之后最高。對于SC，相關(guān)性峰值出現(xiàn)在6月至7月后期之間。

圖2 雙列雜交中的多元回歸(2018、2020和2021)。為CC和CH的每個DAT組合計算的RW和SC積分的決定系數(shù)(R²)

圖2展示了在不同日期（DAT）上，使用CC和CH預(yù)測的RW和SC的相關(guān)性�？梢钥闯�，隨著日期的增加，預(yù)測的準(zhǔn)確性逐漸降低。在約60至140天期間，預(yù)測的RW通常具有相對穩(wěn)定的較高相關(guān)性（R²在0.7到0.8之間），而對于SC，預(yù)測的相關(guān)性在早期階段（60到80天）略高，達(dá)到R²在0.29到0.56之間。

該研究開發(fā)并演示了一種基于無人機的高通量且易于實施的技術(shù)，利用作物生長動態(tài)來估算根重和糖產(chǎn)量。這一簡單而穩(wěn)健的方法可以通過提供收獲前的選擇標(biāo)準(zhǔn)來增強育種者的決策能力，適用于田間所有品系，從而減少繁瑣的手動測量需求。此外，該無人機方法還可以擴(kuò)展到指導(dǎo)生產(chǎn)田中的精準(zhǔn)施肥。

論文鏈接：
https://doi.org/10.34133/plantphenomics.020‍9

——推薦閱讀——
IHUP: An Integrated High-Throughput Universal Phenotyping Software Platform to Accelerate Unmanned-Aerial-Vehicle-Based Field Plant Phenotypic Data Extraction and Analysis
https://doi.org/10.34133/plantphenomics.0164
Plant Phenomics | 華中農(nóng)業(yè)大學(xué)開發(fā)了基于無人機平臺的大田作物表型數(shù)據(jù)提取和分析平臺
UAV-assisted dynamic monitoring of wheat uniformity toward yield and biomass estimation
https://doi.org/10.34133/plantphenomics.0191
Plant Phenomics | 南農(nóng)農(nóng)學(xué)院聯(lián)合前沿交叉研究院提出基于無人機圖像田間小麥生長均勻度的定量化方法

加入作者交流群
掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics
《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為7.6，位于農(nóng)藝學(xué)一區(qū)（1/125名），植物科學(xué)一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領(lǐng)軍期刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：靳松（南京農(nóng)業(yè)大學(xué)）
編輯排版：王平、陳新月（浙江大學(xué)）
審核：尹歡、孔敏