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(jī)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(jī)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(jī)（UAV）上的RGB相機(jī)，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(diǎn)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(qiáng)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。可以看出，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(jī)的高通量且易于實(shí)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(qiáng)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(jī)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(jī)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(jī)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(diǎn)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(diǎn)。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(jī)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(shí)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(diǎn)新刊項(xiàng)目、2024年入選江蘇科技期刊卓越行動計劃領(lǐng)軍期刊項(xiàng)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