《Agriculture Communications》:Dynamic analysis of canopy coverage traits and their genetic basis in wheat under multiple environments
编辑推荐:
研究人员利用无人机(UAV)表型平台对小麦重组自交系(RIL)群体的冠层覆盖(Canopy Coverage,CC)动态进行追踪,采用超绿指数(Excess Green Index,EXG)从RGB影像中分割植被像元,将各小区CC定义为植被像元占比。为跨年份与
研究人员利用无人机(UAV)表型平台对小麦重组自交系(RIL)群体的冠层覆盖(Canopy Coverage,CC)动态进行追踪,采用超绿指数(Excess Green Index,EXG)从RGB影像中分割植被像元,将各小区CC定义为植被像元占比。为跨年份与水分处理标准化生育进程,研究人员以播种后天数(Days After Sowing,DAS)和活跃积温(Accumulated active Temperature,AT,播种后日平均气温高于0?°C的累计值)为时间轴,用四阶/三阶多项式拟合CC曲线,并导出31个时序性状:DAS类含8个CC值与前后期增量(如D 40–20),AT类含8个CC值与区间增量(如A 300–100),以及最大CC(MAXCC)和达最大CC所需AT(MAXAT)。研究人员通过主成分分析(Principal Component Analysis,PCA)构建DAS派生综合特征DD与AT派生综合特征AA,并用以预测开花期;随机森林(Random Forest)在基因型水平划分训练/独立测试集,经递归特征消除(Recursive Feature Elimination,RFE)与网格调参,实现开花期预测。结果表明,DD与AA类特征可准确预测开花时间,早期CC动态反映植株活力与发育速率。研究人员对31个时序CC性状进行QTL定位,揭示CC动态遗传基础;PCA与基因型×环境互作(Genotype?×?Environment,G×E)双标图(GGE biplot)用于评价多环境下基因型表现。该研究将高吞吐表型、环境因子与遗传定位整合,说明早期冠层快速建成为小麦避灾、节水及后茬种植提供育种依据,CC动态可作为连接早期发育与产量稳定性、胁迫适应的桥梁。
研究背景方面,冠层覆盖(Canopy Coverage,CC)指绿色植被覆盖地表的面积比例,是反映小麦生长状态、光合能力和环境适应性的重要农艺性状。拔节前CC动态可提供植株活力与适应性信息,在气候变率增强背景下,早发类型有助于规避生育后期渍害、利于玉米等后茬适期播种,也可通过近地面增温减轻冻害,并通过减少土壤蒸发提升雨养小麦水分利用效率。传统CC与花期监测劳动密集、规模受限;无人机(Unmanned Aerial Vehicle,UAV)高吞吐表型可高效提取CC,但阈值法受光照与背景干扰,机器学习法需大量训练资源,可见光指数法(如EXG)简便但在复杂条件下仍有局限。发育性状受基因型、环境与管理耦合影响,积温(Accumulated active Temperature,AT)、湿度、辐射等必须纳入分析。随机森林(Random Forest)可刻画非线性高维关系,数量性状位点(Quantitative Trait Locus,QTL)定位则支撑分子育种,但将UAV表型、环境时间序列与QTL联合解析CC动态及花期关系的研究仍较少。论文发表于《Agriculture Communications》。
关键技术方法上,材料为Zhongmai 578(ZM578)× Jimai 22(JM22)衍生的262个F8重组自交系(Recombinant Inbred Line,RIL),另设6个ZM578背景对照品种;于河南新乡两季(2022–2023、2023–2024)设全灌、限灌、无灌等水分处理。UAV采用DJI Phantom 4与Mavic 3M获取RGB影像,Pix4DMapper与ArcGIS做正射与EXG二值分割算CC;以DAS与AT拟合CC曲线导出31个性状;用PCA得到DD/AA综合指标;R语言factoextra与GGEBiplot做PCA和GGE双标图;Python scikit-learn以基因型分层划分861训练/219独立测试样本,RFE选特征,RandomForestRegressor预测开花期;混合线性模型估最佳线性无偏估计(Best Linear Unbiased Estimation,BLUE)并做QTL定位。
研究结果部分,Materials and methods中,研究人员明确群体、环境、气象变量、UAV飞行表、EXG分割流程、DAS/AT拟合函数与31个表型、PCA/GGE框架、机器学习流程及BLUE+QTL统计模型。Multivariate analysis of canopy coverage traits中,研究人员按DAS派生与AT派生分组标准化,PCA显示DD、AA分别压缩时序信息,GGE双标图揭示“何种环境何基因型占优”及均值—稳定性关系,说明CC动态具有明显G×E结构。Machine learning-based prediction of flowering time中,研究人员用DAS特征、AT特征及二者融合集预测开花期;基因型水平拆分避免信息泄漏,RFE保留70%特征,随机森林调参后以R2与RMSE评价,DD与AA特征取得较准确花期预测,证明早期CC时空动态可作发育阶段代理变量。Statistical analysis and QTL mapping中,研究人员对31个CC派生性状估算BLUE,采用含基因型、环境、年份、环境×年份、区组与列效应的混合模型,进而做QTL定位,识别出与CC动态相关的遗传区域,阐明冠层覆盖动态并非单一主效基因控制,而是多位点与环境互作共同塑造。
讨论与结论部分,研究人员指出,UAV表型使CC动态可重复量化,DAS与AT双时间轴弥补了单纯日历时间忽略积温的缺陷;DD与AA将高维时序压缩为可解释综合性状,既能评价多环境稳定性,又能预测开花期,对早熟、避灾、节水型小麦选育有直接价值。QTL定位结果将表型动态落实到基因组区间,为标记辅助选择提供靶标。结论可译为:研究人员通过无人机表型跟踪小麦RIL群体冠层覆盖动态,以DAS与AT构建时序性状,利用PCA得出DD与AA综合特征,证实DD和AA可准确预测开花期;早期CC动态支撑小麦育种与适应评价;QTL分析揭示了CC动态及其与发育性状关系的遗传基础,说明整合高吞吐表型、环境积温信息与遗传定位,可把早期冠层发育、开花节律和基因型×环境稳定性连接起来,为气候不确定条件下的小麦遗传改良提供可量化路径。