分享一篇河南大學小麥研究團隊關于利用無人機技術結合機器學習進行小麥抗旱性評價的研究成果于2025年5月28日在中科院一區(qū)TOP期刊Computers and Electronics in Agriculture，以“Utilizing UAV-based high-throughput phenotyping and machine learning to evaluate drought resistance in wheat germplasm”為題的文章，為小麥抗旱表型評估、利用和育種改良提供了重要參考。
文章鏈接：https://doi.org/10.1016/j.compag.2025.110602
河南大學高通量作物表型分析平臺（HTP）由谷豐光電支持建設。
小麥（Triticum aestivum L.）是全球重要的糧食作物，干旱脅迫是影響小麥生產(chǎn)最嚴重的非生物脅迫之一，對小麥的生長發(fā)育、生理代謝、產(chǎn)量和品質(zhì)都會造成顯著的負面影響。其影響程度取決于干旱發(fā)生的時期、強度、持續(xù)時間和品種的抗旱性。傳統(tǒng)的小麥抗旱性評估方法通常具有破壞性、耗時費力且難以全面反映小麥抗旱性的復雜特征。近年來，無人機遙感技術與機器學習算法的結合為作物田間表型研究帶來了新的機遇，但如何利用高通量光譜數(shù)據(jù)精準量化小麥抗旱性仍是亟待解決的難題。
該研究以主要來自黃淮麥區(qū)的1961至2020年間的Landraces和Cultivars等52份小麥種質(zhì)為試驗材料，利用無人機搭載RGB、多光譜和熱紅外相機采集了在充足灌溉和干旱條件下的小麥7個生育時期（分蘗期、越冬期、返青期、拔節(jié)期、抽穗期、開花期和灌漿期）的大田表型圖像，基于這些圖像數(shù)據(jù)，研究共獲得了206個涉及不同生長階段和不同傳感器類型的光譜指標（圖1）。深入分析發(fā)現(xiàn)，其中127個光譜指標與小麥干旱響應顯著相關，這些指標涵蓋了植被覆蓋度、水分含量、光合效率、生物量等多個生理維度，除了已被報道的一些干旱指標如過綠指數(shù)（ExG）外，研究還揭示了大量新的干旱相關性狀，為指導大田抗旱育種提供了豐富的表型參數(shù)。
圖1 利用多種傳感器監(jiān)測大田小麥干旱表型
為了探究基于無人機的127個光譜指標與傳統(tǒng)農(nóng)藝性狀之間的關系，本研究同時人工調(diào)查了11個傳統(tǒng)性狀，包括株高、穗長、穗粒數(shù)、粒長、粒寬、千粒重等。結果發(fā)現(xiàn)，大多數(shù)無人機光譜指標與分蘗數(shù)、株高等性狀顯著相關，能夠有效反映小麥在干旱條件下的外部形態(tài)變化。同時，研究發(fā)現(xiàn)了10個與籽粒表型相關（粒寬、粒長等）的光譜指標，其中包括3個重要的基于RGB圖像的新型干旱指標—植被顏色指數(shù) (CIVE)、紅綠藍指數(shù) (RGBI) 和過綠減過紅指數(shù) (ExG_ExR)。這3個光譜指標不僅與籽粒性狀密切相關，與葉綠素含量也高度相關，可以有效反應小麥在干旱脅迫下的生長狀態(tài)和光合能力。此外，對不同年代材料的比較分析還發(fā)現(xiàn)，在水分充足條件下，現(xiàn)代品種的株高較早期年代顯著降低，平均下降19.17%，這一趨勢在近60年的選擇育種過程中持續(xù)存在。而在水分虧缺條件下， 2001-2020年期間育成的小麥品種較1961-1980年的品種在粒寬和千粒重方面分別提高了15.19%和24.35%，在分蘗數(shù)、穗長、總小穗數(shù)上并沒有明顯變化。因此，與這些傳統(tǒng)性狀密切相關的光譜指標在未來進一步提高小麥抗旱性和籽粒產(chǎn)量方面具有重要應用潛力。
研究進一步利用多種機器學習方法（隨機森林、lasso回歸和嶺回歸）對127個光譜數(shù)據(jù)進行深度挖掘，構建干旱條件下產(chǎn)量穩(wěn)定性的預測模型，比較分析顯示，隨機森林的產(chǎn)量估算效果最佳，其次是lasso回歸和嶺回歸。通過隨機森林模型最終篩選出17個光譜指標，這些指標共同解釋了干旱條件下產(chǎn)量穩(wěn)定性變異的48.84%（圖2）?；谶@17個指標的綜合評價D值，從52個基因型中鑒定出1個高度抗旱種質(zhì)和13個抗旱種質(zhì)，并通過田間試驗進一步驗證了預測結果的可靠性。這項研究不僅證實了無人機技術在抗旱性評估中的有效性，篩選出的優(yōu)異種質(zhì)資源為抗旱遺傳改良提供了重要材料，更重要的是建立了一套基于多源數(shù)據(jù)融合和機器學習的抗旱種質(zhì)鑒定新方法，為應對全球氣候變化背景下的小麥抗旱育種提供了創(chuàng)新性解決方案。
圖2 機器學習預測干旱條件下產(chǎn)量穩(wěn)定性
河南大學小麥逆境適應及遺傳改良團隊張震副教授和周云教授為論文的共同通訊作者，博士生朱曉靜、青年教師劉馨、博士生武茜和碩士生劉夢詩為共同第一作者。華中農(nóng)業(yè)大學張建教授，河南省農(nóng)業(yè)科學院胡琳研究員對本研究提供了重要指導和幫助。研究得到了國家重點研發(fā)計劃、河南省自然科學基金、河南省重點研發(fā)計劃、河南省神農(nóng)實驗室重點研發(fā)計劃等項目的資助。
鄂公網(wǎng)安備42018502003245號 網(wǎng)站地圖
