近年来，利用高分辨率图像对大田作物进行表型分析已经成为一个热门的研究领域。冠层光谱反射率已被证明与籽粒产量(Grain Yield，GY)和生物量等重要性状相关。本研究评估了挪威小麦育种项目中利用多光谱成像数据预测生育后期性状的潜力，并与基因组预测(Genomic Prediction, GP)结果进行了比较。表型预测(Phenomic Prediction, PP)涉及光谱波段、多光谱关系矩阵(M矩阵)和植被指数(VIs)；GP涉及基因组关系矩阵。通过环境和基因型-环境互作效应扩展到多核预测因子，并与多光谱反射率数据互补。本研究应用了两种不同的模型，包括PLSR (Partial Least Squares Regression，偏最小二乘回归)和贝叶斯基因组最佳线性无偏预测回归。

结果表明，不同的数据采集时期影响多光谱数据与实测性状之间的相关性，进而影响性状预测精度。相关性越高，PP预测精度越高。较植被指数，光谱波段和M矩阵分别在不同时间时期和所有时期对籽粒产量的预测精度高10% ~ 40%。单核GP模型比PP分别提高了28%(使用Bayesian)和29%(使用PLSR)。多核GP模型比集成的光谱数据预测GY提高了4%。在成熟期，表型组学方法优于单核基因组预测。

本研究通过与基因组标记比较，探讨了低成本的多光谱图像用于小麦产量和生育期性状预测的潜力，同时强调了表型与光谱数据之间的相关性、组合核和模型选择对预测精度的重要性。

图1. 光谱反射率、植被指数（VIs）计算流程及预测核和预测模型概述(a)，以及一种环境外交叉验证方案(b)。E，环境；G，基因组关系矩阵；GBLUP，基因组最佳线性无偏预测；GE，环境互作基因型；PLS，偏最小二乘。

图2. 两年两点288个基因型的最佳线性无偏估计(BLUE)的相关矩阵：(a)籽粒产量(GY)直方图以及四个环境之间的相关性；(b)成熟期(DM)直方图以及环境之间的相关性。

图3. 光谱波段(a)和植被指数（VIs）(b)在不同环境、不同生育时期的遗传力。 

图4. 通过不同的预测因子和贝叶斯回归对籽粒产量 (a)和成熟期(b)进行基因组预测。每个条形图代表了四种测试环境在留一环境外测试时的预测结果。E，环境；G，基因组关系矩阵；GE，基因型与环境互作。

图5. 通过不同的预测因子和偏最小二乘回归对籽粒产量(a)和成熟期(b)进行基因组预测。每个条形图代表了四种测试环境在留一环境外测试时的预测结果。E，环境；G，基因组关系矩阵；GE，基因型与环境互作。