大豆的高通量作物表型分析(High-throughput crop phenotyping，HTP)已被用于估计种子产量，准确度不同程度。该领域的研究通常使用不同的机器学习方法来预测基于作物图像的种子产量，并着重于分析。另一方面，相当一部分大豆育种界仍然依靠简约性线性方法来联系冠层性状和种子产量。本研究试图解决先前建模方法中固有的可解释性、范围和系统理解方面的局限性。利用经验和模拟数据相结合的方法来扩大实验足迹，并探索遗传(G)、环境(E)和管理(M)的综合效应。使用灵活的函数，而不假设冠层性状和种子产量之间存在预先确定的响应。大豆成熟期、营养期和繁殖期持续时间、收获指数、潜在叶片大小、植树期和植物种群等因素影响着冠层-种子产量关系的形态以及进行高产基因型选择的冠层最优值。这项工作表明，如果考虑类似的建模方法，HTP在大豆育种计划中的改进应用是有途径的。

图1  考虑到A) CC是模型中唯一的平滑项(偏差解释=30%)，B)添加mg作为影响响应曲线的一个因素(偏差解释= 34%)，CC和种子产量拟合了在堪萨斯州生长的后代行的关系。

图2  考虑到A) LAI是模型中唯一的平滑项(偏差解释= 8%)，B)行间距和背景作为影响响应曲线的因素(偏差解释= 75%)，LAI和种子产量拟合了在爱奥华生长的SoyNAM基因型的关系。

图3  考虑到所有管理方案(n= 24)和基因型[n= 117 (BIA)， 171 (MKS)和216 (NPN)]，种子产量和LAImax对模拟数据进行了拟合。作物变量是20年的平均值。该模型解释的偏差为48% (BIA)， 55% (MKS)和12% (NPN)。

图4  考虑基因型[n= 351 (BIA)、513 (MKS)和648 (NPN)]，在特定的管理选择(05- 5月种植日期、0.76 m行距和30株m-2)下，按成熟度类别分组，种子产量和LAImax拟合了模拟数据的关系。作物变量是20年的平均值。该模型解释的偏差为78% (BIA)， 88% (MKS)和69% (NPN)。

图5  考虑基因型[n= 351 (BIA)、513 (MKS)和648 (NPN)]，在特定的管理选择(05- 5月种植日期、0.76 m行距和30株m-2)下，按HI和叶片大小分组，种子产量和LAImax拟合了模拟数据的关系。作物变量是20年的平均值。模型解释的偏差为98% (BIA)， 96% (MKS)和95% (NPN)。

图6 考虑基因型[n= 117 (BIA)， 171 (MKS)和216 (NPN)]以及按种植日期，行距和植物种群分组的管理方案，种子产量和LAImax拟合了模拟数据的关系。作物变量是20年的平均值。该模型解释的偏差为63% (BIA)， 66% (MKS)和78% (NPN)。