水分胁迫是全球粮食生产面临的重大挑战。由于气候变化导致降雨模式变得不可预测，从而导致了包括小麦在内的谷物生产中面临前所未有的水分胁迫，而小麦是重要的主粮作物之一。为了在水分胁迫下保持小麦产量，迫切需要开发耐旱小麦品种。为此，在水分胁迫条件下筛选大量与生长和产量相关的小麦基因型至关重要。在本研究中，我们使用了高通量表型分析方法，包括基于无人机( UAV )的多光谱成像，先进的机器和深度学习回归模型。进行了两个独立的田间试验，灌溉和雨养，包括553个小麦基因型，并收集了株高、物候、籽粒产量和时间序列多光谱成像等性状的数据集。无人机多光谱影像的株高测量值与人工测量值具有较高的相关性( R² = 0.75 )。基于多光谱数据的植被指数区分了雨养和灌溉条件下基因型的生长模式，并用于产量预测建模。根据产量指标、胁迫敏感指数和产量损失率，对小麦基因型进行了有效排序，并区分了它们对水分胁迫耐性的响应。重要的是，使用四种机器学习回归算法，即线性回归、支持向量机、随机森林和深度学习H2O-3计算基因型的产量预测，其中H2O-3是最准确的模型，R² = 0.80。结果表明，多光谱驱动的性状结合机器学习模型可以有效地对小麦大群体进行表型鉴定，这些方法可以集成到作物育种计划中，以开发耐水分胁迫的品种。

图1 地图显示灌溉和雨养田间试验的位置

图2 作物生长季的气象数据

作物生长季节的天气数据通常包括在不同播种天数（DAS）下的最低平均气温、最高平均气温和总降雨量等关键指标

图3 无人机系统用于数据采集

( A ) 大疆矩阵100四轴飞行器 ( B )五波段多光谱相机 ( C )校准板

图4 雨养和灌溉试验的物候分布、株高和产量

( A )灌浆天数 ( B )株高 ( C )产量 ( D )千粒重，蓝色条显示灌溉农田，绿色条显示雨养农田，箱线内部的橙色线显示数据的中位数

图5 水分胁迫条件下的基因型排序

( A )产量指标 ( B )胁迫敏感指数 ( C )产量损失率，有5个表现最好(绿色棒)，5个表现中等(蓝色棒)和5个表现最差(红色棒)的基因型

图6 时间序列无人机获取了雨养( RaF )和灌溉( IRR )农田整个作物周期的植被指数

( A )归一化植被指数( NDVI ) ( B )归一化差异红边( NDRE ) ( C )冠层叶绿素含量指数( CCCI ) ( D )作物体积( CV )

雨养和灌溉农田在60 DAS (橘色)、75 DAS (灰色)、90 DAS (浅粉色)、102 DAS (天蓝色)、117 DAS (浅绿色)、136 DAS (深绿色)、151 DAS (橄榄绿)、163 DAS (浅天蓝色)、178 DAS (浅黄色)和192 DAS (深黄色)

图7 无人机导出株高与人工测量株高的回归分析

图8 无人机多光谱数据与人工测量的相关性

( A )雨养雷达图( RaF ) ( B )灌溉雷达图( IRR ) ( C ) RaF相关矩阵 ( D ) IRR相关矩阵

数据收集时间为播种后110天，成熟期天数( DTM )、灌浆天数( DoG )、归一化植被指数( NDVI )、归一化差值红边( NDRE )、冠层叶绿素含量指数( CCCI )、作物体积( CV )

图9 基于试验数据的水浇地和雨养地产量预测

( A )线性回归 ( B )支持向量机回归( SVM ) ( C )随机森林( RF )回归 ( D )深度学习H2O - 3