水涝是世界上许多产区，如美国、东南亚和巴西南部，频繁发生的环境胁迫，降低了大豆的生长和粮食产量。在这些地区，大豆经常与水稻轮作种植在低洼地区，这提供了许多技术、经济和环境上的效益。在此背景下，鉴定最重要的光谱变量用于选择更耐淹的大豆基因型是植物表型组学的主要需求。使用无人机（UAV）上安装的多光谱传感器可以获得更快速和更可靠的结果。因此，本研究旨在确定基于无人机的多光谱植被指数来表征大豆基因型对淹水胁迫的响应，并基于表型组学分析预测耐淹性评分、相对成熟度、生物量和籽粒产量的最佳线性模型。48个大豆品种分别在两个环境（淹水和非淹水）中种植。在淹水后13、38和69天以及收获时进行地面评估和无人机图像采集，分别对应物候期V8、R1、R3和R8。对数据进行方差成分分析和遗传参数估计，并对每个感兴趣的农艺变量进行逐步回归。研究结果表明，植被指数在选择更耐淹基因型的适宜性方面表现不同。使用这种方法，表型组学分析有效地识别了具有高的遗传力、准确性和遗传变异（> 80%）的指数，如MSAVI，NDVI，OSAVI，SAVI，VEG，MGRVI，EVI2，NDRE，GRVI，BNDVI和RGB指数。此外，基于表型组学估计的遗传数据预测的变量的决定系数在0.90以上，从而减少了线性模型中重要变量的数量。

图1  2022/23生长季对48个大豆基因型进行2个环境(淹水或非淹水)的定位

和试验设计

图2  视觉评定量表

参考耐水淹评分（FTS），1：无受害症状，9：样本地内所有植物死亡

图3  在本研究中使用程序的工作流程图

表1  用于大豆基因型分析的植被指数（VIs）

表2  使用限制最大似然法（RELM）对48种大豆基因型在两种环境下进行的偏差分析

（p < 0.05）

Gen：基因型效应；G×E：基因型-环境相互作用的影响。HEI_e：估计高度；HEI_o：观察高度；N_leaf：叶片组织中的氮；Plants_L：收获时有豆荚的植物；Plants_M：死植物；TGW：千粒重；GY：粮食产量。

表3  方差成分分析和估计遗传参数

σ2P：表型方差；H2：广泛遗传力；GEIr2：基因型x环境交互作用；h2mg：基因型的平均遗传力；Ac：准确性；rgloc：环境之间的基因型关系；Cvg：遗传变异系数；CVe：误差变异系数。

图4  基于预测遗传数据的MSAVI指数的BLUP分析

图5  基于预测遗传数据的MGRVI指数的BLUP分析

图6  基于预测遗传数据的RGB指数的BLUP分析

图7  基于预测遗传数据的EXG指数的BLUP分析

图8  基于预测遗传数据的植物高度（cm）的BLUP分析

图9  基于预测遗传数据的枝叶生物量（kg ha⁻¹）的BLUP分析

图10 基于预测遗传数据的粮食产量（kg ha⁻¹）的BLUP分析

根据BLUP分析，品种DM66I68、TMG2165、CZ26B12、FTR3165、BRMX64I61和GH5993 IPRO在淹水条件下表现出最高的植被指数MSAVI、MGRVI、RGB index和EXG。这些基因型的平均植物高度、枝叶生物量和粮食产量也较高，分别为60 cm、2000 kg ha⁻¹和1000 kg ha⁻¹。

表4  多线性模型的变量预测（逐步法）

图11  观察与预测遗传数据之间的关系（RELM-BLUP分析），

使用线性模型计算抗涝评分FTS（a），枝叶生物量（b）和粮食产量（c）

发现预测耐淹评分（FTS）的决定系数是预测性状中最低的（0.78）。枝叶生物量和籽粒产量的决定系数均在0.9以上，其变异程度取决于所用数据的（利用RELM - BLUP进行遗传估计）和表型值（直接从野外采集）。

通过使用具有更大遗传力和较低环境效应的植被指数（如MSAVI、NDVI、SAVI、OSAVI、VEG和MGRVI），可以应用嵌入无人机（uav）的多光谱传感器进行高通量表型分析。这使得能更快更准确的选择具有更强的耐受性的大豆基因型，在这种选择中使用的通常方法，如耐受性评分或破坏性地上部生物量样本，是耗时和费力的。从这个意义上说，本研究中显示的工具和VIs可以以一种互补的方式用于植物育种计划，包括用于预测变量和基因型选择。