建立能够对具有全球经济利益的作物（如大豆和玉米的粮食产量（grain yield，GY））的复杂农艺性状进行表型评估的模型，对于提高育种计划的效率至关重要。从这个意义上说，了解农艺变量与高通量表型分析（high-throughput Phenotyping，HTP）获得的变量之间的关系对实现这一目标至关重要。我们的假设是，从HTP得到的植被指数（vegetation indices，VIs）可以用来间接测量一年生作物的农艺变量。目的是研究玉米和大豆基因型的农艺变量与遥感获得的VIs之间的关系，并确定将VIs作为模型输入来预测这些作物的GY的计算智能。在2020/2021、2021/2022和2022/2023作物季对30个玉米基因型进行了比较试验，在2021/2022和2022/2023作物季对32个大豆基因型进行了比较试验。在所有试验中，在R1阶段使用配备多光谱传感器的无人机Sensefly eBee进行飞越，以获取绿色（550 nm），红色（660 nm），近红外（735 nm）和红外（790 nm）波长的冠层反射率，用于计算评估的VIs。评价玉米作物的农艺性状为：叶片含氮量、株高、首穗高和GY；评价大豆作物的农艺性状为：成熟期、株高、首穗高和GY。变量之间的关联通过相关网络表达，为了确定哪些指标与所评估的每个性状最相关，进行了通径分析。最后，采用玉米和大豆试验中各变量之间存在因果关系的VIs作为独立解释变量，采用多元回归模型（multiple regression model，MLR）和人工神经网络（artificial neural network，ANN）进行分析，从中选出10个能同时预测每种作物评价的所有农艺变量的最佳拓扑。研究结果表明，VIs可以用来预测玉米和大豆的农艺变量。土壤校正植被指数（Soil-adjusted Vegetation Index，SAVI）和绿色归一化差异植被指数（Green Normalized Dif-ference Vegetation Index，GNDVI）对玉米的所有农艺变量均有较高的正向影响，而归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）和归一化差异红边指数（Normalized Difference Red Edge Index，NDRE）对大豆的所有变量均有较高的因果关系。ANN优于MLR，在使用通径分析选择的VIs作为输入预测农艺变量时提供更高的准确性。未来的研究应进一步评估植物的其他性状，如生理或营养性状，以及不同的光谱变量，以期深入了解植物性状与光谱变量之间的因果关系。这些研究可以在性状水平上提供更具体的HTP。

图1  利用Pearson相关网络对30个玉米基因型的叶片氮素（NL）、穗高（EIH）、株高（PH）、籽粒产量（YG）和植被指数（NDVI、SAVI、GNDVI、NDRE、SCCCI、EVI和MSAVI）进行了评价。

图2  通过通径分析，评价了30个玉米基因型3个作物季植被指数（NDVI、SAVI、GNDVI、NDRE、SCCCI、EVI和MSAVI）对叶片氮素（NL）、穗高（EIH）、总高（PH）和籽粒产量（GY）的直接影响。

图3  利用Pearson相关网络评价了32个大豆基因型2个作物季的日数成熟度（DM）、首荚高（PIH）、株高（PH）、籽粒产量（YG）和植被指数（NDVI、SAVI、GNDVI、NDRE、SCCCI、EVI和MSAVI）之间的关系。

图4  通过通径分析，评价了32个大豆基因型2个作物季植被指数（NDVI、SAVI、GNDVI、NDRE、SCCCI、EVI和MSAVI）对日数成熟（DM）、首荚高（PIH）、株高（PH）和籽粒产量（YG）的直接影响。

图5  以NDVI和NDRE植被指数为输入，选取10个最佳人工神经网络的观测值与预测值之间的Pearson相关性和多元线性回归（MLR）对大豆日数成熟度（DM）、首荚高（PIH）、株高（PH）和籽粒产量（GY）进行预测。

图6  以NDVI和NDRE植被指数为输入，对10个最佳人工神经网络的观测值与预测值的均方根误差（%）和多元线性回归（MLR）对大豆日数成熟（DM）、首荚高（PIH）、株高（PH）和籽粒产量（GY）进行预测。