基于NDVI的异质环境条件下稳定和抗逆性强的小麦基因型筛选-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

基于NDVI的异质环境条件下稳定和抗逆性强的小麦基因型筛选

发布时间：

2025-03-29

来源：

作者：

鉴于气候变化，特别是在生长条件多样化和极端非生物胁迫的环境中，产量稳定性对粮食安全越来越重要。然而，在育种的早期阶段很少对稳定性进行调查，部分原因是对选择决策所需的次要性状的识别不足。本研究的目的是开发一种基于NDVI的表型，能够识别在异质环境下生长的普通小麦（T.aestivum）的产量适应性特征，包括氮（N）缺乏和极端干旱的条件。在加利福尼亚州（美国）主要小麦种植区三个季节进行的26项试验中，在高度可变的生产环境中测量了25种常见小麦基因型的产量。基于无人机的多时相NDVI测量值是从单个位置-年-环境组合中记录的（n=3/26，以下简称：代表性环境，即“RepEnv”），并结合起来形成每个基因型的4部分季节性反射表型。从这些表型中开发出群体型，以鉴定平均产量、缺氮和极端干旱胁迫条件下的产量适应性性状。RepEnv中测量的表型和产量用于预测全州产量稳定性结果，并在基因型水平上识别适应性性状。尽管产量和产量稳定性呈负相关，但高产和高产稳定性的理想类型部分一致，与低产和低稳定性理想类型相比，早季活力有助于高产和产量稳定性（分别为p=0.02和0.20）。然而，晚季生长模式区分了高稳定性和低稳定性，以及产量对氮缺乏的适应性和极端干旱胁迫。在基因型水平上，使用基于NDVI的表型对稳定性进行的交叉验证预测与单独观察值（p=0.07）和与RepEnv中的产量测量值相结合时（p=0.01）均呈线性相关。此外，观察到的稳定性值和表型预测的稳定性值之间的定量关系使得能够识别具有适应性特征的基因型，包括正偏差。开发的基于无人机的4部分NDVI表型是一种有用的、低成本的工具，可以支持在异质环境条件下选择稳定和抗逆性强的小麦基因型，促进高效育种，促进长期粮食安全。

图1 加利福尼亚州（美国）地图，标明了研究地点和主要小麦种植区（深灰色阴影区域）。字母表示独特的位置，每个点的大小对应于在每个位置进行的试验数量。极端干旱试验用黄色点表示；青色表示氮缺乏试验。

图2 基于NDVI表型发展的视觉解释。图水平NDVI（A）和rNDVI（B）表示为研究中所有生长季节和基因型的生长度日（GDD）的函数。基因型水平表型表示为rNDVI与Feekes发育阶段平均值的百分比差异（C）。A和B中的每个点都是一个单独的绘图测量值。C中的每个点都是从混合线性模型中得出的三个季节中每个基因型的估计边际平均值（±标准误差）。

图3 基因型产量稳定性估计。基因型群体（n=25）的最大和最小（实线、黑线）产量稳定性（方程式1），以及五种说明性基因型（UC 1680、UC 1723、UC 1743、UC 1751和UC 1878）的稳定性估计。在研究中所有基因型共享的20个环境中，说明性基因型的平均产量（±标准误差）在每个环境指标（平均现场产量）上以不同的形状和颜色表示。

图4 从数据源到rNDVI表型和视频类型的分析工作流程。

图5 产量稳定性是每个基因型平均产量（kg ha−1）的函数。产量和产量稳定性分组分别由符号颜色和形状表示，并注明说明性基因型。

图6 产量和产量稳定性的理想型，如产量（A）和产量稳定性（B）分组的四个发育阶段内的分组rNDVI值所示。每个点代表给定生长阶段视频类型的rNDVI与总体平均值（±SE）的差异。蓝绿色虚线表示产量或产量稳定性观察值上四分位数的估计边际均值，而紫色实线表示下四分位数。

图7 缺氮（A）和极端干旱胁迫（B）条件下产量的理想型，如四个发育阶段内的群体rNDVI值所示。每个点代表给定生长阶段视频类型的rNDVI与总体平均值（±SE）的差异。

图8 研究中存在的每种基因型的rNDVI表型。表型代表四个发育阶段的估计边际平均rNDVI值。每个点代表给定生长阶段基因型的rNDVI与群体平均值（±SE）的差异。

图9 使用rNDVI表型（A）、RepEnv产量（C）或其组合（E）作为预测因子的线性模型得出的交叉验证产量稳定性（%）预测（见方程式A.2）。还描绘了这三个模型的预测值和观测值之间的误差直方图（B、D、F），对于误差≥7%的模型，组合模型（E）中的观测值≤7%，用绿色与灰色表示。E中误差在7%以内的说明性基因型用蓝色轮廓表示，而误差较大的基因型用红色轮廓表示。