表1 无人机的详细飞行参数。

图1 研究区域的正射影像图和无人机图像采集。(A) 实验区 419 块高地棉田的正射影像图。(B) 无人机系统和集成传感器。(C) 棉花五个时间点的植株高度无人机图像采集方案。

图2 本研究的流程图。(A) RGB 和激光雷达数据的处理步骤。(B) 419 块棉花地块中的每一块都被精确划定。利用第一百分位数和第 95 百分位数之间的差值，从地块 RGB 图像的当季数字地表模型（DSM）中提取 PH 值。PH 值是根据地块激光雷达数据的 DSM 与数字地形模型 (DTM) 之差计算得出的。(C) 基于无人机的 PH 被用于 K-means 聚类和全基因组关联研究 (GWAS)。

图3 利用线性回归和相关分析预测从 RGB 和激光雷达数据中提取的 PH 值。基于 RGB 的 PH 值（A）/基于激光雷达的 PH 值（E）与人工测量 PH 值之间关系的线性回归分析中的三个拟合方程。基于 RGB 的 PH 值（B）/基于激光雷达的 PH 值（F）与人工测量的 PH 值之间的二度多项式回归拟合效果最佳。基于 RGB 的 PH 值预测值（C-D）/基于激光雷达的 PH 值预测值（G-H）与 419 个棉花品种在第 4 和第 5 时间点的人工测量 PH 值线性拟合后的相关性。

图4 使用机器学习方法和相关性分析预测从 RGB 和 LiDAR 数据中提取的 PH 值。(A) 使用 12 种机器学习方法通过 RGB (A)/LiDAR (D) 估算 PH 值。最小角度回归和 Huber 回归在预测 419 个棉花品种在不同生长阶段的 PH 值方面可能具有更大的潜力。基于 RGB 的 PH 预测值（B-C）/基于激光雷达的 PH 预测值（E-F）与 419 个棉花品种在第 4 次和第 5 次分别进行最小角度回归和Huber回归分析后的人工测量 PH 值之间的相关性。

图5 419个棉花品种在不同生长阶段的聚类分析和 PH 动态变化。(A) 不同 k 值的平方和。在斜率变化不明显的情况下（k = 5），选择了最佳集群数。(B) 不同 k 值的差距统计。在差距值最大的地方（k = 5）选择最佳聚类编号。(C) 419 个棉花品种的 K-均值聚类结果，不同颜色代表不同聚类。(D) 基于 K-means 聚类的五个聚类中棉花株高随时间变化的动态。

 图6 五个阶段植株高度（PH）和转录组结果的曼哈顿图和 QQ 图。全基因组关联研究（GWAS）结果的曼哈顿图（A）和 QQ 图（B）基于激光雷达的 PH 预测值，在最小角度回归分析后具有最高置信度。虚线对应的是经 Bonferroni 校正的 p = 1.00 × 10-5 临界值（-log10 p = 5）。箭头表示与 PH 相关的重要数量性状位点。(C）干组织设计示意图。(D) 热图显示 GhPH_UAV1 基因在 pag1 及其野生型中棉 24（ZM24）五个阶段的棉花茎中的表达模式。第 15 天的 ZM24 茎（Z15D）或 pag1 茎（P15D）；第 35 天的 ZM24 茎（Z35D）或 pag1 茎（P35D）；以及第 70 天的 ZM24 茎（Z70D）或 pag1 茎（P70D）。

图7 GhPH_UAV1 基因正向调控棉花茎的发育。(A）Ghicr24_D11G117900（GhPH_UAV1）的基因结构。列出了在棉花品种中观察到的两种单倍型。(B) 根据 GhPH_UAV1 中两个 SNPs 的两个单倍型绘制的不同时间点 PH 的方框图（**P< 0.01，方差分析）。(C) CRISPR/Cas9 载体构建示意图。(D）GhPH_UAV1-OE（过表达）品系茎组织中GhPH_UAV1 的表达。(E）GhPH_UAV1-OE/Cas9 及其野生型（WT）中棉 24（ZM24）的茎高。误差条代表 GhPH_UAV1-OE/Cas9 和 ZM24 的 30 个不同茎的 SD。(F）GhPH_UAV1-OE/Cas9 和 ZM24 茎的表型。条 =20 厘米。(G）GhPH_UAV1-OE/Cas9 植株的茎细胞长度。刻度线 = 50μm。(H）细胞长度统计。数据来自三个独立实验。结果以一式三份实验的平均值 ± SD 表示。统计意义通过单因素方差分析结合 t 检验确定（**P < 0.01，**P < 0.001）。