图1  数据、交叉验证方案和研究因素的示意图。

图2  2012年和2013年所研究性状和波长沿光谱的方差划分。RESIDUAL、ENV、CROSS和GENO代表对表型变异有贡献的因子。黑色的数字是性状的遗传度。

图3  光谱预处理对物候预测能力的影响。预测能力是在CV2情景中使用GBLUP计算的，2012年的训练集规模为1000，2013年为450。字母代表通过Bonferroni方法校正的阈值为5%的成对Wilcoxon检验的结果。GENO =基因组预测，RAW =用原始光谱的现象预测，DER1和DER2 =用光谱的一阶和二阶导数的现象预测，DET =用去趋势处理的光谱的现象预测，SNV =用标准正态变量方法处理的光谱的现象预测。水平虚线处于0值。FLAG =旗叶外观，NIN =节间数，PAN =穗长，PED =花序梗长，PH =株高，STEM=茎长，YIELD=产量。

图4  统计方法对预测能力的影响。预测能力是在CV2方案中计算的，2012年的训练集规模为1000，2013年为450，光谱用SNV预处理。字母代表通过Bonferroni方法校正的阈值为5%的成对Wilcoxon检验的结果。水平虚线处于0值。

图5  训练集大小对预测能力的影响。预测能力是用2012年的数据计算的，在CV2情景中使用GBLUP，光谱用SNV预处理。水平虚线处于0值。

图6  群体结构对预测能力的影响。预测能力使用2012年的数据进行计算，使用GBLUP情景，训练集大小为100，光谱用SNV预处理。水平虚线处于0值。字母代表通过Bonferroni方法校正的阈值为5%的成对Wilcoxon检验的结果。CV1 =内部交叉5重交叉验证，CV2 =内部轮回亲本留一个交叉验证，CV3 =内部轮回亲本交叉验证。

图7  NIRS采集环境对预测能力的影响。使用训练集大小为600的GBLUP和用SNV预处理的光谱计算预测能力。CV2_2012是参考模型，在2012年数据的CV2场景中，训练集中有600个人，光谱用SNV预处理。CV4_2012 =根据2013年数据训练并根据2012年数据验证的模型，CV4_2013 =根据2012年数据训练并根据2013年数据验证的模型。

 图8  波长选择对预测能力的影响。预测能力在CV2情景中使用GBLUP，2012年训练集规模为1000，2013年为450，光谱用SNV预处理。波长随机选择(RAND)，或使用LASSO和PLS模型选择。PHENO_ALL是对所有波长的现象预测，GENO是基因组预测。