学术中心
用于建模和预测玉米衰老的计算框架:融合无人机表型分析、逻辑增长模型与基因组学
发布时间:
2025-07-14
来源:
作者:
图1 (a)生长周期内基于种植后天数(DAP)标注的14次无人机航测时间点(红色数字),其中后五次航测(85、91、100、111和128 DAP)生成的正射影像图用于时序衰老评估;(b)试验区域正射影像图及局部放大图,展示试验小区中衰老(褐色)与绿色植株行的表型差异。
图2 基于随机完全区组设计(RCBD)的试验小区时序衰老进程可视化(85至128 DAP)。行、列及四次重复布局下,植株行颜色从绿色(0%衰老)渐变至褐色(100%衰老),并包含三个重组自交系群体(Ki3/NC356、LH82/LAMA和Tx740/NC356)。
图3 基于逻辑增长模型的时序衰老建模。(a)选取两个衰老进程差异显著的RIL示例;(b)逻辑增长模型拟合结果(圆圈为公式(1)计算值,三角形为模型预测值);(c)基于固定70%衰老阈值计算衰老天数(DTSE);(d)籽粒灌浆期(GFP)定义为吐丝天数(DTS)与DTSE之间的间隔时长。
图4 玉米田间试验的方差分解、遗传力及空间变异分析。(a)方差组分:堆叠条形图展示三个群体(Ki3/NC356、LH82/LAMA和Tx740/NC356)在不同时间点的基因型方差(varGen)、列方差(varCol)、行方差(varRow)及残差方差(varRes)贡献;(b)时序遗传力:折线图呈现三个群体随时间变化的遗传力估计值,关键时间点标注具体数值;(c)二维样条空间变异热图:基于选定时间点的空间坐标(行与列)绘制,颜色梯度表示变异程度(暖色为高变异,冷色为低变异)。
图5 时序衰老进程、相关性衰减及性状遗传效应。(a)基于最佳线性无偏预测值(BLUPs)的逻辑增长模型拟合时序衰老进程箱线图,展示三个RIL群体(Ki3/NC3S6、LH82/LAMA和Tx740/NC356)在五次航测时间点的衰老百分比(R² = 0.99 ± 0.01);(b)衰老进程相关性衰减:散点图及拟合曲线展示时间间隔(天数)与衰老进程相关系数的关系;(c)开花期(DTA、DTS)、衰老天数(DTSE)、籽粒灌浆期(GFP)及逻辑增长模型参数(scal、xmid)的基因型效应值。
图6 逻辑增长模型驱动的基因组模型(M1)与基因组-表型组联合模型(M2)在四类预测场景下的表现:已测试RILs+已测试时间(CV1)、未测试RILs+已测试时间(CV2)、已测试RILs+未测试时间(CV0)、未测试RILs+未测试时间(CV00)。
图7 模型M1(基因组)与M2(基因组+表型组)对六类性状的预测能力比较,包括开花期(DTA、DTS)、衰老天数(DTSE)、籽粒灌浆期(GFP)、衰老曲线陡度(scal)及最大增长率时间(xmid)。M2整合了28至83 DAP无人机获取的植被指数(NGRDI与ExR)表型组数据,误差线表示预测能力标准误差。
Adak A, DeSalvio A J, Murray S C. A computational framework for modeling and predicting maize senescence: integrating UAV phenotyping, logistic growth, and genomics[J]. Computers and Electronics in Agriculture, 2025, 237: 110471.
编辑
王永贤
推荐新闻
视频展示