基于成像传感器的高通量表型分析（HTP）已成为弥补基因型-表型差异的重要工具。高度解析植物动态生长发育等复杂性状、量化其在植物不同生长阶段的组分性状对解析生物量、产量的遗传基础具有重要意义。

近年来，基于RGB图像的生物量预测模型得到了迅速发展。然而，构建一个在不同数据集之间表现稳定的模型是非常具有挑战性的。本研究利用小麦Ra3765和HD2329重组自交系（RILs）的RGB和近红外（NIR）图像，基于来自RGB、NIR传感器和机器学习模型的多模态图像对小麦生物量和叶面积进行无损测量。其中，将几何特征、RGB指数、RGB颜色类别和NIR特征的基于图像的性状（i-Traits） 分为结构特性和生理性状。本文共选择77个i-Traits用于生物量的量化，包括35个结构特征和42个生理性状。

研究表明，利用16个机器学习模型可以从RGB和NIR图像中准确地预测与生物量相关的不同性状，如鲜重、干重和地上部面积。另外，将模型应用于连续两年的试验数据，发现测量精度相似，这表明了模型的普适性。 所有与生物量相的关性状均能以90 %左右的精度被估测。其中，模型BLASSO在所有性状和试验中的表现相对稳定且精度较高。基于i-Traits的量化分析发现，生物量积累的决定因素包括结构特性和生理性状。

本文结果将有助于小麦生物量积累主要决定因素的鉴定和遗传基础解析，大大提高了植物生物量的非侵入性高通量估测精度。

图1 实验地点和设置的图形表示。

图2 i-Traits 生物量预测的数据分析和建模管道。

图3 两个实验（实验1和实验2）通过表型分析表征所有i性状。

图4 跨实验中 i-Traits 性状之间的性状相似性评估。

图5 计算每个实验中的皮尔逊相关系数（PCC）以评估i-性状与手动性状之间的关系。

图6 在HTPmod中使用predmod对具有i-Traits的地上植物生物量（AGPB）进行无损估计。

图8 使用i-Traits对拍摄区域进行无损估计。

图9 回归模型中使用的预测能力和特征（i-特征）的相对重要性估计。