干旱胁迫是制约水稻产量的主要因素之一，而在复杂多变的大田环境下进行抗旱育种研究极具挑战，其主因之一是缺乏自动、客观、准确、定量化的表型观测手段。本文采用低空无人机搭载超高清可见光相机的方式，高通量(5分钟约400个小区)、高频次(一天多次采集数据)获取大田动态表型性状，突破了大田水稻干旱表型性状采集的技术瓶颈。

该研究结合深度学习、三维建模等方法计算了水稻卷叶指数、含水量、综合抗旱指数等指标，精确记录和量化了不同材料群体在干旱胁迫下的动态响应过程。在此基础上，将动态表型数据用于全基因组关联分析(GWAS)，获得了抗旱能力相关的候选基因位点，从而加速水稻抗旱育种进程。论文所采用的低空无人机表型采集和分析方法可为大田高通量表型相关研究提供参考，同时也为大田复杂环境下的作物育种研究提供了新的技术手段和分析思路。

图1 无人机大田高通量表型数据采集与分析流程图

该研究使用无人机采集的超高清图像数据，结合人工卷叶评分，建立了用于卷叶自动评分的深度卷积神经网络模型，在训练集、验证集，以及新一年的测试数据集上均获得了较高的精度。基于水稻卷叶自动评分模型，对120个水稻种质资源在干旱胁迫下的动态响应进行了量化。

图3 时序卷叶指数反映水稻对干旱胁迫的动态响应以及抗旱能力

图6 无人机动态表型数据用于全基因组关联分析，定位到显著基因位点

动态表型性状定位到的显著基因位点中，有63%的位点在前期的盆栽实验中没有被定位到，同时有30.6%没有被以往非动态干旱表型性状定位到。该结果证明了研究所采用的高频次、高通量无人机表型获取方式在揭示水稻种质资源干旱胁迫动态响应过程的有效性和必要性，同时其结果对于后续GWAS分析同样也具有积极影响。

来源：

Jiang Z, Tu H, Bai B, Yang C, Zhao B, Guo Z, Liu Q, Zhao H, Yang W, Xiong L, Zhang Jian. 2021. Combining UAV‐RGB high‐throughput field phenotyping and genome‐wide association study to reveal genetic variation of rice germplasms in dynamic response to drought stress. New Phytologist: nph.17580. https://doi.org/10.1111/nph.17580

原文链接：https://nph.onlinelibrary.wiley.com/share/DP2ZA5CMWHXNMT4XPJQP?target=10.1111/nph.17580

​