田间环境下的植物表型分析在农业研究中起着重要作用。高效、准确的高通量表型分析策略能够更好地连接基因型和表型。基于无人机的高通量表型分析平台(UAV-HTPPs)为高效、高分辨率、低成本、大规模的植物性状测量提供了新的机会。本研究的目的是使用从无人机多光谱图像中提取的时间序列归一化差异植被指数(NDVI)来描述其在整个发展过程中的模式，并对大量玉米群体中的NDVI进行遗传解析。本研究使用UAV-HTPP在玉米整个生长季节的五个时间点获取了1752份不同玉米材料的多光谱传感器的NDVI时间序列数据。并对获得的测量数据进行聚类分析，将1752份玉米材料分为具有不同NDVI发展趋势的两组数据。为了捕捉这些静态观察数据的变化规律，使用惩罚样条(P样条)模型来获取基因型特异性曲线参数。全基因组关联研究(GWAS)使用静态NDVI值和曲线参数作为表型性状，检测到了与性状显著相关的信号。此外，使用P样条模型预测的NDVI值揭示了遗传效应的动态变化，表明基因-环境相互作用在整个生长季节控制NDVI中的作用。本文的研究结果证明了超高空间分辨率多光谱图像(如使用无人机遥感获取的图像)在NDVI遗传解析中的实用性。

　　图1 1752份不同玉米材料在生长季节的植被指数的获取。(a)基于无人机的高通量表型平台(UAV-HTPP)由DJI S900多旋翼无人机(UAV)和佳能EOS Rebel SL1彩色红外(CIR)相机组成。(b)五架无人机采集不同发育阶段玉米的生长数据，(c)无人机获取的三幅连续原始图像，地面控制点(GCP)在下图中以白色的“×”表示。(d)由数百张原始图像生成的S自然色、彩色红外和R归一化差异植被指数(NDVI)图像。(e)用于数据提取的地块样带和30 cm样带缓冲区示例。

　　图2 1752份玉米材料的时间序列归一化差异植被指数(NDVI)聚类和种群结构分析。(a)1752份玉米材料的生长曲线与五次无人机(UAV)获取时间序列的NDVI，并根据K-均值聚类分析，对每个生长曲线进行着色。(b)每个集群的生长曲线，以及五次采集数据中每个集群的平均NDVI。(c)对5架无人机采集的NDVI进行t分布随机邻居嵌入(t-SNE)。(d)t-SNE和5架无人机飞越的NDVI。(e)t-SNE具有316047个单核苷酸多态性(SNPs)。(f)具有316047个SNPs的t-SNE。(g)使用316047个SNP进行主成分分析(PCA)。(h)具有316047个SNPs的PCA。

　　图3 用惩罚样条(P样条)模拟时间序列归一化差异植被指数(NDVI)。(a)生长曲线采用P样条模型拟合NDVI。(b)P样条模型拟合整个生长季节的生长速率。(c)P样条模型拟合的NDVI与种植后37天的观测NDVI(DAP)之间的相关性。(d)P样条模型拟合的NDVI与115 DAP观测的NDVI之间的相关性***P < .001

　　图4 归一化差异植被指数(NDVI)和惩罚样条曲线(P样条曲线)曲线参数的全基因组关联图。每个部分中的水平线表示由0.05的错误发现率确定的重要性阈值。当检测到显著的SNP性状关联时，可能的候选基因和周围的单核苷酸多态性(SNP)的位置用粉色表示;否则，用紫色表示

　　图5 标记潜在候选基因的已识别单核苷酸多态性(SNP)叠加效应在整个生长季节的动态变化。候选基因POK1和KNAT6的最显著相关SNP标记的等位基因效应来自全基因组关联研究(GWAS)，惩罚样条曲线(P样条曲线)拟合生长季节15个时间点的归一化差异植被指数(NDVI)。星号(*)表示SNP与该时间点的性状显著相关。

　　来源：Wang J.Y., Li X.R., Guo T.T. et al. Genetic dissection of seasonal vegetation index dynamics in maize through aerial based high-throughput phenotyping. The Plant Genome, 2021, 8 : 1-17.

　　编辑：张玉