高通量作物表型，特别是在大田条件下，目前被认为是限制作物遗传进展的关键因素。表型分析不仅有利于常规育种，而且需要充分利用分子育种的能力，可以通过更先进的模拟模型和决策支持系统在区域水平上预测未来几年的育种目标。在表型方面，有必要确定在每种情况下哪些选择性状是相关的，以及哪些表型工具/方法可用来评估这些性状。

　　遥感方法是目前最流行的方法，即使实验室分析在许多情况下仍然适用。遥感技术为表型分型提供了广泛的潜在应用，如图1。传统的植被指数基于植物特有的光谱反射率特征，如图2。除此之外，数据处理和自动化，以及机器学习/深度学习正在为表型分型的广泛应用做出贡献。

　　图1 不同类别成像仪(RGB、光谱、热光谱等)现场表型分析的潜在应用实例。例如(i)计算作物特征，例如出现的幼苗、按面积挤出的花序、每个花序的籽粒、每株挺立的果实或收获后茎段的密度，(ii)监测植物/作物的生长和发育，包括早期活力，保持绿色或不同植物失调的存在和程度，包括害虫、疾病、营养不足、毒性)或(iii)三维重建，例如计算植物高度、作物倒伏，甚至生物量评估。此外，不同遥感仪器的特殊功能，如热传感器/成像仪，可评估水的状况，或高光谱设备，可评估质量特征和特定的生化参数。

　　图2 可见光和红外区域的反射辐射光谱(上图)和地面或空中平台上的多光谱、高光谱和RGB传感器和成像仪覆盖的波长区域(中间图)以及主要卫星覆盖的波段(下图)。

　　还总结了稳定同位素组成作为基于实验室的工具的例子，以及代表野外表型研究前沿之一的根表型，如图3。此外，综述了两种最有前途的空中平台形式(无人机和卫星)和一些正在出现的数据处理技术，总结开发预测模型所需的主要任务的流程图如图4，模型构建和测试的步骤如图5。综述包括三个具体案例研究的方框：高光谱传感器通过叶片和作物冠层的反射光谱估算光合参数(图6)、耐气态污染物的表型和植物表型的深度学习。

　　图3 不同直接或间接方法学方法应用于根表型的例子。除CT和PET外，其他方法均适用于现场条件下的表型分析。

　　图4 总结开发预测模型所需的主要任务的流程图。(Step1)彻底、高效的数据收集和协调，最好以自动化方式进行; (Step2)对得到的数据进行滤波(如离群值测试、特征聚类)，得到更压缩的数据集，提高信噪比(即有用与无用的信息比); (Step3)用预处理后的数据对各种模型进行测试，用于预测或分类任务(如偏最小二乘回归(PLS)、最小绝对收缩和选择算子(LASSO)、随机森林(RF)、支持向量机(SVM)和神经网络(NN)); (Step4)为清晰的解释可视化结果。

　　图5 模型构建和测试的步骤，(i)将数据分割为两个不重叠的集(例如80/20)，用于模型的训练和后续测试，(ii)使用k-fold交叉验证(通常使用k=10-fold交叉验证)对机器学习算法进行训练，(iii)将训练好的模型应用于未见的测试集，通过未来的观察获得其可能表现的度量。

　　图6 测量植物(光合作用和蒸腾作用)气体交换的不同方法

　　本文综述了作物表型的不同组成部分。在关注世界范围内主要作物的同时，主要讨论：(i)有助于提高产量潜力和抗胁迫能力的生理特征，特别是非生物胁迫;(ii)最常见的表型分析技术;以及(iii)一些关于如何有效地处理和应用表型信息的见解。

　　来源：Araus JL, Kefauver SC, Díaz OV, Gracia-Romero A, Rezzouk FZ, Segarra J, Buchaillot ML, Chang-Espino M, Vatter T, Sanchez-Bragado R, Gallego JAF, Serret MD, Bort J. Crop phenotyping in a context of Global Change: what to measure and how to do it. J Integr Plant Biol. 2021 Nov 22. doi: 10.1111/jipb.13191.

　　编辑：王春颖