近年来，无人机 (UAV) 图像在作物育种表型数据获取越来越受关注。基于图像的表型分析的优点在于高空间和时间分辨率以及数据采集的非破坏性和快捷性。本研究的目标是：(1)利用无人机多光谱数据和参数/非参数回归模型，检索硬粒冬小麦的五个生物性状检索叶面积指数 (LAI)、吸收的光合有效辐射 (fAPAR) 分数、植被覆盖率 (fCover)、叶片叶绿素含量 (LCC)和冠层叶绿素含量 (CCC)做为遥感表型特征;(2)对遥感获得的性状进行统计分析，为育种工作者提供新的表型性状来检测硬粒冬小麦基因型中的遗传距离辅助选育新的高产小麦品种的;(3)利用无人机多光谱数据和不同物候期的参数/非参数回归模型估计硬粒冬小麦的产量。

　　本研究共选择50个硬粒冬小麦品种和育种系，分为2个实现小区，每个小区有26个基因型，试验按四次重复的完全区组设计。在两次实地活动中收集并补充了先前研究的地面观测数据集用于模型开发。数据集随机分为两部分，一部分用于训练，另一部分用于测试模型。测试的参数模型使用植被指数公式和参数函数。测试的非参数模型是偏最小二乘回归 (PLSR)、随机森林回归 (RFR)、支持向量回归 (SVR)、核岭回归 (KRR) 和高斯过程回归 (GPR)。分析检索到的生物物理变量以及传统的表型性状(株高、产量和分蘖)，以检测所研究基因型的遗传多样性、邻近性和相似性。对表型性状进行方差分析 (ANOVA)、邓肯多范围检验、相关分析和主成分分析 (PCA)。

　　图1 (A) FCI-Chirpan 在保加利亚的位置。 (B) 育种试验场的位置。 (C) 育种试验田正射影像图，分为208个样地和两个竞争品种试验区(CVTs); 每个 CVT 有 26 个基因型，4 个重复。

　　图2 表型性状和与产量关系的统计分析工作流程图。

　　参数模型和非参数模型在产量(GY)预测结果上表现类似，参数模型的精度略高(R2 = 0.49;RMSE = 0.58 kg/plot;rRMSE = 6.1%)。然而，非参数模型 GPR 计算每个像素的不确定性估计，使其更适合于操作使用。此外，研究结果表明，籽粒灌浆比开花物候期可以更好地预测GY。非参数模型显示出更好的生物性状筛选能力，其中 GPR 具有最高的预测性能。尽管如此，鲁棒性较好的模型仅适用于 LAI (R2 = 0.48; RMSE = 0.64; rRMSE = 13.5%) 和 LCC (R2 = 0.49; RMSE = 31.57 mg m-2; rRMSE = 6.4%)，因此在用于初步评估小麦生产力的统计分析中仅用了这两个表型性状。方差分析和主成分分析的结果表明，遥感获取的表型性状是对植物育种研究的传统表型性状的有力补充。我们相信这些初步结果可以加快作物改良计划。然而仍然需要更强有力的跨学科研究，以及对遥感表型特征的不确定性估计。

　　图3 无人机在开花期(5 月)和灌浆期(6 月)CVT 获取的叶面积指数LAI 和 叶片叶绿素含量LCC 估计图。

　　图4 (A) 无人机获得的GY 预测地图。 GY从灌浆物候发育阶段用参数模型3BSI-Tian/linear估计。 (B) 在植物完全成熟时通过机械收获测量的GY分布图。

　　来源：Ganeva, D., Roumenina, E., Dimitrov, P., Gikov, A., Jelev, G., Dragov, R., ... & Taneva, K. (2022). Phenotypic Traits Estimation and Preliminary Yield Assessment in Different Phenophases of Wheat Breeding Experiment Based on UAV Multispectral Images. Remote Sensing, 14(4), 1019.

　　编辑：婷婷