来自预算摄像机的多谱基因型相似性允许在春小麦单一和多环境场景中预测谷物产量和基因组选择增强

科学领域:

• 植物育种和遗传学
• 农业遥感 农业遥感
• 机器学习在农业中的应用

背景情况:

• 基因组选择在植物育种中是标准的,但整合多谱数据以进行增强的预测尚未得到充分探索.
• 使用无人机捕获的多谱数据进行高通量表型化,为谷物产量预测提供了潜力.
• 在大规模的实地试验中,使用了经济高效的摄像头来收集多光谱数据.

研究的目的:

• 探索多光谱数据的潜力,以增强谷物产量的基因组预测模型.
• 为了比较基因组,多谱衍生和环境关系矩阵的预测准确度.
• 在单一和多环境场景中评估多光谱数据的有效性.

主要方法:

• 采集了高通量表型化多谱数据,使用了两台经济高效的摄像头.
• 在预测模型中采用最佳线性无偏预测器 (BLUP) 方法.
• 使用基因组 (G),多谱衍生 (M) 和环境 (E) 关系矩阵.

主要成果:

• 多光谱数据 (M矩阵) 实现了与基因组数据 (G矩阵) 相比的谷物产量预测.
• 结合G和M矩阵的模型表现出比单独的G或M更高的精度和更少的误差.
• M矩阵显示了一些环境不敏感性,稳定性随着更多的季节性数据捕获而增加.
• 最佳的数据捕获时间是在谷物填充期间,高遗传性带至关重要.

结论:

• 多光谱数据,即使是来自单个RGB摄像头和捕获会话,对于谷物产量预测是有价值的.
• 整合多谱数据提供了一个灵活的框架,以提高基因组选择协议的成本效益.
• 这项研究促进了对植物育种和预测模型中多谱数据实用性的理解.