谱基因组链模型方法提高了在地中海气候条件下的小麦产量成分预测

科学领域:

• 植物育种和遗传学
• 农业科学 农业科学
• 农业中的遥感技术

背景情况:

• 气候变化威胁全球粮食安全,需要加强作物育种战略.
• 基因组选择 (GS) 是加速作物改进中的遗传收益的强大工具.
• 由于遗传因素,环境相互作用和特征复杂性,预测谷物产量是复杂的.

研究的目的:

• 通过基因组选择提高小麦谷物产量的预测准确度.
• 评估链式模型方法的有效性,整合光谱数据.
• 探索数的光谱估计的实用性,作为产量预测的次要特征.

主要方法:

• 在三个地中海环境中为形态生理和产量特征进行多样性面板的表型化.
• 采用链式模型方法,分解复杂的预测任务.
• 利用基于机器学习和无人机 (UAV) 的超光谱反射率来估计尖峰数量.
• 基于集成光谱的估计尖峰数作为多特征基因组选择模型中的次要特征.

主要成果:

• 与单个环境模型相比,多环境模型对大多数特征的预测准确性有所改善.
• 最初试图直接预测谷物产量的尝试并没有得到改善.
• 整合基于光谱的估计尖峰数量显著提高了小麦谷物产量预测的准确性.
• 预测的尖峰数量显示了跨季节的一致性和可扩展性到不同的试验大小.

结论:

• 一个新的光谱基因组链模型工作流程有效地提高了小麦谷物产量预测的准确性.
• 基于光谱的表型,如尖峰数,可以在基因组选择中作为有价值的二次特征.
• 面对气候变化,这种方法为加速开发高产作物品种提供了一个有希望的战略.