Capturing Spatial Heterogeneity Using UAV-Derived Multispectral Phenotypes and Random Regression Models Improves Genetic Evaluation in Alfalfa Breeding Trials
本研究表明，将纵向无人机获取的多光谱表型集成到随机回归模型中，能够有效捕捉苜蓿育种试验中的空间异质性，从而比传统的空间校正方法提高遗传评估的准确性和可重复性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
长期以来，农学家和植物育种家一直深知，农田绝非完全均匀。即使是在同一块土地上，有的角落土壤可能更肥沃，有的地方排水可能不同，甚至每一行之间的温度也可能略有差异。这种被称为“空间异质性”的不均匀现象，创造了一层噪声，可能会掩盖植物生长的真实潜力。当育种家试图为下一代挑选最优秀的种子时，这种环境噪声可能会让一株平庸的植物看起来像个冠军，或者让一株优良的植物看起来很弱。为了解决这个问题，科学家们传统上依赖统计方法，这些方法假设土壤条件会随着植物位置的变化而发生渐进且可预测的变化，就像你远离加热器时温度会逐渐下降一样。然而，这些旧方法往往无法捕捉到现实世界中复杂且多变的模式，尤其是在它们只关注最终收获量的时候。
一种新的方法正在改变研究人员看待这个问题的方式，即利用植物本身作为传感器。科学家不再去猜测环境是如何变化的，而是观察植物如何随时间对环境做出反应。通过驾驶配备特种摄像头的无人机飞越农田，研究人员可以在整个生长季节捕捉到作物的详细图像。这些图像揭示了植物是如何生长的、它们的绿色程度如何，以及它们是如何响应其周围特定环境条件的。这种持续的数据流使科学家能够以比以往更高的精度绘制出农田中隐藏的变化，从而将植物真正的遗传品质与种植位置带来的运气区分开来。
在最近一项针对对牧草至关重要的饲料作物——苜蓿的研究中，研究人员旨在测试这种通过观察植物随时间变化的方法是否能提高育种计划的准确性。由康奈尔大学、新墨西哥州立大学和弗吉尼亚理工大学的科学家领导的团队，在两个截然不同的地区进行了试验：新墨西哥州广袤干旱的农田，以及纽约州更为紧凑且多样化的地块。他们在2022年和2023年生长季节期间，种植了数百个不同的苜蓿品种并对其进行了密切监测。通过无人机，他们大约每周飞越农田一次，捕捉测量植物反射光的多元光谱图像。从这些图像中，他们计算出了植被指数，即指示绿色冠层健康度和密度的数值。在各种不同的测量类型中，一种依赖绿光而非红光的指数被证明是衡量植物健康状况和未来产量的最可靠指标。
该研究的核心在于一个两步走的流程，用以处理这些海量数据。首先，研究人员使用一种称为随机回归的统计技术来分析每周的无人机图像。这种方法使他们能够模拟每个特定地块随时间变化的过程，捕捉影响该特定位置的独特且持久的环境条件。他们将这些长期的环境影响视为一种“永久环境效应”，这是一种量化地块因土壤或微气候而产生的特定优势或劣势的方法，且这种影响独立于植物的遗传特性。在第二步中，他们利用这些计算出的环境效应来调整苜蓿品种的最终遗传评估。
结果显示，这种新方法在寻找真正的“遗传赢家”方面明显优于传统方法。在新墨西哥州的大规模试验中，由于土壤条件在田间变化剧烈，新方法将遗传预测的一致性提高了两到三倍。它成功地剥离了由不均匀农田引起的噪声，揭示了植物的真实潜力。即使在农田更为均匀且空间噪声较低的纽约试验中，新方法的表现也同样出色，甚至优于传统技术。至关重要的是，研究人员发现，通过无人机检测到的环境变化模式与农田实际的产量图谱相吻合，这证实了无人机确实捕捉到了土壤和水分供应方面的真实物理差异。
这项研究表明，通过细致观察植物随时间的变化，植物本身可以告诉我们哪里土地在挣扎，哪里又在繁荣。通过利用这些信息来修正育种数据，科学家可以对哪些种子值得留作后代做出更准确的决策。这种方法不需要昂贵的新设备，也不需要对农民目前管理农田的方式进行复杂的改变；它仅仅涉及如何更聪明地利用现代无人机已经在收集的数据。研究结果表明，随着高科技农业变得越来越普遍，学习植物生长连续故事的能力，将成为提高作物产量并确保无论生长在多么不平整的土地上都能选出最优遗传特性的标准工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。