Plant Phenomics | 基于高光譜遙感的大豆和花菜豆生理干旱響應的表型研究

豆科植物通常生長在降雨和灌溉有限的地區(qū)，因此培育豆科植物是為了進一步增強耐旱性，進而培育出產(chǎn)量更高、耐力更強以及水分利用效率更高的優(yōu)勢品種。高通量的表型監(jiān)測工具能夠快速篩選出基因與環(huán)境互作條件下的作物生理生化特征，加快育種效率。高光譜反射率對于色素、含水量以及葉片和冠層的結(jié)構(gòu)變化的敏感性高，能夠捕捉到植物生理結(jié)構(gòu)的細微變化，及時反映出作物的干旱響應，從而評估不同基因型的豆科植物水分狀況。
 

2023年1月，Plant Phenomics在線發(fā)表了University of California等單位題為Hyperspectral remote sensing for phenotyping the physiological drought response of common and tepary bean 的研究論文。
 

本研究基于高光譜反射率數(shù)據(jù)和偏最小二乘回歸（PLSR）模型評估了16種不同耐旱性的大豆基因型子集的植物水分狀況和干旱響應。采用來自地面手持儀器和塔基的高光譜數(shù)據(jù)建立正午的氣孔導度以及黎明前和正午的葉片水勢預測模型。對于基于地面的PLSR，分別利用可見光和近紅外波段（GroundVISNIR）建模以及全光譜波段（GroundFullrange）進行建模；并且模型定標和模型驗證分別占70% 和30%。與塔基相比，基于地面的PLSR模型在所有三個特征上表現(xiàn)更好。根據(jù)預測特征的不同，GroundVISNIR和GroundFullrange的性能都有顯著差異，這表明全光譜（400-2400 nm）不一定能改善預測。GroundVISNIR模型在黎明前水勢方面表現(xiàn)更好(圖3b)，而GroundFullrange模型在正午葉片水勢方面表現(xiàn)更好（圖3c）。兩種模型對氣孔導度的表現(xiàn)相似（圖3a）。
 

圖3 (a) 午間氣孔導度(gs)，(b) 黎明前葉片水勢(LWP)，(c) 午間氣孔導度(灰色)

熱力圖展示了根據(jù)觀察到的生理特征（圖4a - c）和PLSR預測的生理特征（圖4d - f），對每個基因型的干旱反應（相對于對照處理的干旱）進行表型分析。其中負值越多，說明干旱處理相對于對照處理的減少幅度越大，因此接近零的相對百分比差異表示最小的干旱反應，表明該基因型具有較高的耐受性。氣孔導度、黎明前葉片水勢和冠層體積在相對百分比差異上表現(xiàn)出最大的基因型變異。PLSR模型熱力圖顯示氣孔導度具有最大的相對百分比差異的基因型變異，其次是黎明前葉片水勢（圖4e, f）。
 

圖4 熱力圖顯示在不同基因型（紫色：普通豆；綠色：花菜豆）、植物生理以及田塊下干旱響應的相對百分比差異。(a - c) 為實測性狀，(d - f) 為地面高光譜數(shù)據(jù)的PLSR模型預測性狀。氣孔導度(gs)下標表示一天中的時間。黑色單元格表示不可用數(shù)據(jù)。

研究結(jié)果表明，高光譜數(shù)據(jù)和PLSR模型可以用于識別耐旱物種和基因型的一系列性狀的表型分析。

論文鏈接：
‍https://doi.org/10.34133/plantphenomics.0021

——推薦閱讀——
Estimating Photosynthetic Attributes from High-Throughput Canopy Hyperspectral Sensing in Sorghum
https://doi.org/10.34133/2022/9768502
Plant Phenomics | 利用高通量冠層高光譜遙感預測高粱的光合參數(shù)
The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines
https://doi.org/10.34133/2021/9890745
Plant Phenomics | 無人機高光譜影像在玉米自交系作物性狀估算中的應用

加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關(guān)的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.961，位于農(nóng)藝學、植物科學，遙感一區(qū)。中科院農(nóng)藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：董明霞（南京農(nóng)業(yè)大學）
排版：張婕（南京農(nóng)業(yè)大學）
審核：孔敏、王平