Plant Phenomics | 激光雷達(dá)能夠高效地描述葡萄的生長情況和檢測相關(guān)遺傳位點(diǎn)

葡萄樹的光合作用能力主要由葉面積決定，降低葉糖比可以降低漿果在收獲時的糖濃度，延遲葡萄的成熟日期并損害每叢漿果的數(shù)量。此外，葉面積還是估計植物蒸發(fā)需求所需的關(guān)鍵變量。為了迎接氣候變化和全球?qū)�抗病葡萄品種需求的挑戰(zhàn)，需要進(jìn)行葡萄樹葉面積的估計和葡萄基因型的評估，同時，對高通量表型分析方法的需求在不斷增加。
 

2023年11月，Plant Phenomics 在線發(fā)表了法國 University of Strasbourg等單位題為LiDAR is effective in characterizing vine growth and detecting associated genetic loci 的研究論文。
 

本研究設(shè)計了一系列實驗來評估LIDAR在葡萄表型特征估計中表現(xiàn)，使用LIDAR技術(shù)評估了209中葡萄基因型的生長特征，通過利用測序技術(shù)基因分型（GBS）獲得高密度遺傳信息，成功檢測了與后代性狀變異相關(guān)的六個葡萄基因組區(qū)域，證明了這些區(qū)域與后代中的性狀變異相關(guān)。

圖1 研究的實驗和技術(shù)設(shè)計概述

本研究的 RGB 圖像是手動獲得的，研究人員通過在拖拉機(jī)上安裝兩個SICK LMS4000 LiDAR 傳感器，去獲取葡萄植株的點(diǎn)云數(shù)據(jù)（如圖2所示）。這兩個LIDAR傳感器之間的垂直距離是0.70m，可完整捕獲整個樹冠。LIDAR采集的點(diǎn)云基于GPS坐標(biāo)，GPS天線與兩個LIDAR傳感器之間的已知距離以及LIDAR測量的傳感器-目標(biāo)距離生成，并包含在HDF5文件的每個基本小區(qū)。
 

圖2搭載 LiDAR 傳感器的系統(tǒng)概述

圖3描述了LiDAR獲取的冠層體積與ELA（暴露葉面積）以及2020/2021生長季修剪重量之間的關(guān)系。轉(zhuǎn)色期的表觀冠層體積與通過數(shù)碼照片測量的ELA密切相關(guān)（R2=0.79），在2021/2022生長季，相關(guān)性同樣高（R2=0.69，見圖4），但協(xié)方差分析揭示，兩個生長季的表觀冠層體積與ELA之間的數(shù)學(xué)關(guān)系并不相同。LiDAR數(shù)據(jù)在年份之間的相關(guān)性優(yōu)于數(shù)字圖像（分別為0.52和0.42；見圖4），這表明圖像分析方法的可重復(fù)性較差，可能是由于不受控制的照明條件。
 

圖3使用 LiDAR 數(shù)據(jù)計算的表觀體積與 (a) 暴露葉面積、(b) 2020/2021 生長季修剪鮮重之間的關(guān)系

圖4顯示相關(guān)變量之間的決定系數(shù) R2 的圖表

在2021年（2020生長季），通過LiDAR數(shù)據(jù)估算的葡萄藤的木質(zhì)部分體積和實際修剪葡萄藤蔓重量受到共同的染色體1、5和18上的數(shù)量性狀位點(diǎn)（QTL）的調(diào)控（圖5）。對于葡萄藤的木質(zhì)部分體積，還在染色體3和19上檢測到額外的QTL，而在染色體8上檢測到修剪重量的額外QTL（圖5）。這些QTL總體上解釋了葡萄藤的木質(zhì)體積的48%和修剪重量的37%，在兩種情況下都非常令人滿意。
 

在2022年（2021生長季），對于葡萄藤的木質(zhì)體積和修剪重量，QTL的總解釋百分比低于2021年，約為29%。修剪重量的兩個QTL，分別位于染色體1和18上，已在2021年被檢測到，但對于葡萄藤的木質(zhì)體積，僅染色體1上的QTL在2021年被檢測到。無論使用何種方法，只有染色體1上的QTL是穩(wěn)定的，它在兩個生長季中，無論是冬季還是夏季都被檢測到。

圖5 在共有圖譜上檢測到的主要QTL的位置。僅呈現(xiàn)至少檢測到兩年的 QTL。

垂直線：貝葉斯可信區(qū)間，覆蓋概率為 0.95。水平線：LOD 峰的位置。ELA = 暴露葉面積，PW = 修剪重量，SPAD = 使用Konica-Minolta SPAD 測量的葉綠素含量，ACV = 葡萄藤的冠層體積，AWV = 葡萄藤的木質(zhì)體積
 

這些結(jié)果強(qiáng)調(diào)了LIDAR衍生性狀表征葡萄生長遺傳差異的可靠性，可以取代傳統(tǒng)的低通量方法。該研究也為葡萄園中葡萄的高通量表型分析開辟了新的視角，不僅可以描述遺傳變異，還可以描述環(huán)境條件、培訓(xùn)系統(tǒng)或管理技術(shù)的影響。研究的數(shù)據(jù)可通過https://doi.org/10.57745/PETTGY獲得。

用于估計樹葉覆蓋率的ImageJ 的腳本獲得：

https://forgemia.inra.fr/eric.duchene/image-analysis-scripts/-/blob/main/FoliageCoverage_PC_EN.txt

論文鏈接：

‍https://spj.science.org/doi/10.34133/plantphenomics.0116

——推薦閱讀——

Instance Segmentation and Berry Counting of Table Grape before Thinning Based on AS-SwinT

https://spj.science.org/doi/10.34133/plantphenomics.0‍085

Plant Phenomics | 基于AS-SwinT疏果前單串葡萄果粒的實例分割與計數(shù)

Prediction of the Maturity of Greenhouse Grapes Based on Imaging Technology

https://doi.org/10.34133/2022/9753427

Plant Phenomics | 基于表型圖像信息與反向神經(jīng)網(wǎng)絡(luò)預(yù)測溫室葡萄成熟度

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（AAAS）合作創(chuàng)辦的英文學(xué)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(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。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(jī)器學(xué)習(xí)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(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)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6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點(diǎn)新刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：靳松（南京農(nóng)業(yè)大學(xué)）
排版：蘇梓鈺（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平