不同基因型小麦冻害无人机遥感高通量表型

摘要：

为了实现田间条件下小麦抗冻性状相关的数量性状基因座(quantitative trait locus,QTL)分析,该研究针对4个试验地 491 份小麦核心种质资源的抗冻性状,基于无人机多光谱遥感提出了一种高通量表型方法.首先通过光谱植被指数对小麦抗冻性状进行评估,基于机器学习分类算法使用16个光谱植被指数特征构建了小麦冻害评价模型,并完成了光谱特征相关性分析及对评价模型的贡献率分析.对比随机森林(random forests,RF)、分布式梯度增强(extreme gradient boosting,XGBoost)、梯度提升决策树(gradient boosting decision tree,GBDT)及支持向量机(support vector machine,SVM)算法建立的小麦冻害等级评价模型,结果表明,使用XGBoost建立的评价模型准确率最高,达67.94％;16个光谱特征相关性及其对评价模型的贡献率分析表明,简化冠层叶绿素含量指数(simplified canopy chlorophyii content index,SCCCI)对小麦抗冻表型鉴定的贡献率最大.其次,使用SCCCI作为小麦抗冻表型,结合通过全基因组关联分析检测小麦抗冻相关QTL,检测到 3 个已被证明与抗冻性状相关的QTL,证明了基于无人机获取的光谱特征可以作为小麦抗冻表型定性定量分析指标,可提供小麦抗冻性状遗传解析必需的表型信息.小麦冻害的无人机遥感高通量表型方法的提出促进了小麦抗冻基因功能解锁.

关键词：无人机、遥感、小麦冻害、多光谱、关联分析、机器学习

所属期刊栏目：39

分类号：S127(农业物理学)

资助基金：国家重点研发计划;杨凌种业创新中心重点研发项目

在线出版日期：2023-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：128-136