分享一篇河南大学小麦研究团队关于利用无人机技术结合机器学习进行小麦抗旱性评价的研究成果于2025年5月28日在中科院一区TOP期刊Computers and Electronics in Agriculture，以“Utilizing UAV-based high-throughput phenotyping and machine learning to evaluate drought resistance in wheat germplasm”为题的文章，为小麦抗旱表型评估、利用和育种改良提供了重要参考。
文章链接：https://doi.org/10.1016/j.compag.2025.110602
河南大学高通量作物表型分析平台（HTP）由谷丰光电支持建设。
小麦（Triticum aestivum L.）是全球重要的粮食作物，干旱胁迫是影响小麦生产最严重的非生物胁迫之一，对小麦的生长发育、生理代谢、产量和品质都会造成显著的负面影响。其影响程度取决于干旱发生的时期、强度、持续时间和品种的抗旱性。传统的小麦抗旱性评估方法通常具有破坏性、耗时费力且难以全面反映小麦抗旱性的复杂特征。近年来，无人机遥感技术与机器学习算法的结合为作物田间表型研究带来了新的机遇，但如何利用高通量光谱数据精准量化小麦抗旱性仍是亟待解决的难题。
该研究以主要来自黄淮麦区的1961至2020年间的Landraces和Cultivars等52份小麦种质为试验材料，利用无人机搭载RGB、多光谱和热红外相机采集了在充足灌溉和干旱条件下的小麦7个生育时期（分蘖期、越冬期、返青期、拔节期、抽穗期、开花期和灌浆期）的大田表型图像，基于这些图像数据，研究共获得了206个涉及不同生长阶段和不同传感器类型的光谱指标（图1）。深入分析发现，其中127个光谱指标与小麦干旱响应显著相关，这些指标涵盖了植被覆盖度、水分含量、光合效率、生物量等多个生理维度，除了已被报道的一些干旱指标如过绿指数（ExG）外，研究还揭示了大量新的干旱相关性状，为指导大田抗旱育种提供了丰富的表型参数。
图1 利用多种传感器监测大田小麦干旱表型
为了探究基于无人机的127个光谱指标与传统农艺性状之间的关系，本研究同时人工调查了11个传统性状，包括株高、穗长、穗粒数、粒长、粒宽、千粒重等。结果发现，大多数无人机光谱指标与分蘖数、株高等性状显著相关，能够有效反映小麦在干旱条件下的外部形态变化。同时，研究发现了10个与籽粒表型相关（粒宽、粒长等）的光谱指标，其中包括3个重要的基于RGB图像的新型干旱指标—植被颜色指数 (CIVE)、红绿蓝指数 (RGBI) 和过绿减过红指数 (ExG_ExR)。这3个光谱指标不仅与籽粒性状密切相关，与叶绿素含量也高度相关，可以有效反应小麦在干旱胁迫下的生长状态和光合能力。此外，对不同年代材料的比较分析还发现，在水分充足条件下，现代品种的株高较早期年代显著降低，平均下降19.17%，这一趋势在近60年的选择育种过程中持续存在。而在水分亏缺条件下， 2001-2020年期间育成的小麦品种较1961-1980年的品种在粒宽和千粒重方面分别提高了15.19%和24.35%，在分蘖数、穗长、总小穗数上并没有明显变化。因此，与这些传统性状密切相关的光谱指标在未来进一步提高小麦抗旱性和籽粒产量方面具有重要应用潜力。
研究进一步利用多种机器学习方法（随机森林、lasso回归和岭回归）对127个光谱数据进行深度挖掘，构建干旱条件下产量稳定性的预测模型，比较分析显示，随机森林的产量估算效果最佳，其次是lasso回归和岭回归。通过随机森林模型最终筛选出17个光谱指标，这些指标共同解释了干旱条件下产量稳定性变异的48.84%（图2）。基于这17个指标的综合评价D值，从52个基因型中鉴定出1个高度抗旱种质和13个抗旱种质，并通过田间试验进一步验证了预测结果的可靠性。这项研究不仅证实了无人机技术在抗旱性评估中的有效性，筛选出的优异种质资源为抗旱遗传改良提供了重要材料，更重要的是建立了一套基于多源数据融合和机器学习的抗旱种质鉴定新方法，为应对全球气候变化背景下的小麦抗旱育种提供了创新性解决方案。
图2 机器学习预测干旱条件下产量稳定性
河南大学小麦逆境适应及遗传改良团队张震副教授和周云教授为论文的共同通讯作者，博士生朱晓静、青年教师刘馨、博士生武茜和硕士生刘梦诗为共同第一作者。华中农业大学张建教授，河南省农业科学院胡琳研究员对本研究提供了重要指导和帮助。研究得到了国家重点研发计划、河南省自然科学基金、河南省重点研发计划、河南省神农实验室重点研发计划等项目的资助。
鄂公网安备42018502003245号 网站地图
