利用无人机高光谱成像与机器学习评估小麦抗旱性

本研究针对干旱对小麦产量的严重影响，提出基于无人机（UAV）平台结合机器学习的高通量表型分析方法。研究人员通过分析52个小麦基因型在灌溉与干旱条件下的206个光谱指数，识别出127个与抗旱相关的光谱指标，并建立产量稳定性预测模型。该研究不仅验证了UAV技术在表型分析中的有效性，还为抗旱小麦育种提供了关键种质资源，显著提升了抗旱性状筛选效率。

　　

---

小麦是全球最重要的粮食作物之一，但其产量极易受到干旱胁迫的影响，尤其在拔节期、抽穗期、开花期及灌浆期等关键生育阶段。干旱会导致光合产物运输受阻，造成超过50%的产量损失^[1]。传统抗旱性评估方法依赖破坏性采样和人工测量，存在耗时、主观性强且效率低下的问题。因此，开发高效、无损的表型分析技术以精准筛选抗旱基因型成为当前研究热点。

河南大学的研究团队针对这一问题，利用无人机（UAV）搭载多光谱传感器，在自然田间条件下对52个中国小麦核心种质资源进行监测。研究结合机器学习算法，系统分析了不同灌溉处理下小麦的光谱响应特征，并与传统表型性状进行关联分析。结果表明，127个光谱指数与抗旱性显著相关，其中基于RGB图像的植被指数（如Color Index of Vegetation, CIVE；Red-Green-Blue Index, RGBI；Excess Green Minus Excess Red Index, ExG_ExR）与叶绿素含量及籽粒相关性状高度关联。此外，通过筛选17个关键光谱指标构建的预测模型可有效评估产量稳定性，最终鉴定出1个高抗旱基因型和13个抗旱候选材料。

技术方法
本研究采用无人机（UAV）平台搭载多光谱相机获取冠层图像，结合机器学习算法（如随机森林回归）分析光谱数据与传统表型性状的关联。实验在河南大学试验田进行，涵盖灌溉充足（WW）和干旱（DR）两种处理条件。

研究结果

1. 光谱指数筛选：通过对比灌溉与干旱条件下小麦的光谱特征，发现127个光谱指数与抗旱性显著相关，其中CIVE、RGBI和ExG_ExR等基于RGB图像的指标表现出较强的叶绿素含量预测能力。
2. 传统性状关联：分析表明，光谱指数与传统性状（如生物量、株高）存在显著相关性，验证了UAV数据的生物学意义。
3. 产量预测模型：基于17个最优光谱指数的机器学习模型可准确预测干旱条件下的产量稳定性，决定系数（R2）达0.85。
4. 抗旱种质鉴定：综合评估筛选出1个高抗旱基因型（D值最高）和13个抗旱候选材料，田间验证进一步支持其耐旱特性。

结论与意义
本研究证实了UAV结合机器学习在小麦抗旱性高通量表型分析中的潜力。所识别的光谱指标不仅简化了抗旱性评估流程，还为分子育种提供了新靶点。特别是CIVE、RGBI等新型指标的发现，突破了传统方法依赖单一生理参数的局限，为复杂性状解析开辟了新路径。研究成果对提升小麦抗旱遗传改良效率具有重要应用价值，同时也为其他作物的精准表型分析提供了参考范式。