基于智能手机的图像分析、性状相关性以及主成分分析（PCA）在多环境试验中用于水稻产量预测

《Journal of Crop Science and Biotechnology》：Smartphone-based image analysis, trait correlation and PCA for rice yield prediction in multi-environment trials

水稻育种表型选择与产量预测研究利用智能手机图像系统结合逻辑回归模型在印尼双环境中评估了108个基因型，发现显著基因-环境互作效应，主成分分析解释48.35%和19.71%方差，成熟度与产量正相关（r=0.64），筛选出5个高产品系。

　　

摘要

表型选择在水稻育种计划中起着至关重要的作用，它有助于识别具有理想性状的优质水稻基因型并预测其潜在产量。这一过程对于提高育种效率至关重要，因为它使育种者能够专注于最有前景的品系。本研究重点评估了在两种截然不同的印度尼西亚环境下 elite 水稻基因池的表型表现和产量预测，旨在为优化水稻育种策略提供宝贵的见解。研究采用了基于智能手机的图像检索系统和逻辑回归模型，通过收集 1050 组数据图像来根据穗部外观对水稻产量进行分类。实验结果显示，处理后的图像训练准确率为 0.854，验证准确率为 0.724。在产量方面观察到了显著的基因型-环境交互作用，而在其他性状上未发现明显差异。对 108 个基因型进行的主成分分析（PCA）表明，第一主成分解释了 48.35% 的方差，第二主成分解释了 19.71% 的方差。相关性分析显示成熟度与谷物产量之间存在正相关关系（r = 0.64），这表明晚熟基因型的产量可能更高，尽管在株高、分蘖数和千粒重等性状上存在权衡。在测试的品系中，BP35264b-Sub-2-Sub-2-8-4（9.84 吨/公顷）、BP35264b-Sub-3-Sub-3-13-9（9.33 吨/公顷）、BP35264b-Sub-3-Sub-3-37-1（8.82 吨/公顷）、BP35264b-Sub-2-Sub-2-8-3（8.75 吨/公顷）和 BP35264b-Sub-2-Sub-2-8-5（8.68 吨/公顷）的表现优于所有对照品种。三维 PCA 图显示了不同产量类别之间的明显聚类，突显了水稻基因型的多样性以及环境对生产力的影响。基于智能手机的图像检索和逻辑回归方法在根据穗部外观分类水稻产量方面表现出有效性，提供了一种快速的产量评估方法。从多环境试验中得出的预测模型有助于了解影响水稻产量的因素，从而可能改进育种策略并提升其可扩展性。