利用基于近红外光谱（NIRS）的模型，对冬小麦（Triticum aestivum L.）早期和后期世代的小麦产量进行预测

《The Plant Phenome Journal》：Forward prediction of grain yield across early and advanced generations in winter wheat (Triticum aestivum L.) using NIRS-based models

近红外光谱（NIRS）技术被用于评估冬小麦产量（GY）预测模型的效能。研究比较了固定和累积训练集方案下PLSR、rrBLUP、BA、RF和SVM等模型的预测能力。结果显示，rrBLUP模型表现稳定，预测能力达0.28-0.58，且可在F4代早期筛选中应用，验证了NIRS在缺乏直接产量数据时的实用性。

　　近红外光谱技术（NIRS）作为一种快速、非破坏性和低成本的表型分析工具，正逐渐在植物育种领域展现出巨大的潜力。特别是在小麦育种中，NIRS能够为籽粒产量（GY）的预测提供有效的手段，这为育种流程的优化提供了新的思路。本研究通过分析多年历史表型和光谱数据，评估了基于NIRS的模型在不同育种阶段对GY的预测能力，重点探讨了固定大小训练集与累积训练集两种预测策略的效果，并对不同模型的性能进行了比较。

在研究过程中，NIRS被用于预测冬小麦不同世代的产量表现，尤其是在缺乏直接产量数据的F?世代。研究者利用F?至更高级别世代的数据作为训练集，以预测F?世代的产量表现。通过将预测结果与F?世代的田间试验数据进行对比，发现基于NIRS的预测方法在早期育种阶段依然具有一定的实用性，能够帮助识别具有潜力的基因型，从而指导后续的多地点产量测试。这一发现表明，即使在没有直接产量数据的情况下，NIRS也能为育种者提供有价值的参考信息，支持更高效和数据驱动的决策。

在预测模型的选择上，研究中对比了多种方法，包括支持向量机（SVM）、随机森林（RF）和岭回归最佳线性无偏预测（rrBLUP）。结果显示，rrBLUP在预测能力方面表现出稳定性和有效性，而SVM和RF则在某些情况下表现出了竞争力。这种差异可能源于不同模型对数据复杂性的适应能力，以及它们在处理高维数据时的灵活性。rrBLUP因其计算效率和对基因型相关性的良好整合能力，被广泛应用于育种研究。相比之下，SVM和RF则更适合处理非线性关系和复杂的交互效应。

为了提高预测的准确性，研究还探讨了不同的光谱预处理方法，包括标准正态变量（SNV）、去趋势处理和Savitzky-Golay导数滤波。通过对这些方法进行交叉验证，发现第一导数处理后的原始光谱数据在预测性能上表现最佳，其次是归一化光谱的第一和第二导数。这些方法的使用有助于减少光谱数据中的噪声和系统性变异，从而提高预测模型的可靠性。尽管归一化处理可能带来一定的信息损失，但导数处理能更有效地保留关键的化学信号，减少散射效应的影响。

在预测模型的构建过程中，研究者采用了不同的策略，包括固定大小的训练集和逐步累积的训练集。固定大小的训练集主要适用于短期预测，而累积训练集则能更好地捕捉长期的基因型与环境互作（G×E）效应。两种策略下的预测结果均显示出一定的相关性，但累积训练集在多数年份中表现出更高的预测能力，尤其是在使用更多年份的数据时。这一趋势表明，随着训练集规模的扩大，预测模型的性能通常会得到提升，尤其是在面对复杂的环境变化时。

对于F?世代的预测，研究者发现即使在没有直接产量数据的情况下，通过NIRS光谱特征也能获得一定的预测能力。然而，预测结果在不同年份之间存在一定的波动，尤其是在2022年，由于异常的环境条件（如病害压力），预测能力有所下降。这一现象强调了环境因素在预测模型中的重要性，以及在构建模型时需要考虑环境差异的影响。

此外，研究还指出，NIRS数据的采集时机对预测结果有重要影响。在小麦育种中，光谱数据通常在收获后通过实验室条件获取，这往往与下一季播种前的短期时间窗口重叠，使得大规模光谱采集变得困难。因此，研究者建议探索其他采集方式，如在生长季节使用便携式或无人机光谱仪采集新鲜组织（如叶片、穗或冠层反射率）的光谱数据。这种方法虽然可能受到环境噪声的影响，但能显著降低收获后光谱采集的物流负担，并为育种项目提供及时的信息支持。

本研究的结论表明，基于NIRS的预测模型在冬小麦育种中具有重要的应用价值。尤其是在早期育种阶段，当直接产量数据难以获取时，NIRS能够作为一种有效的替代方案，帮助育种者在更早的世代中识别出具有潜力的基因型。尽管机器学习模型在某些情况下表现优异，但简单的线性模型如rrBLUP因其计算效率和稳定性，仍然是一个可靠的选择。研究还强调了在实际育种过程中，需要持续更新预测模型，以适应新的基因型和环境条件，从而提高预测的准确性和实用性。

总的来说，基于NIRS的预测方法为小麦育种提供了一种新的工具，有助于在早期阶段做出更加精准和高效的选择决策。通过结合历史数据和现代光谱技术，育种者可以在不依赖昂贵的基因型数据采集的情况下，获得关于产量的重要信息。这不仅降低了育种成本，还提高了育种效率，特别是在资源有限的小型育种项目中。未来的研究可以进一步探索NIRS与其他表型技术的结合，以及如何优化光谱数据的预处理和模型选择，以提高预测的准确性和适用性。