优化大豆育种：利用高通量表型分析技术培育抗臭虫且高产的大豆品种

《Precision Agriculture》：Optimizing soybean breeding: High-throughput phenotyping for stink bug resistance and high yields

　　摘要

背景：臭虫复合体是危害大豆最严重的害虫之一，会降低产量和种子质量。遗传抗性仍然是最可持续和有效的管理策略，但其定量遗传特性和劳动密集型的田间表型分析使得其在育种计划中的实施具有挑战性。

目的：本研究利用配备RGB相机的无人机（UAV）进行高通量表型分析（HTP），通过关联图像特征和机器学习（ML）模型来评估大豆群体的抗臭虫潜力。

方法：在两个生长季节中，采用alpha-lattice设计试验对304个大豆品系进行了评估，这些试验是在自然虫害条件下进行的。手动评分了五个与抗性相关的性状：籽粒产量（GY）、健康种子重量（HSW）、成熟天数（NDM）、耐受性（TOL）和叶片保持能力（LR），并将这些性状与无人机获取的植被指数（VIs）和纹理指数（TIs）进行了关联。测试了三种ML模型（AdaBoost、SVM、MLP），以从空中特征预测这些性状。

结果：结果显示，植被指数（VIs），特别是第25百分位的可见大气抗性指数（VARI_P25），与抗性相关性状有显著关联；决策树分析指出45°和135°的纹理指数（TIs）是补充的结构信息来源。对于籽粒产量（GY）、健康种子重量（HSW）和成熟天数（NDM），尤其是在开花和成熟期附近的飞行中，预测能力最高；而对于耐受性（TOL）和叶片保持能力（LR），预测能力较低。整合多次飞行可以适度提高准确性，但跨季节预测并不可靠。尽管如此，像VARI_P25这样的指数为健康种子重量（HSW）和耐受性（TOL）提供了有用的跨季节相关性，有助于早期筛选出潜力较低的大豆品系。

结论：这项开创性的研究表明，尽管环境复杂，无人机-机器学习（UAV-ML）流程仍能捕捉到大豆的抗臭虫遗传信号。这些发现为抗性表型分析开辟了新的途径，支持更高效的育种策略，并加速了大豆改良的遗传进展。

引言

大豆（Glycine max）是全球种植最广泛的油料作物之一，因其多功能性而被用于生产油、豆粕、生物柴油以及动物和人类所需的蛋白质（Hartman等人，2011年）。2023/24季，全球大豆产量总计为3.969亿吨（美国农业部，2024年）。目前巴西是全球最大的大豆生产国，估计产量为1.546亿吨，平均产量为每公顷3.5吨（CONAB，2024年）。如今，巴西几乎所有地区都种植大豆，这导致了多种害虫和病原体的出现，从而对籽粒产量（GY）和质量（Boerma & Walker，2005年）造成了显著损失。在这些害虫中，臭虫（半翅目：Pentatomidae）尤其具有破坏性，每条虫每线性米可导致高达125公斤的产量损失（Guedes等人，2012年）。这些昆虫直接取食大豆荚果，不仅影响籽粒产量，还损害种子的生理和植物健康质量（Bortolotto等人，2015年）。此外，臭虫的取食过程会导致大豆成熟延迟，由于叶片保持和绿色茎秆的存在，这阻碍了收获时间的确定和机械收割（Panizzi & Hirose，1995年；Rossetto等人，1995年）。

遗传抗性是控制臭虫最有效和可持续的策略之一，通常与化学方法结合使用。然而，对臭虫的抗性是一个复杂的、多基因的、定量遗传的性状，这使得在育种计划中选择抗性品系特别具有挑战性（Godoi & Pinheiro，2009年）。针对数量性状的植物育种计划需要大量且多样化的群体，这些群体需要以可行和精确的方式进行评估。在这方面，表型分析是育种的主要瓶颈之一，因为它通常依赖于手动和视觉测量，这些方法耗时且不精确。这一限制限制了可以测试的品系数量（Bhat & Yu，2021年）。开发高通量表型分析（HTP）方法提高了基因型的表型评估效率，优化了多种育种计划（Li等人，2014年）。特别是利用无人机（UAV）等自主平台结合相机的HTP方法，已成为帮助育种者选择和开发商业品种的宝贵工具。此外，图像的使用便于同时在大规模和不同生长阶段及地点对大量品系进行非破坏性评估（Furbank & Tester，2011年；Reynolds等人，2019年）。将基于图像的表型分析纳入大豆育种中，在预测许多重要性状方面取得了显著进展，包括成熟期（Trevisan等人，2020年；Yu等人，2016年）、生物量（Moreira等人，2021年；Sakurai等人，2022年）、抗旱性（Zhou等人，2020年）和产量估计（Maimaitijiang等人，2020年；Zhou等人，2022年）。然而，使用HTP来量化和识别大豆中的虫害损伤仍处于早期发展阶段。

Marston等人（2020年）证明，多光谱无人机图像可以捕捉到与大豆蚜虫侵害相关的植物压力，当蚜虫数量超过经济阈值时，近红外反射率会降低，无论是在笼养试验还是开放田间试验中都是如此。相比之下，Iost-Filho等人（2022年）观察到，在受控温室条件下，即使使用高光谱传感器，臭虫侵害也没有导致大豆光谱反射率的显著变化。值得注意的是，这两项研究都依赖于少数或单一基因型的实验，并且集中在受控侵害情景下。因此，将这些技术应用于田间条件以选择抗性基因型仍需要进一步研究，以提高选择过程的效率和准确性（Goggin等人，2015年）。

本研究旨在评估基于无人机的RGB图像和图像特征在自然田间虫害条件下支持大豆抗臭虫表型分析的潜力。使用alpha-lattice设计对290个大豆品系进行了两个生长季节的评估。通过对比不同的图像特征描述符及其与传统表型测量方法的关联，本研究突出了基于图像的大豆抗性表型分析的有效策略。此外，我们还评估了ML算法从图像特征预测关键农艺性状的预测性能，提供了一个端到端的工作流程，具有强大的潜力来支持大豆育种。

材料与方法

植物材料和田间试验

为了进行这项研究，我们使用了来自圣保罗大学Luiz de Queiroz农业学院/ESALQ遗传多样性与育种实验室的290个大豆品系。这些品系是由商业品种BRS-133、CD-215、Conquista、Dowling、IAC-100和Pintado与引入品种（PI）PI 200487（Kinoshita）、PI 471904（Orba）、PI 200526（Shiranui）和PI 459025（Bing Nan）杂交而成的。这些杂交后代随后与九个表现出抗臭虫遗传变异性的品系进行了重组。这些基因型经历了两个针对抗臭虫复合体的选择周期，以及一个高籽粒产量的选择周期。

表型评估在2019/2020和2020/2021生长季节进行，地点位于巴西Piracicaba市（南纬22°50’00’，西经48°05’00’，海拔460米）的Anhumas实验遗传站。在这两个季节中，290个品系以及该地区推荐的14个商业对照品系和/或表现出抗臭虫能力的品系，使用16×19的alpha-lattice实验设计进行了评估，每个处理有三次重复。实验地块由两排组成，每排长4米，间距0.5米，播种密度为每米15粒种子。实验遵循推荐的大豆栽培管理措施进行，但没有进行化学害虫控制，目的是确保实验区域内存在臭虫，从而能够评估品系的抗虫能力。

为了监测群体并验证实验区域内臭虫的存在，从开花到完全成熟期间使用了拍打布。在整个植物繁殖周期内每周使用拍打布，覆盖了臭虫出现和攻击的整个时期。评估涉及沿着1米长的作物行使用拍打布进行随机拍打。统计了成年虫、若虫（第三、第四和第五龄）以及大豆臭虫的总数量（成年虫和若虫）。

手动测量的农艺性状

大豆基因型的评估包括手动测量五个关键农艺性状。这包括成熟天数（NDM）的评估，即从播种到95%的荚果成熟所需的时间，从而表明基因型的周期。叶片保持能力（LR）在成熟时通过1到5的视觉等级进行评估，其中1分表示植物正常衰老，而5分表示植物保留多个茎和绿色叶片，使得收获变得不实际。籽粒产量（GY）在收获后确定，表示地块产生的总种子质量，经过13%的籽粒水分校正后转换为每公顷千克数（kg.ha?1）。健康种子重量（HSW）是指无臭虫损害的种子重量，在收获和籽粒处理后进行评估（kg.ha?1）。这一测量是在籽粒处理过程中获得的，通过螺旋机制将皱缩、绿色和畸形的籽粒分离出来（da Rocha等人，2014年）。耐受性（TOL）用作基因型在臭虫压力下保持产量和种子质量的指标，基于da Rocha等人（2014年）提出的概念。在本研究中，该指数被调整以适用于自然虫害条件，避免了需要设置有无害虫控制的对照试验，提高了大规模育种计划的可行性。TOL的计算公式如下：
$$\:TOL=\:\left(1-\left(\frac{GY-HSW}{GY}\right)\right)\:\times\:100$$ （1）

无人机数据收集

空中图像由DJI Phantom 4 Pro V2.0无人机（DJI，中国深圳）收集，该无人机配备了一个2000万像素的RGB相机，用于捕捉可见光谱的图像。飞行计划使用FieldAgent数字平台（Sentera，美国明尼苏达州）进行（图1a）。相机通过渐进式扫描捕捉该区域的连续图像。

图1

程序流程图，从数据采集到数据分析

在2019/2020生长季节进行了六次飞行，而在2020/2021季节，这一数字增加到了十次不同的日期。关于每次飞行在播种后多少天（DAP）进行的详细信息可以在图2中找到。所有飞行都在20米的高度进行，地面采样距离（GSD）为1.8厘米。获取的图像之间保持了80%的前后重叠。此外，飞行活动在阳光充足、无云的天气进行，时间安排在上午10点到下午2点之间，旨在优化光照条件并最小化环境变化。图2：该图像的替代文本可能是使用人工智能生成的。全尺寸图像。

展示了大豆生长阶段的表示，标出了在两个生长季节中进行无人机飞行的种植后天数（DAP）。

在获取航拍图像后，使用Agisoft MetaShape软件（Agisoft LLC，圣彼得堡，俄罗斯）按照软件提供的标准协议为每个田块创建了单独的正射影像（图1b）。随后，将这些正射影像导入到QGIS 3.02软件（QGIS开发团队，2018年）中，通过形状文件定义了每个实验地块的边界（图1c.1）。为了减少相邻地块之间叶片重叠可能造成的干扰，应用了0.10米的负缓冲区。每个地块根据实验设计被赋予了一个ID。使用R语言中的FieldImageR 0.6.0包（Matias等人，2020年）同时裁剪了每个实验区域，以形状文件作为地块边界（图1c.2）。

在单独处理和裁剪每个地块后，采用了Yuan等人（2019年）提出的方法去除背景，包括阴影、土壤和植被残余物，该方法利用植被指数来提高分割精度。所有步骤都是使用Python v3（Van Rossum & Drake，2009年）和OpenCV库（Pisarevsky，2008年）实现的。首先，将所有地块图像旋转90度以计算修改后的绿色指数（MExG）和植被提取的颜色指数（CIVE）。通过减去这些指数（MExG - CIVE），我们将结果图像缩放到0-255的范围，并使用Otsu阈值技术创建了一个分割掩膜（Otsu，1979年）（图1c.4）。

对于每个对应于不同飞行日期的正射影像的分割图像，我们计算了不同的植被指数和描述其物理特性的特征，包括颜色、梯度和纹理。我们使用了Python v3编程语言（Van Rossum & Drake，2009年）以及OpenCV（Pisarevsky，2008年）和scikit-image（Van Der Walt等人，2014年）库。

最初，计算了冠层覆盖指数（CC），表示图像分割后剩余像素的百分比。此外，还计算了六个植被指数（表1），包括三角形绿色指数（TGI）、绿叶指数（GLI）、归一化绿红差指数（NGRDI）、红绿蓝指数（RGBVI）和可见大气抗性指数（VARI）。根据每个指数计算得到的图像，我们将数值分布总结为不同的描述性统计量：平均值、标准差（std）、偏度（skew）、峰度以及第25、50和75百分位数，分别表示为P25、P50和P75。

表1 本研究中使用的植被指数（VI）的总结。每个VI都是使用RGB图像计算的，其中图像通道分别为红色（R）、绿色（G）和蓝色（B）。

为了反映不同的波长值，我们创建了一个具有64个分区的灰度直方图，将每个分区的量化视为一个不同的属性。纹理度量是使用灰度共生矩阵（GLCMs）计算的，以描述图像中的重复模式，这些模式在大小上有所不同，并提供了关于粗糙度和规则性的信息。对于每张图像，我们构建了四个不同的GLCMs，对应于0度、45度、90度和135度的角度。这些矩阵被总结为六个不同的特征，基于纹理指数（TIs）：能量、相关性、角二阶矩（ASM）、差异性和对比度（Haralick等人，1973年）。

因此，每张图像的完整特征描述基于124个特征：1个特征用于测量CC，5个植被指数的7个描述性统计量（35个特征），64个特征对应于颜色直方图的量化（Hist_1至Hist_64），以及4个GLCM的6个特征（24个特征）。这些特征与手动测量的性状之间的关联是通过R版本4.3.2软件（R核心团队，2023年）中的皮尔逊相关性（Pearson correlations）进行的。

所有试验的表型数据都在R（R核心团队，2023年）中使用ASReml-R包版本4.3.2（Butler等人，2018年）进行了分析。方差成分和遗传参数是使用限制最大似然（REML）方法（Patterson & Thompson，1971年）估计的，而遗传值是使用最佳线性无偏预测（BLUP）方法（Henderson，1982年）预测的。随机效应的显著性是通过似然比测试（LRTs）评估的。

对于研究中的五个手动测量的性状和从图像中获得的每个指数，每年都进行了统计分析，分别考虑了每次飞行。分析遵循以下模型：$$\:{y}_{ijk}=\mu\:+{g}_{i}+{r}_{k}{\:+\:b}_{j\left(k\right)}+{\epsilon\:}_{ijk}$$ （7）其中，\(\:{y}_{ijk}\)代表在第i个基因型、第j个区块、第k次重复实验中观察到的表型；\(\:\mu\:\)是总体平均值；\(\:{g}_{i}\)是与第i个基因型相关的随机效应（\:\:{g}_{i}\:\sim\:N(0,\:{\sigma\:}_{g}^{2})\)，\(\:{\sigma\:}_{g}^{2}\)代表遗传方差；\(\:\:{r}_{k}\)是第k次重复实验的固定效应；\(\:{b}_{j\left(k\right)}\)是第j个区块在第k次重复实验中的随机效应（\:\:{b}_{j}\:\sim\:N(0,\:{\sigma\:}_{j}^{2})\)，\(\:{\sigma\:}_{j}^{2}\)代表区块方差；\(\:{\epsilon\:}_{ijk}\)是模型残差，假设残差是独立且正态分布的，即\(\:{\epsilon\:}_{ijk}\:\sim\:N(0,\:{\sigma\:}^{2})\)，其中\(\:{\sigma\:}^{2}\)是残差方差。

广义遗传力（\(\:{h}^{2}\)是使用Piepho和Mohring（2007年）提出的方法估计的：$$\:\left({h}^{2}\right)=\frac{{\sigma\:}_{g}^{2}}{{\sigma\:}_{g}^{2}+\frac{{\sigma\:}^{2}}{\:r\:}}$$ （8）其中\(\:{\sigma\:}_{g}^{2}\)和\(\:{\sigma\:}^{2}\)分别是基因型和误差方差，r是重复实验的次数。真实随机效应和预测随机效应之间的相关性被用作评估准确性的指标：$$\:acc=\sqrt{1-\frac{PEV\left({\widehat{a}}_{i}\right)}{{\widehat{\sigma\:}}_{a}^{2}}}$$ （9）其中\(\:PEV\left({\widehat{a}}_{i}\right)\)是预测随机效应的预测误差方差，\(\:{\widehat{\sigma\:}}_{a}^{2}\)是随机效应的估计方差。使用每个基因型的BLUPs，计算了性状之间的皮尔逊相关性。

在Python v3编程语言（Van Rossum & Drake，2009年）中开发的scikit-learn库（Van Der Walt等人，2014年）被用来实现基于机器学习的预测模型。我们利用通过无人机收集的图像计算出的特征作为自变量，五个视觉特征作为因变量。对于GY、HSW、TOL和NDM特征，应用了回归模型；而对于LR特征，则采用了分类模型。随后，测试了六种不同的预测场景。两种场景考虑了每个季节的所有飞行（2019/2020年和2020/2021年），另外两种场景仅关注每个季节的最后三次飞行。此外，设计了两种跨年度预测的场景：第一种使用2019/2020年的数据来预测2020/2021年的物候特征，仅基于成熟期的飞行数据；第二种则结合了所有飞行数据。

本研究探索了三种机器学习方法：支持向量机回归（SVR）（Vapnik，2000年）、多层感知器（MLP）神经网络（Pal & Mitra，1992年）和自适应提升（AdaBoost）（Freund & Schapire，1997年）。此外，我们还应用了决策树来研究通过图像获得的哪些特征对于预测手动测量的农艺性状更为重要，并使用Gini指数估计了每个图像特征的重要性。

模型的性能通过10折交叉验证场景进行了评估。对于回归模型，使用皮尔逊相关系数（R）和均方误差（MSE）作为评估标准。对于分类模型，使用准确率和精确度指标来评估模型正确分类测试数据的能力。这些指标是通过比较训练集和测试集中的预测值和实际值计算得出的。

为了培育抗臭虫的品种，第一步是在自然田间压力下识别有潜力的基因型。由于虫害强度在不同季节间有所变化，因此监测对于表征选择环境至关重要。在本研究中，整个繁殖期间每周都通过拍打布样法记录了臭虫的发生情况。两个季节的虫害水平都保持在有效害虫管理的推荐阈值范围内，并且无人机飞行时间安排在虫害高峰期（图3）。

图3：该图像的替代文本可能是使用人工智能生成的。全尺寸图像。

2019/2020年（图3A）和2020/2021年（图3B）季节大豆繁殖期间臭虫的平均发生情况，通过拍打布样法获得。x轴表示进行拍打布样时的种植后天数（DAP），y轴显示在该区域内计数的臭虫和若虫的平均数量。红色虚线表示进行无人机飞行的日期。

2019/2020季节的虫害显著更高，在种植后100天（DAP）的虫害高峰期，每块拍打布上的平均臭虫数量达到了18只。相比之下，随后的2020/2021季节的虫害较低，在种植后120天（DAP）时，每块拍打布上的臭虫数量仅为3只，此外在80天和100天还有其他较小的峰值，平均为2.5只臭虫。这种对比鲜明的虫害动态为评估大豆对臭虫复合体的抗性提供了两个不同的选择环境。

为了评估大豆基因型在自然臭虫侵害下的响应，对两个生长季节的五个农艺性状（LR、NDM、GY、TOL和HSW）进行了方差成分分析。这种方法允许将总表型变异分为遗传效应和区块效应，并估计了性状h2和预测准确率（acc）。根据LRT测试，两个方差成分都是显著的（图4）。

图4：该图像的替代文本可能是使用人工智能生成的。全尺寸图像。

解释了两个生长季节中谷物产量（GY）、健康种子重量（HSW）、耐受性（TOL）、成熟天数（NDM）和叶片保持率（LR）的变异百分比，按方差成分、遗传力和准确率划分。

遗传方差（σG）在两年中解释了大部分性状变异。2019年，σG解释了GY变异的34%，以及HSW、TOL和LR的最多44%。2020年的模式类似，尽管σG对GY和HSW的贡献减少了，但对NDM和TOL的贡献仍然很高。h2值始终很高，2019年在0.72（NDM、GY）到0.77（HSW）之间，2020年在0.65到0.90之间。acc也遵循相同的趋势，2019年的值在0.83到0.87之间，2020年略高，范围在0.79到0.94之间，特别是对于GY和TOL。这些结果突显了所评估性状的强烈遗传控制以及跨季节表型预测的可靠性。

图5显示了两个季节中手动测量性状之间的皮尔逊相关性。所有相关性都是显著的，尽管它们的大小和方向在不同年份之间有所变化。值得注意的是，GY和HSW之间存在强相关性，后者常用于选择更高产和抗臭虫的基因型。2020季节的相关性更高，达到了0.87，而2019季节的相关性为0.53。

图5：该图像的替代文本可能是使用人工智能生成的。全尺寸图像。

2019/2020年（蓝色）和2020/2021年（红色）两个生长季节中评估的视觉特征之间的皮尔逊相关性：谷物产量（GY）、健康种子重量（HSW）、耐受性（TOL）、成熟天数（NDM）和叶片保持率（LR）。

在图像预处理后，每次飞行共提取了124个指数，包括颜色、纹理和梯度直方图特征。为了减少冗余，根据它们与手动测量性状的相关性进行了过滤，使用r > 0.6的阈值，从而得到38个特征的过滤集。其中，19个指数来自不同的描述性统计量。鉴于这些指数之间的高相关性（补充图1），我们优先选择了在大多数飞行中相关性最高的特征。这导致了在第25百分位数选择出四个关键指数（VARI_P25、RGBVI_P25、NGRDI_P25和GLI_P25）。

对于TI，所有在任何飞行中相关性大于0.6的指数都进行了主成分分析（PCA），使用第一个主成分进行后续分析（补充图2）。总共选择了18个TI并纳入PCA：ASM、差异性、能量和在0°、45°、90°和135°角度的均匀性，以及45°和135°角度的相关性。这些TI是互补的，因为每个都捕捉了植被结构和纹理变化的不同方面。因此，TI被总结到第一个主成分中，该主成分捕捉了主要的结构变化。

此外，由于CC指数与评估性状的高度相关性，它也被纳入了选择范围。总共六个指数（VARI_P25、RGBVI_P25、NGRDI_P25、GLI_P25、CC和PCA）被选中进行与农艺性状的相关性分析。颜色直方图的量化结果没有超过相关性阈值，因此被排除在外。图6中显示了基于图像的指数（NGRDI、GLI、RGBVI、VARI、CC和PCA）与种植后不同天数（DAP）的飞行时间之间的相关模式，这些数据来自两个生长季节（2019/2020和2020/2021年）。在选择这些指数后，我们将它们整合到混合模型中，以了解不同特征的理解如何有助于整体植物表现，并促进具有理想性状的基因型的识别。图6展示了两个季节中各指数之间的相关结构。正如预期的那样，间隔时间较短的飞行之间的相关性更强，而随着时间距离的增加，相关性逐渐减弱。这一点在聚类图中很明显，间隔时间较短的飞行显示出显著的相关性，而间隔时间较长的飞行则显示出接近零的相关性。基于这种模式，我们分别分析了每个飞行时间，以了解不同生长阶段如何影响所评估的性状。通过将每个飞行时间视为一个独立的因变量，我们获得了更精确和详细的分析结果，这使我们能够确定在作物生长过程中的哪个特定时刻最适合进行飞行以评估感兴趣的性状。六个基于图像的性状的方差成分和遗传参数的分解在补充图3和图4中展示。观察到，在所有飞行时间中，CC和PCA两个指数的h2估计值最低。在2019年，种植后90天和97天（灌浆期）的飞行显示出所有性状中最低的h2估计值。此外，视觉指数（VIs）的h2值也表现出相似性，其中VARI_P25在种植后106天的h2值为0.76。总体而言，遗传力（Acc）的估计值从中等到高不等，尽管某些飞行时期的值较低。在2020年，种植后57天、65天和122天的飞行与较低的遗传力相关，而VARI_P25在种植后107天的h2值最高，为0.77。遗传力的模式与前一季节相似。似然比测试确认，在所有情况下，遗传方差都显著解释了性状的变异，除了2019年种植后97天的PCA。

在这些发现的基础上，我们接下来研究了基于图像的指数与手动测量性状之间的关系。图7显示了基于无人机的指数与田间测量值在不同飞行日期之间的皮尔逊相关性。在两个季节中，所有手动测量的性状都观察到了强相关性，表明特定的飞行时期提供了与大豆抗臭虫能力相关的更多信息。2019年，在接近收获和成熟期的飞行中观察到了最强的相关性，相关系数达到了0.76。在随后的季节中也观察到了类似的模式，但相关性的幅度略低。对于产量（GY）和水分含量（HSW），2020年早期飞行（57至78天）也发现了强相关性，而中期飞行（85-107天）的相关性较弱。此外，产量和水分含量在后期飞行中与多个指数有强相关性。对于耐受性（TOL），尽管相关性不如其他性状强，但在2019年臭虫侵害更为严重的情况下，接近成熟期的飞行观察到了显著的相关性，相关系数高于-0.5和0.5。视觉指数展示了相似的模式，反映了它们捕捉冠层反射率相关方面的共同能力。同样，从土壤-叶片分割中得出的CC指数也显示出与基于RGB波段的指数相似的模式。在早期飞行中，视觉指数和CC与产量、水分含量和耐受性呈正相关，而在后期飞行中则变为负相关。相比之下，PCA指数显示出明显且通常是相反的相关模式，表明基于纹理的指标捕捉到了视觉指数未反映的补充结构信息。

总结来说，这些分析揭示了跨季节的一致性和信息量，视觉指数在相关性和h2值方面通常优于传统指标（TI）。其中，VARI_P25特别具有信息量，它在不同飞行和季节中与多个性状表现出强且一致的相关性，并且h2值很高。在2020/2021年，早期飞行（57-78天）对产量和水分含量最具信息量，而后期飞行（107-122天）对耐受性、水分含量和抗性（NDM）的关联更强。在2019/2020年，由于没有在开花期进行飞行，最具信息量的时期出现在接近成熟期。

我们评估了三种机器学习模型（AdaBoost、MLP和SVM）使用基于无人机的指数预测五个手动测量性状的预测能力（PA）。针对每个飞行日期进行了预测，以确定每个性状的最具信息量的时期（补充表1-2）。在两个季节中，AdaBoost始终获得了最高的PA，尤其是在产量方面。2020/2021年，早期飞行（65-78天）产生了最强的预测结果，AdaBoost的相关性超过了0.80，而在后期飞行中预测能力下降。2019/2020年，最佳预测出现在120天。水分含量的预测情况类似，AdaBoost再次优于其他模型。2020/2021年，水分含量的预测在早期飞行（65-78天）最强，而在2019/2020年，最佳结果出现在120-127天。对于耐受性（NDM）和耐受性（TOL），MLP模型的表现始终较低。AdaBoost在接近生理成熟期的飞行中获得了最高的PA。对于抗性（LR），分类模型被用于评估，准确性和精确度作为评估指标。总体而言，三个模型的准确性相似，AdaBoost和MLP在接近成熟期的飞行中表现更好。然而，这一性状的PA相对较低，准确率没有超过0.4。在2019/2020年季节，使用MLP模型在127天的飞行中获得了最高的准确率，为0.37，而在2020/2021年，AdaBoost在122天的飞行中达到了最高的准确率（0.39）。精确度值也显示出类似的趋势，AdaBoost略微优于其他模型。总体而言，2020/2021年的预测能力高于2019/2020年，这可能是由于该季节在开花期进行了更多的飞行。基于机器学习的预测在2020/2021年对于产量和水分含量来说更好，可能是因为那个季节在开花期进行了更多的飞行。相比之下，耐受性（NDM）的预测性能在两年间相对稳定，其最佳结果出现在2019/2020年。图7总结了基于皮尔逊相关性的每个性状的最高PA飞行，包括2019/2020年（图7A）和2020/2021年（图7B）生长季节。图表显示了不同飞行日期下基于图像的指数与手动测量性状之间的皮尔逊相关性。

箱形图展示了2019/2020年和2020/2021年季节中每个手动测量农艺性状的最佳机器学习模型的预测能力（PA）值。评估使用了10折交叉验证，重复50次，对于回归模型（产量、水分含量、耐受性和耐受性）使用皮尔逊相关性，对于分类模型（抗性）使用准确度。飞行日期和模型在x轴上表示，而PA在y轴上显示。我们进一步通过改变飞行组合和目标季节来评估了六种预测情景：（i）2019年的所有飞行；（ii）2020年的所有飞行；（iii）2019年的最后三次飞行；（iv）2020年的最后三次飞行；（v）使用2019年的数据预测2020年的结果；（vi）相反的情况。补充图5A-B展示了这些情景下三个模型每个性状的预测能力（PA）。图8显示，在一个季节内，汇总所有飞行通常比使用单次飞行提高了PA，特别是AdaBoost模型。在2020/2021年，产量和水分含量的提升最为明显，AdaBoost获得了最高的整体相关性。2019/2020年也观察到了类似的趋势，证实了多飞行整合能更有效地捕捉时间变化。相比之下，跨季节的预测在所有模型和性状中表现不佳，突显了尽管训练集很大，但在年际间转移模型的难度。这些结果强调了在一个季节内整合多次飞行的价值以及跨季节预测的当前局限性。

我们评估了三种不同机器学习模型（AdaBoost、MLP和SVM）在五个手动测量性状上的预测能力（PA），使用基于无人机的指数。预测是针对每个飞行日期进行的，以确定每个性状的最具信息量的时期（补充表1-2）。在两个季节中，AdaBoost始终获得了最高的PA，尤其是在产量方面。2020/2021年，早期飞行（65-78天）产生了最强的结果，AdaBoost的相关性超过了0.80，而在后期飞行中预测能力下降。2019/2020年，最佳预测出现在120天。对于水分含量，AdaBoost再次优于其他模型。2020/2021年，水分含量的预测在早期飞行（65-78天）最强，而在2019/2020年，最佳结果出现在120-127天。对于耐受性（NDM）和耐受性（TOL），MLP模型的表现始终较低。AdaBoost在接近生理成熟期的飞行中获得了最高的PA。对于抗性（LR），分类模型被使用，准确性和精确度作为评估指标。总体而言，三个模型的准确性相似，AdaBoost和MLP在接近成熟期的飞行中表现更好。然而，这一性状的PA相对较低，准确率没有超过0.4。在2019/2020年季节，使用MLP模型在127天的飞行中获得了最高的准确率，为0.37，而在2020/2021年，AdaBoost在122天的飞行中达到了最高的准确率（0.39）。精确度值也显示出类似的趋势，AdaBoost略微优于其他模型。总体而言，2020/2021年的预测能力高于2019/2020年，这可能是由于那个季节在开花期进行了更多的飞行。相比之下，耐受性（NDM）的预测性能在两年间相对稳定，其最佳结果出现在2019/2020年。图7总结了基于回归模型（产量、水分含量、耐受性和耐受性）的皮尔逊相关性和分类模型（抗性）的准确性，得出了每个性状的最高PA飞行。

我们进一步评估了六种预测情景下基于图像的指数与手动测量性状之间的相关性。与2019/2020年和2020/2021年季节相比，箱形图展示了最佳机器学习模型在不同飞行日期的预测能力（PA）值。评估使用了10折交叉验证，重复50次。我们通过改变飞行组合和目标季节来评估了六种预测情景：（i）2019年的所有飞行；（ii）2020年的所有飞行；（iii）2019年的最后三次飞行；（iv）2020年的最后三次飞行；（v）使用2019年的数据预测2020年的结果；（vi）相反的情况。图8显示，在一个季节内，汇总所有飞行通常比使用单次飞行提高了PA，特别是AdaBoost模型。在2020/2021年，产量和水分含量的提升最为明显，AdaBoost获得了最高的整体相关性。2019/2020年也观察到了类似的趋势，证实了多飞行整合能更有效地捕捉时间变化。相比之下，跨季节的预测在所有模型和性状中表现不佳，突显了尽管训练集很大，但在年际间转移模型的难度。这些结果强调了在一个季节内整合多次飞行的价值以及跨季节预测的当前局限性。

我们评估了三种不同机器学习模型（AdaBoost、MLP和SVM）在五个手动测量性状上的预测能力（PA），在不同的测试情景下进行了评估。评估使用了10折交叉验证，重复50次。使用皮尔逊相关性来评估回归模型（产量、耐受性、水分含量和耐受性）的PA。对于应用于抗性（LR）性状的分类模型，使用准确度作为评估指标。最后，我们评估了基于图像的指数与手动测量性状之间的跨季节相关性（图9）。与在2019/2020年训练并在2020/2021年测试的ML模型不同，几种跨季节相关性显著。值得注意的是，2019/2020年的水分含量和耐受性在2020/2021年与VARI_P25显示出强相关性，特别是在107天和114天，某些情况下甚至超过了同一季节内的相关性。相比之下，产量显示出一致较弱的跨季节相关性，这强化了其复杂性和环境依赖性。图10展示了2019/2020年和2020/2021年季节中VARI_P25指数与产量、水分含量、抗性、耐受性和耐受性等表型性状之间的相关性。我们还进行了决策树分析，以了解预测变量的重要性。正如预期的那样，一些特征显示出显著的相关性，而其他特征的重要性较低。此外，变量的重要性取决于飞行时期和年份。然而，某些视觉指数（VI）和传统指标（TI）脱颖而出，如补充图6至10所示，这些图表展示了在预测能力大于0.6的飞行中每个预测变量的重要性。对于抗性（LR）和耐受性（TOL），由于这些性状的PA较低，图中只包括了最重要的飞行。

在2019年的后期飞行中，VARI_P25是最重要的特征，而在早期飞行（57-78天）中，纹理指数（TI）如ASM（0°和45°）和均匀性（45°）也有很强的贡献。水分含量显示出类似的趋势，但TI的影响比VI更大，特别是在45°和135°，VARI_P25在后期飞行（122天）中再次显现。对于耐受性（NDM），VARI_P25仍然突出，同时能量（135°）和差异性（45°）在2019年也很重要，一些梯度直方图显示了这一性状的特定重要性。相比之下，对于抗性（LR）和耐受性（TOL），没有单一变量占主导；然而，在2020年的最后一次飞行中，对比度（45°）对LR有贡献，而VARI_P25再次成为耐受性的主要预测因子。在这项研究中评估的两个生长季节中，臭虫的数量都超过了大豆生产的经济阈值：种子生产时每块布上允许有一只臭虫，而谷物生产时每块布上允许有两只臭虫，这证实了存在足够的选择压力（Corrêa-Ferreira & Panizzi, 1999）。虫害通常从田边开始，并随着时间的推移而扩散，导致局部害虫压力的变化，使得在小区水平上评估抗性变得复杂（Panizzi & Slansky, 1985）。为了减轻这些条件下的潜在空间混淆，我们采用了由Patterson和Williams（1976）最初提出的alpha-lattice实验设计，该设计包括不完整的区块和区块内基因型的随机化。这种设计在育种试验中被广泛使用，以控制局部田间的趋势并提高评估大量基因型的实验精度（Kumar et al., 2020; Piepho et al., 2006; Redhu et al., 2025）。因此，实验设计减少了臭虫压力空间异质性的影响，提高了基因型间抗性表型的可靠性。

在大豆育种中，对于影响抗性的特定性状（如豆荚损伤、叶片卷曲（LR）、灌浆期、作物周期、籽粒大小和HSW）的抗性表型已有很好的描述。特别是HSW，已被报道与抗性和产量有很强的关联（da Rocha et al., 2014）。在我们的研究中，抗性相关性状、生产力和物候之间的相关性支持将它们作为联合选择标准。不同季节之间相关性的大小差异可能反映了不同的虫害水平：在非常低的压力下，性状的表现被抑制；而在非常高的压力下，所有基因型的损伤都可能达到饱和状态，这两种情况都会降低品系间的区分度（Panizzi & Corrêa-Ferreira, 1997）。

所评估性状的遗传力估计值很高，表明这些性状可以用于选择更具抗性和生产力的基因型。在自然臭虫侵染下的先前研究中也报告了类似的模式：在一个F2:3群体中，Santos等人（2018）观察到h2 ≈ 0.80（NDM）、0.70（GY, HSW）和0.20（LR）；在一个RILs群体中，da Rocha等人（2015）报告h2 ≈ 0.75（NDM）、0.35（HSW）、0.24（GY）和0.67（LR），这两个群体都来源于IAC 100（抗性）和CD 215（易感）的杂交。对于像GY和HSW这样的数量性状，由于受到强烈环境因素的影响，其h2值在不同研究中的变化是预期的（Han et al., 2012）。对于LR，其值很大程度上取决于评估者的判断，这使得获得高遗传力估计值变得具有挑战性（Godoi & Pinheiro, 2009; Pinheiro et al., 2005）。

我们观察到\({\sigma\:}_{g}^{2}\)解释了总表型方差的很大一部分，表明所评估的群体中存在变异性，从而使得基因型的选择成为可能。这种变异性受到参与杂交的亲本系的影响，这些亲本系非常多样化，包括IAC 100，据报道它携带多种抗臭虫的机制（McPherson et al., 2007; Veiga et al., 1999）。精心选择亲本以最大化有用多样性对于育种进展至关重要（Falconer et al., 1996）。

尽管视觉评估在植物育种计划中非常重要，但在大规模应用时变得不切实际且不准确，尤其是在评估昆虫抗性时（Tang & He, 2021）。尽管基于UAV的方法已经在大豆的各种应用中得到探索，但它们在评估抗臭虫能力方面的应用仍然有限（Iost-Filho et al., 2022; Marston et al., 2020, 2022）。基于UAV的成像可以定量估计与生理过程相关的冠层反射率指数（VIs），而纹理指数（TIs）则能捕捉冠层的空间/结构信息（Araus & Cairns, 2014; Li et al., 2014）。

鉴于航空图像的实用性，它们可以应用于植物育种计划中评估广泛的性状。VIs是与植物光合作用活性和生理状态相关的指标，特别是关于它们对压力和整体健康的响应（Krause et al., 2020）。这些指数可以捕捉到植物组成和光合作用活性的细微差异，这些差异可能受到不同环境条件和生物胁迫的影响（Kefauver et al., 2015）。此外，由于VIs的稳定性和优越性能，它们被用于许多预测农业生产力的研究中（Ballester et al., 2017; Zhou et al., 2017）。因此，不同测试基因型之间的VIs变化可以提供关于植物如何响应和适应不同胁迫的见解。在我们的研究中，VIs显示出高遗传力和预测准确性，并与抗臭虫相关的性状有很强的相关性，尤其是在接近成熟期和臭虫压力较高时。

在其他作物中也报告了类似的研究结果。Li等人（2023）表明，基于UAV的RGB VIs有效识别了小麦的延迟衰老，而Resende等人（2024）发现，在玉米的早期飞行（V5–V8）中，GLI和GY之间的关联最强。然而，他们也强调这些相关性高度依赖于环境条件和作物发育阶段。我们工作的一个方法学区别是使用了像素值的第25百分位数而不是小区平均值。一个可能的解释是，臭虫侵染通常在田间是零散的，并且在单个小区内也是空间异质的（Fernandes et al., 2022）。因此，仅考虑像素的第25百分位数可以确保我们评估的是那些受到臭虫攻击的植物。这种策略允许更准确地评估抗臭虫攻击的能力，并且对于专注于昆虫抗性的育种计划来说是一个有趣的方法。

在大豆中，Bai等人（2022）证明，在倒伏条件下，UAV-RGB成像改善了产量预测，特别是在开花期，这突显了捕捉关键物候阶段的重要性。这些作者还注意到纹理信息对产量预测的贡献。同样，Maimaitijiang等人（2020）报告说，结合冠层纹理特征可以提高产量预测的准确性，R2范围从0.65到0.72。TIs代表图像中颜色强度的空间变化，并能捕捉到有助于评估冠层均匀性的重复模式，这与植物活力和生产力相关（Ma et al., 2022）。

与这一点一致，我们的结果突出显示VARI_P25是最有信息量的指数，具有较高的遗传力和跨性状的一致相关性。尽管如此，纹理指数（TIs）在特定情况下也证明是有价值的，例如基于PCA的TI得分与2019/2020年的TOL相关（r?=?0.58），超过了其他VIs。因此，虽然VIs通常更有效，但在某些环境中或针对某些性状时，TIs可以提供补充信息。总体而言，这些发现表明基于UAV的指数与视觉特征密切相关，可以单独用于选择。然而，要充分利用它们的预测能力，需要综合方法，如机器学习（ML），以完全捕捉基于图像的数据集的复杂性。

除了它们的统计性能外，对最具影响力预测因子的生物学解释提供了关于臭虫抗性机制的见解。VARI_P25是跨性状和季节最常出现的重要指数，反映了冠层的绿色度和活力，并且与叶绿素含量和光合活跃组织密切相关（Gitelson et al., 2002）。臭虫的取食会干扰同化物的运输和种子发育，经常导致延迟衰老和叶片保留，使得叶片和茎保持绿色，而豆荚达到成熟。这种生理紊乱在生殖后期产生了空间异质的冠层绿色度和活力模式。VARI_P25与抗性相关性状之间的强关联表明，该指数有效地捕捉了这些异质性的冠层响应。与此解释一致的是，VARI已被证明与关键的结构和生理冠层属性密切相关，包括叶面积指数、绿色生物量和光合活跃组织的持久性，在基于UAV的RGB研究中（Pinto de Magalh?es and Rossi, 2024; Qiao et al., 2022）。

多项研究结合了UAV图像和机器学习（ML）来解决大豆改良中的挑战。Hassanijalilian等人（2020）使用RGB图像评估了基于决策树的模型来分类40个大豆品种的铁缺乏黄化病，发现AdaBoost的表现优于随机森林（RF）和决策树，平均F1分数为0.75。同样，RF和人工神经网络也能有效区分耐二氯苯氧乙酸（dicamba）的基因型和易感基因型，分类准确率在0.69到0.75之间（Vieira et al., 2022）。值得注意的是，LR与IDC和dicamba损伤相似，因为它也表现为叶片中可见的叶绿素损失。

在我们的研究中，AdaBoost在大多数性状上始终提供了最强的结果，无论是使用单个飞行还是聚合多个飞行，这证实了基于决策树的模型在这些预测任务中的有效性。然而，PA值通常低于上述研究中的报告值。一个可能的解释是不同季节间的臭虫压力不同：在2019/2020年，严重的侵染产生了统一的高分数，而在2020/2021年，症状最小，大多数分数集中在较低端，这种有限的表型变异降低了模型的区分度。这些发现强调了维持中等害虫压力水平的重要性，以最大化性状表达并实现有效的抗性筛选（Panizzi & Corrêa-Ferreira, 1997）。

对于GY和HSW，最高的PA值出现在接近开花期的飞行中，尽管在后期生长阶段也获得了有信息的预测。Zhou等人（2020）使用卷积神经网络估计了水分胁迫下的大豆产量，早期和晚期生殖阶段收集的图像提供了强有力的预测。通过结合所有飞行来预测GY，结果表明更多的飞行有助于捕捉更高的表型和环境变异性。在接近开花期进行的飞行可以捕捉到与植株建立不完全或不均匀发育相关的变异，这可能会混淆预测结果，无法完全反映抗性的遗传基础。相比之下，接近成熟期的飞行在关键的生殖阶段（R5–R7）更有效地捕捉了臭虫损伤，因为在这个阶段取食造成的产量损失最大（da Rocha et al., 2014）。因此，后期飞行更准确地代表了抗性和产量潜力的遗传差异，而早期飞行对于抗性筛选的信息量较少，因为此时臭虫的损伤尚未在表型上表现出来。

早期季节的图像主要捕捉植株建立、冠层发育和早期活力，这些并不直接反映臭虫损伤，但可以影响产量潜力和整体植物表现（Maimaitijiang et al., 2020）。在育种计划中，抗性很少单独选择；相反，基因型是根据抗性、生产力和农艺适应性的组合来推进的。从这个角度来看，结合多个发育阶段的信息可以识别出同时具有适当抗性和理想早期生长及产量潜力的基因型，而在生殖后期获得的图像对于捕捉臭虫取食的直接表型后果最为生物学相关。

尽管UAV在植物育种中得到广泛应用，但它们在田间用于臭虫表型分析的应用尚未被报道。一些研究探索了基于UAV的方法来检测大豆蚜虫压力。Marston等人（2022）使用高光谱反射率和支持向量机实现了高达89.4%的分类准确性，而Marston等人（2020）证明多光谱图像结合线性回归也可以识别蚜虫引起的压力。然而，这些研究是在受控侵染的笼子中进行的，并且只使用了一个或少数几个基因型，这些条件与育种计划中的情况不同。尽管存在这些限制，它们突显了先进传感器（如多光谱和高光谱相机）在田间条件下改进抗性筛选的潜力。

总体而言，我们研究中最好的PA值出现在2020/2021季节，特别是在HSW和GY方面。然而，在低臭虫压力下基于HSW进行选择时需要谨慎，因为这可能会偏好高产的品系而不是抗性品系（da Rocha et al., 2014）。相反，2019/2020年的高选择压力阻碍了抗性基因型的识别，因为这种压力掩盖了表型差异并降低了模型的区分度，因为耐受机制可以在中等程度的取食下缓冲产量损失，但在极端害虫压力下可以克服这一点（Smith, 2005）。这些对比情况强调了维持中等害虫压力的重要性，因为过低或过高的侵染都会限制基因型之间的区分度（Corrêa-Ferreira & Panizzi, 1999）。增加飞行次数在多个性状上提高了预测准确性，尽管提升幅度不大，这表明重复的时间采样有助于捕捉遗传和环境变异性（Rutkoski等人，2016年；Sun等人，2017年）。在某些跨季节情景中观察到的负预测值反映了基于图像的预测模型在不同环境和害虫压力条件下进行迁移的固有难度。跨季节预测对作物物候变化和基因型×环境相互作用非常敏感，这些因素会显著改变冠层信号与目标性状之间的关系（Crossa等人，2017年；Yang等人，2017年）。先前的研究表明，扩大训练数据集的规模，包括更多的年份、环境和基因型，可以通过更好地捕捉遗传和环境变异性来提高预测的稳定性和准确性（Zhang等人，2017年；Hoffstetter等人，2016年）。此外，将环境协变量纳入预测模型已被证明可以通过明确考虑性状表达的环境驱动因素来提高模型的鲁棒性和可转移性（Heslot等人，2014年）。综合这些策略可以减少预测能力的反向变化，并提高基于无人机的预测框架在育种应用中的可靠性，尤其是在模型跨季节迁移时。

最近的进展表明，当拥有大型、结构良好的数据集时，深度学习方法在植物表型分析和性状预测方面具有巨大潜力。深度学习框架已成功应用于复杂的表型分析任务，包括从植物图像中提取性状、检测胁迫和识别模式（Ubbens & Stavness，2017年）。在大豆研究中，深度学习的有希望的应用包括直接从无人机获取的RGB图像中检测和分类大豆害虫（Tetila等人，2020年），这展示了在拥有大型且注释良好的数据集时基于图像的深度学习方法的潜力。本研究强调了深度学习在处理大型图像数据集或高度结构化输入时的优势。然而，这类方法通常需要涵盖多种环境、季节和胁迫条件的广泛校准数据集才能实现稳健的泛化能力。在这种情况下，虽然深度学习代表了使用更大、更多样化数据集的未来研究的一个有前景的方向，但本文采用的基于特征的机器学习框架为自然田间条件下的抗性表型分析提供了一种稳健、可解释且面向育种的解决方案，并且可以在大规模数据集中实施深度学习之前作为补充或初步方法。

尽管如此，VARI_P25在某些情况下与HSW和TOL等性状保持了中等的跨季节相关性，甚至超过了季节内的相关性。尽管这种相关性不大，但它们对于初步的基因型筛选仍然有用，可以排除不太有潜力的材料，从而优化后续周期中的资源和评估时间（Zhou等人，2022年）。相比之下，GY在不同季节之间的相关性明显较低，表明该性状受环境变化的影响更大。

我们在决策树分析中没有发现最重要的指标之间存在一致的模式。每次飞行和每个特征都表现出来自所使用指标的不同影响模式。尽管如此，VARI_P25仍然是最常出现的最重要指标，在几乎所有性状中都具有最高的预测能力，LR除外。除了在机器学习模型中的重要性外，VARI_P25还与手动测量的性状显示出强烈的直接相关性。从生物学角度来看，该指标通过绿色度反映了冠层的活力和胁迫情况（Gitelson等人，2002年），并且之前已被证明与胁迫下的籽粒重量（Rodene等人，2022年）、产量（Silva等人，2022年）和叶面积（Hasan等人，2019年；Zhang等人，2019年）有关。这些跨性状和研究的一致性关联突显了VARI_P25作为抗臭虫表型分析的一个特别有前景的指标。

除了视觉指数（VIS）之外，纹理指数（TI）也对模型性能做出了重要贡献。在45°和135°角度计算的TI通常是影响最大的预测因子之一。与通过反射率捕捉生理状态的VIS不同，TI量化了冠层结构和空间模式，这些特征可能间接反映了植物对害虫损害的响应（Ma等人，2022年）。未来的研究应进一步探讨TI在如LR等性状中的作用，因为LR在视觉上难以评估，并且容易与晚熟混淆。在臭虫攻击下，叶片和茎保持绿色，而豆荚继续成熟，这种对比纹理指数可能比视觉评估更可靠地捕捉到（Pinheiro等人，2005年；Godoi & Pinheiro，2009年）。

总之，结合无人机图像的机器学习方法在预测与臭虫抗性相关的大豆性状方面被证明是有效的，其中AdaBoost始终提供了最强的结果。虽然环境变化和害虫压力的极端情况限制了预测准确性，但整合多次飞行并将VIS与TI结合起来增强了表型信号的检测能力。这些发现强调了无人机-机器学习流程在支持抗性表型分析方面的潜力，前提是实验设计能够确保害虫压力的平衡和时间采样的一致性。

结论

本研究首次全面评估了使用基于无人机的图像与机器学习模型结合的大豆抗臭虫能力。我们发现，视觉指数（VIS），特别是VARI_P25，与关键性状有持续的相关性，而纹理指数（TI）提供了补充信息，突显了结合这两种方法的价值。预测能力受到害虫压力和飞行时间的强烈影响，这突显了在关键生殖阶段进行监测以及保持中等害虫侵染水平对于可靠抗性筛选的重要性。尽管存在如跨季节迁移能力有限等挑战，我们的发现确立了无人机-机器学习流程作为表型分析复杂抗性性状的有前景的框架。未来研究将整合先进传感器、多季节数据集和优化的实验设计，这对于充分利用这些工具加速大豆抗臭虫育种至关重要。