环境效应引起的作物响应变异性影响小麦中NDVI与籽粒产量的关系

《Plant Phenomics》：Variability in crop responses as a function of environment effects the NDVI relationship with grain yield in wheat

　　

推动小麦育种需要可靠的数字化性状，这些性状能够捕获基因型×环境互作，并提高不同生长条件下的产量预测。尽管诸如归一化植被指数（NDVI）等植被指数被广泛使用，但其相对于产量变异性和环境胁迫的性能在多环境试验中仍未得到充分探索。本研究利用无人机多光谱影像提取NDVI，并评估其与34个春小麦和冬小麦品种试验中籽粒产量的关系。这些试验涵盖了华盛顿州七个位于不同降水区域的地点、五年（2019至2023年）的数据以及一些灌溉试验。环境主要根据降水和温度被分为高胁迫、中胁迫和低胁迫三类。变异性通过变异系数进行量化，并根据市场类别（硬质春小麦、软质春小麦、硬质冬小麦和软质冬小麦）评估了不同环境间品种内和品种间籽粒产量与NDVI的相关性。在所有环境和品种中，每个市场类别的NDVI与籽粒产量均呈强相关（r = 0.79–0.82, p < 0.001）。易胁迫环境下两个性状的变异性更大，且较高的产量变异性可能与较高的NDVI变异性相关，尤其在春小麦中（硬质春小麦r = 0.72，软质春小麦r = 0.53）。这些条件也提高了品种间的区分度。尽管遗传力模式未因胁迫簇而明显分化，但产量遗传控制较强的环境也倾向于表现出更强的NDVI遗传力。总体而言，NDVI可靠地捕获了受基因型×环境驱动变异调控的小麦籽粒产量，其预测价值在易胁迫条件下最强。这些发现强调了NDVI作为一种实用数字化性状的可用性，可用于改进品种测试并指导在挑战性环境中的育种决策。

论文解读

研究背景：传统表型方法（如株高、抽穗期、籽粒重等）在评估小麦产量关联性状时劳动密集且耗时，限制了大规模多环境试验（METs）中的可靠产量预测。表型组学通过非破坏性、高通量的性状监测提供了解决方案，其中无人机（UAV）多光谱影像提取的植被指数（VIs）被广泛用于产量预测。然而，植被指数（如归一化植被指数NDVI）在不同环境下的预测性能并不稳定，其有效性受天气因素（如温度和降水）显著影响，但在真实、异质的METs中系统评估NDVI的预测条件尚不充分。因此，研究人员提出假设：NDVI对籽粒产量的预测能力受环境胁迫程度调节，在胁迫环境下变异性增强可能强化两者关系。本研究旨在通过多环境试验分析NDVI与籽粒产量的变异性和相关性，探索环境影响机制，为育种决策提供支持。该论文发表在《Plant Phenomics》。

关键技术方法：研究人员利用UAV搭载多光谱传感器（RedEdge-MX Dual相机或Sentera四波段传感器，飞行高度45–50 m，重叠率70–80%）获取抽穗期多光谱影像，通过Pix4Dmapper生成正射影像并提取小区级NDVI（归一化植被指数）、SAVI（土壤调节植被指数）和NDRE（归一化差异红边指数）。环境聚类采用k-means无监督学习，基于累积降水、温度等天气变量将34个环境（15个春麦、19个冬麦；数据源于华盛顿州立大学品种试验项目，2019–2023年）分为高、中、低胁迫三类。统计分析包括计算变异系数（CV）、Pearson相关、广义遗传力（H²），并基于品种和市场类别（硬/软春冬小麦）进行分层分析。

研究结果：

3.1 籽粒产量与NDVI的整体关系：通过所有品种和环境的散点图及相关分析，各市场类别中NDVI与籽粒产量均呈显著强相关（r = 0.79–0.82, p < 0.001），表明NDVI能可靠捕获不同遗传背景和环境下的产量表现，且相关强度不受市场类别影响。

3.2 基于天气数据的环境聚类：使用k-means聚类将环境分为高胁迫（低降水高温度，如Lind旱地）、中胁迫（中等降水温度）和低胁迫（高降水低温度，如Pullman）三类，并总结了各类平均天气指标（如年降水量250–362 mm，最高温度21.4–26.0 °C），为后续变异和相关性分析提供基础。

3.3 不同环境和品种间籽粒产量与NDVI的变异性和关系：计算各环境内产量和NDVI的CV，发现高胁迫环境（Cluster 1）中两个性状变异更大（如硬春小麦产量CV达32.08%，NDVI CV达11.22%），且产量CV与NDVI CV在硬春（r = 0.72）、软春（r = 0.53）和软冬（r = 0.54）中显著正相关。相关性分析显示，高、中胁迫环境中产量-NDVI相关系数显著高于低胁迫环境，表明胁迫强化了G×E互作并提升了NDVI的预测能力。

3.4 常见小麦品种内籽粒产量与NDVI的变异性和关系：选取6个春麦和14个冬麦常见品种，分析品种内产量与NDVI的Plot级相关性和CV。所有常见品种均呈显著正相关（p < 0.001），且高胁迫环境下CV更大，尤以春麦显著，而冬麦因生长周期长、根系深表现更稳定，变异跨簇差异较小。

3.5 遗传力：估算每个环境的广义遗传力（H²），发现胁迫簇间H²无显著差异。但在硬春小麦中，产量H²与NDVI H²显著正相关（r = 0.82, p = 0.043），表明遗传控制强的环境两个性状的遗传力也强；而软春小麦中相关性近乎零，暗示环境噪声掩盖了遗传影响。

3.6 NDVI与NDRE的比较：NDRE与NDVI总体强相关（r = 0.89），但基于环境簇的相关分析显示，NDRE在低胁迫条件（Cluster 2和3）下与产量的相关系数更高（如硬冬麦Cluster 2达0.97），而NDVI在高胁迫环境（Cluster 1）中表现更优，说明两者在不同胁迫条件下互补。

讨论总结：研究人员指出，高胁迫环境通过增加性状变异性、强化G×E互作，提升了NDVI对产量的预测能力，验证了初始假设；而低胁迫环境中NDVI易饱和（值>0.8），降低变异性并削弱预测力。冬小麦因生长周期长、可吸收冬季降水而表现更稳定。遗传力未随胁迫显著分化，可能因试验品种数有限等因素。NDRE在低胁迫下表现更佳，可补充NDVI。局限性包括品种内样本量小、仅依靠降水和温度聚类不足以完全解释G×E复杂性等。未来需整合冠层温度、高光谱特征及基因组数据，通过多性状、多组学方法提升跨环境预测能力。

结论翻译：数字化性状（以NDVI为代表）在多环境试验和各小麦市场类别中展示了显著且稳健的小麦籽粒产量预测能力。籽粒产量与NDVI的相关性在品种内和品种间均保持强劲，尤其在高温少雨的高胁迫环境下（特别是春小麦）。在这些条件下，籽粒产量和NDVI值具有更大变异性，表明品种特异性胁迫适应差异——证实了田间环境天气条件是影响作物表现和数字化性状预测可靠性的关键调节因素。相反，在水分充足的低胁迫条件下，性状稳定性和NDVI值超过0.8降低了变异性，从而降低了籽粒产量预测的准确性。这种籽粒产量与NDVI的关系为育种者提供了识别品种差异的宝贵指标，尤其在性状变异最大且G×E互作最明显的易胁迫环境中。基于这些发现，将NDVI与其他数字化性状（如冠层温度和高光谱指数）以及基因组数据整合，将进一步改善跨不同环境的产量预测性能。这种多性状、多组学方法将显著加速适应快速变化环境的抗逆小麦品种的培育。