规模化大豆育种：卫星影像在不同小区规模下提供准确的成熟度估测

《The Plant Phenome Journal》：Scaling up soybean breeding: Satellite imagery delivers accurate maturity estimation across plot sizes

　　

摘要翻译：

准确且可扩展的表型鉴定对于加速大豆（Glycine max (L.) Merr.）育种项目的遗传增益至关重要。传统估算生理成熟度的方法劳动强度大且易受主观性影响，限制了通量和一致性。本研究评估了高分辨率卫星影像作为无人机（unmanned aerial vehicle, UAV）成像的替代方案，在不同环境和小区布局下估算大豆成熟度的潜力。研究人员利用两种平台衍生的植被指数（vegetation indices, VI），应用逻辑回归模型预测成熟日期，并将其与既定的成熟度评估进行比较。结果表明，卫星与无人机衍生的成熟度估算之间具有很强的相关性和一致性（R²最高达0.94），且具有较高的广义遗传力（H²最高达0.98），表明该性状受到稳健的遗传控制。卫星影像即使在较小的小区设置（四行和八行设计）中也被证明有效，尽管在较大小区中表现更佳。这些发现凸显了基于卫星的大豆成熟度表型鉴定的可行性，为无人机提供了一种经济高效、可扩展且可靠的替代方案。该方法对提高育种效率和扩展作物改良中的遥感应用具有广泛意义。

论文解读文章

**研究背景与问题**

大豆（Glycine max (L.) Merr.）是全球第四大作物，其育种项目中最重要的选择标准之一是生理成熟度。成熟度通常在R8营养生长阶段测定，此时种子已完成发育并达到最大干重，95%的豆荚呈现成熟荚色。传统上，大豆成熟度依赖田间人员目视评估豆荚颜色，这种方法通量低、耗时费力，且难以标准化和规模化。随着高通量表型鉴定技术的发展，无人机（UAV）和卫星遥感已成为作物监测的重要工具。无人机可提供亚厘米级分辨率图像，但受飞行时间、覆盖面积、天气条件和现场操作人员需求等限制，难以高效获取大面积农业景观数据。相比之下，卫星影像能够提供广域覆盖和高频重访，但空间分辨率曾是小规模育种试验的主要限制因素。随着商业卫星服务（如Planet的SkySat星座）提供50厘米重投影空间分辨率的大气校正影像，卫星在小区区试中的表型鉴定应用已变得可行。然而，此前关于高分辨率卫星影像能否在育种项目中替代无人机影像以解决空间尺度挑战的探索仍较为有限。因此，本研究旨在评估SkySat高分辨率卫星影像作为无人机影像替代方案用于大豆成熟度估算的潜力，并验证使用逻辑回归模型对植被指数进行建模能否提高成熟度估算精度。

**研究内容与结论**

研究人员利用两个数据集开展研究。第一个数据集包含2022年巴西9个试验地点的无人机影像与人工田间成熟度调查数据，用于检验不同成熟度估算模型（线性模型与逻辑模型）的准确性。第二个数据集包含2023年和2024年共21个试验地点（巴西和美国）的配对无人机与卫星影像数据，用于比较两种平台衍生的成熟度估算。试验小区包括四行和八行设计，面积各异。研究采用归一化植被指数（normalized difference vegetation index, NDVI）和归一化绿色过量指数（normalized green excess, NGE）作为植物衰老过程的指示指标，并通过逻辑随机回归模型对时间序列植被指数进行拟合，以确定成熟日期。统计比较涉及Pearson相关性、一致性相关系数（CCC）、广义遗传力（H²）以及最佳线性无偏预测（BLUP）和最佳线性无偏估计（BLUE）等指标。主要结论包括：逻辑模型在无人机数据上的表现显著优于传统线性模型，与人工成熟度日期的相关性更高；卫星影像衍生的成熟度估算与无人机衍生值高度一致，原始数据R²范围为0.83至0.94，BLUEs相关性R²范围为0.85至0.94；按基因型跨地点平均后，R²最高达到0.97；卫星数据的广义遗传力高达0.98（2023年巴西八行小区）。研究表明，高分辨率卫星影像可作为一种经济高效、可扩展且可靠的成熟度表型鉴定工具，尤其适用于八行小区，并有望在较小小区中通过进一步优化发挥效用。

**主要关键技术方法**

研究采用了以下关键技术：（1）基于无人机和卫星双平台的高分辨遥感影像采集。2022年巴西数据使用搭载A6000相机的M600无人机，2023-2024年配对数据中，卫星影像来自Planet SkySat星座，重投影空间分辨率为50厘米，包含蓝、绿、红和近红外四个波段。（2）植被指数计算：无人机数据使用NGE，卫星数据使用NDVI，均通过提取各试验小区中值像素值获得。（3）逻辑随机回归模型（包含最大渐近线、位置、下降速率等参数）拟合植被指数时间序列，以二阶导数最大值定义成熟日期，模型拟合采用R软件中的saemix包。（4）统计与遗传分析：使用Pearson相关、一致性相关系数（CCC）评估平台间一致性，采用混合线性模型（ASReml-R）计算BLUEs和BLUPs，并依据Cullis等方法计算广义遗传力（H²）。样本队列来源包括2022年巴西9个地点、2023年巴西5个与美国8个地点、2024年美国8个地点，小区行数分别为四行或八行。

**研究结果**

**3.1 用于遥感成熟度计算的逻辑模型**

研究人员将逻辑模型应用于2022年巴西9个地点采集的无人机NGE数据，并与线性模型和人工成熟度日期比较。结果显示，在所有地点中，逻辑模型均表现出比线性模型更高的与地面实测值的线性回归相关性。在数据点最多的LOC1和LOC2（各超过2000个小区），相关性分别为0.92和0.88。进一步计算BLUEs和BLUPs后，逻辑模型在所有地点的相关性仍高于线性模型。BLUP水平上，逻辑模型的相关性为0.9，而线性模型为0.81。据此，研究人员确认逻辑模型能更准确、一致地判定成熟日期，从而可用无人机逻辑模型成熟度替代人工测量作为后续大豆成熟度研究的地面真值。

**3.2 基于卫星影像的成熟度与遗传力**

将逻辑模型应用于2023年和2024年共21个地点的卫星NDVI数据，并与无人机NGE数据衍生的成熟度进行比较。在原始数据水平上，卫星与无人机成熟度预测在季节和小区尺寸的所有组合中均呈现良好相关性：2023年美国八行小区R²=0.94，2023年巴西八行小区R²=0.83，2024年美国四行小区R²=0.86。按成熟度分组分析显示，美国多数成熟度组的R²不低于0.8，早熟组的较低相关性部分与地点数量较少有关。基于BLUEs的相关性分析显示，R²范围为0.85（2023年巴西）至0.94（2023年美国），进一步证实卫星影像预测大豆成熟日期的有效性。

**3.3 卫星影像在跨地点成熟度计算中的应用**

为评估品种在多地点试验中的成熟度测定效能，研究人员计算每个基因型在各地点种植的平均成熟天数，并绘制卫星与无人机预测值的相关性图。结果表明，两地平台间存在强相关性，R²范围为0.87（2024年美国）至0.97（2023年巴西）。2023年巴西的R²从原始数据的0.83提升至0.97，表明整合多地点数据可增强卫星估算的可靠性。基于BLUPs的相关性分析显示，2023年美国、2023年巴西和2024年美国的R²分别为0.90、0.98和0.67。广义遗传力方面，2023年巴西八行小区卫星数据H²=0.98（高于无人机的0.97），2023年美国八行小区卫星数据H²=0.92（高于无人机的0.85），而2024年美国四行小区卫星数据H²=0.76（低于无人机的0.90）。总体而言，卫星衍生的成熟度估算与无人机估算在跨地点和成熟度组间高度协调。

**讨论与结论**

讨论部分指出，传统表型鉴定方法受主观性、劳动强度和成本限制，而卫星与无人机遥感提供了高通量、非侵入性的替代方案。本研究的逻辑模型显著优于线性模型，能够以一致的方式在各地点间分配成熟日期，这一改进使得无人机成熟度可完全替代地面调查。卫星影像的优势在于覆盖面积大、无需现场人员，且SkySat的50厘米分辨率和近红外波段可提供比三波段无人机相机更丰富的信息。研究显示，卫星与无人机成熟度估算之间在R²和CCC方面均表现优异，证实了高分辨率卫星影像的小区级表型鉴定能力。成熟度性状的高遗传力（卫星数据H²范围为0.76至0.98）表明基于卫星数据的选择育种可取得可预测的遗传进展。BLUPs的高相关性（R²=0.67至0.98）意味着两种平台对选择响应具有一致性，有利于育种家推进优异种质。卫星还可用于监测病害易感性、倒伏易感性和小区质量等其他性状。局限性方面，四行小区中卫星与无人机的相关性低于八行小区，卫星分辨率相对较低可能是主因，未来需研究更小小区（如两行）的适用性。图像采集频率也是一个重要因素，本研究两种平台采集日期不完全一致，可能引入部分变异；降低采集频率（如六次或更少）的影响需要进一步验证。此外，云层覆盖等天气条件可能限制卫星数据质量，选择历史云量较低的时期采集有助于缓解这一影响。

结论部分确认，研究结果证明了卫星衍生成熟度估算与无人机衍生估算之间的高度一致性，高分辨率卫星影像为大豆育种中的成熟度表型鉴定提供了一种准确、可扩展且经济高效的解决方案。随着传感器技术、机器学习算法和卫星遥感规模化的持续进步，该方法有望进一步推动作物育种效率提升，并对全球粮食安全和可持续农业实践作出贡献。