《Smart Agricultural Technology》：A Double-Sigmoid Approach for High-Throughput Phenotyping of Winter Wheat Growth Dynamics
编辑推荐：
本研究针对传统单S形模型无法完整描述冬小麦全生育期冠层动态（包括衰老阶段）的局限，开展了基于无人机系统（UAS）高通量表型与双重Sigmoid函数建模的研究。通过分析2019-2020年德克萨斯州旱地与灌溉条件下的冬小麦品种试验，成功提取了冠层覆盖度（CC）增长与衰老阶段的关键表型参数。研究发现，双重Sigmoid模型拟合度优异（R2> 0.99），且衰老相关参数（如结束下降阶段EDS、冠层持续时间DUR）与产量在雨养及胁迫环境下呈显著正相关。该研究为量化冬小麦冠层发育、区分遗传与环境效应、加速选育抗逆品种提供了强大的非侵入性分析框架。
在保障全球粮食安全的宏大目标下，如何快速、精准地选育出高产、抗逆的作物新品种，是农业科学家们面临的永恒挑战。传统的作物表型鉴定依赖人工测量，不仅费时费力，且主观性强、通量低，已成为现代育种技术发展的瓶颈。近年来，搭载各种传感器的无人机系统（Unoccupied Aerial Systems, UAS）为农业研究带来了革命性的变化，它们能非破坏性地、高频次地监测大田作物生长，生成海量的时空数据。然而，如何从这些“大数据”中挖掘出有生物学意义的、可遗传的表型特征，并将其与最终产量等关键农艺性状联系起来，是另一个亟待解决的科学问题。
以冬小麦为例，其冠层的生长发育通常呈现典型的S形曲线模式，经历建植、快速生长、平台期（抽穗前后）和衰老等阶段。长期以来，研究人员使用单S形（或称逻辑斯蒂）函数来拟合这种生长曲线，以提取如最大增长率、拐点时间等参数。但这种方法存在一个明显的缺陷：它只能描述冠层覆盖度（Canopy Cover, CC）上升和达到平台期的过程，却无法刻画成熟后期至关重要的衰老阶段——即CC的下降过程。而衰老的时机和速率直接决定了籽粒灌浆期的长短，是影响最终产量的核心因素。为了弥补这一不足，并充分利用UAS获取的多时相数据全面量化冬小麦的整个生命周期动态，来自德州农工大学AgriLife研究中心的研究团队在《Smart Agricultural Technology》期刊上发表了一项创新性研究。
该研究团队综合利用了田间试验、无人机遥感、图像处理与数学建模等多种关键技术方法。他们在2018-2020年期间，于美国德克萨斯州布什兰的德州农工大学统一品种试验田，设置了旱地（雨养）和喷灌两种水分处理的小区试验。使用大疆精灵4 Pro无人机搭载RGB传感器，在作物生长季以约每周一次的频率进行航拍，获取高分辨率正射影像。通过图像处理流程（使用Agisoft Metashape等软件生成正射镶嵌图）和Canopeo算法，从影像中逐小区提取出冠层覆盖度（CC）这一关键表型。随后，研究人员创新性地采用双重Sigmoid函数对每个基因型每个重复的多时相CC数据进行拟合。该函数本质上将一个用于描述冠层增长的上升S形曲线与一个用于描述衰老下降的S形曲线相结合，从而能用一个连续的方程刻画完整的生长-衰老周期。通过计算拟合曲线的一阶和二阶导数，他们自动化地提取了13个具有明确生物学意义的冠层动态参数，例如最大增长率日期（MGRD）、开始下降阶段（SDS）、结束下降阶段（EDS）、冠层持续时间（DUR）等。同时，田间记录了抽穗期和最终籽粒产量等传统农艺性状。最后，运用方差分析、皮尔逊相关分析、重复力估计以及主成分分析（PCA）结合K均值聚类等统计方法，系统分析了模型提取参数的有效性、与产量的关系以及基因型间的差异。
研究结果显示：
1. 模型拟合优度与参数提取
双重Sigmoid模型对所有环境-年份组合的CC数据都表现出极佳的拟合效果，确定系数R2均高于0.99，均方根误差（RMSE）在1.73%到4.06%之间，验证了该模型描述冬小麦全季冠层动态的可靠性。模型成功提取了反映增长、平台和衰老各阶段的关键参数，并清晰展示了不同水分处理和年份间这些参数的差异。例如，灌溉显著延迟了衰老开始时间（SDS）并延长了冠层持续时间（DUR）。
2. 农艺性状的基因型差异
方差分析表明，在除2020年旱地外的所有环境中，基因型对产量、抽穗期和绿叶面积持续期（LAD）均具有高度显著的影响。2020年旱地环境因遭遇冬季干旱和晚春霜冻等极端胁迫，掩盖了基因型间的差异，导致分析不显著。
3. 冠层动态参数与产量的关系
相关分析揭示了模型提取参数与产量之间密切且具环境特异性的联系。在2019年旱地（雨养）条件下，晚衰性状（如EDS、DUR）与产量呈显著正相关（例如EDS与产量的r=0.56）。在2020年灌溉条件下，开始下降阶段（SDS）也与产量高度相关（r=0.53）。这表明在水分受限或胁迫环境下，维持较长的冠层绿期和延迟衰老对提高产量至关重要。相反，在2019年灌溉条件（水分充足）下，这种关系较弱或不显著。研究还对比了单次CC测量与产量相关性的不稳定性，凸显了基于时间序列建模提取动态参数的优势。
4. 性状的重复力与基因型聚类
UAS衍生的冠层性状，特别是时间型性状（如DUR、SDS、EDS），在基因型方差可检测的环境中表现出中到高的重复力（0.65-0.96），表明这些是受遗传控制的稳定性状，适用于育种选择。PCA和K均值聚类分析 consistently 地将产量与“冠层持续/晚衰”性状（DUR, SDS, EDS）聚在一起，而与“抽穗/线性增长”性状分开，这进一步在性状关联层面证实了晚衰对产量的贡献。聚类分析还成功鉴别出在不同环境下分别表现出“早发快长”或“持绿晚衰”等特定生长策略的基因型，例如Winterhawk在多个环境中都表现出稳定的晚衰特性。
在讨论与结论部分，研究者深入阐述了本研究的科学意义与应用前景。他们指出，双重Sigmoid模型克服了单S形模型的根本局限，首次为利用UAS高通量数据完整量化冬小麦包括衰老在内的全生育期冠层动态提供了强大、精确的数学框架。这不仅是一个技术方法的进步，更深化了我们对冠层发育遗传基础的理解。研究所提取的性状，尤其是那些描述衰老时机和持续时间的性状，是籽粒灌浆期和产量的直接生理驱动因子，在雨养和胁迫环境下与产量建立了稳健的联系。这为育种家提供了可在收获前获得的、客观的、高通量的选择指标，用以筛选具有“持绿”（stay-green）特性、适应气候变化胁迫的新品种。通过区分遗传效应与环境对冠层动态的影响，该方法提高了选择的准确性。尽管在极端胁迫（如2020年旱地）下性状与产量的关系可能被削弱，但这正反映了真实的作物响应，而模型本身仍能捕捉到这些胁迫下的动态变化。
总之，这项研究将先进的遥感平台、创新的数学模型和严谨的统计分析相结合，成功搭建了一座连接高通量表型数据与关键育种目标（产量、抗逆性）的桥梁。它不仅证实了从UAS时间序列图像中自动化提取有生物学意义性状的可行性，更展示了这些性状在加速小麦遗传改良、培育气候韧性品种方面的巨大实用价值。未来，将这些模型衍生的冠层动态参数与基因组学、环境数据进行整合，将进一步推动智慧育种和精准农业的发展。
