茶树种质资源数字化研究及展望

陈琪予 陈亮 陈杰丹

【编者按】  “十三五”以来，我国茶产业发展迅速，生产规模不断扩大，综合产值不断提升，对实现脱贫攻坚和推进乡村振兴发挥了重要作用。目前，我国茶园面积、茶叶产量、消费总量、出口额均居世界第一，但我国茶产业仍是劳动密集型产业，茶园田间生产机械化和茶叶生产加工数字化、智能化水平低，导致的生产用工成本高、茶叶品质不稳定等问题已成为我国茶叶生产亟需突破的难题。

我国《“十四五”推进农业农村现代化规划》提出发展智慧农业，推动新一代信息技术与农业生产经营深度融合，建设数字田园。数字茶业是将数据作为生产要素，用现代信息技术对茶树生长特性、生长环境和茶业全产业链中的相关信息进行数字化表达、数字化设计、智能化管理，主要包括：茶业物联网、茶业大数据、精准茶业、智慧茶业。数字茶业将成为我国茶业未来的发展方向，发展数字茶业有利于提高资源利用率和茶叶产品质量，并有利于实现产销对接，推进茶业现代化和高质量发展。

数字茶业专题聚焦数字化、智能化技术在茶树种质资源、茶树种植、茶园管理、茶叶采摘与加工等领域的应用，总结我国茶叶数字化、智能化研究工作与成果，分析未来我国茶叶数字化、智能化发展趋势，以期为茶叶数字化、智能化技术创新研究提供思路和借鉴。 ——专题主编 江用文

摘要：基因型和表型的数字化鉴定是实现茶树种质资源挖掘创新的新途径，是实现茶树由“传统育种”向“精准育种”转变的有力工具。文章综述了茶树种质资源基因型数字化、表型数字化和数字化管理与利用方面的研究进展，并对组学技术在茶树种质资源数字化精准鉴定中的利用，多组学联合分析实现茶树种质资源创新利用等方面的未来发展进行了展望。

关键词：数字化;茶树;种质资源;基因型;表型

Research and Prospect of Digitalization of

Tea Germplasm Resources

CHEN Qiyu， CHEN Liang， CHEN Jiedan*

Tea Research Institute， Chinese Academy of Agricultural Sciences/ National Center of Tea Improvement/ Key Laboratory of

Tea Biology and Resource Utilization， Ministry of Agriculture and Rural Affairs， Hangzhou 310008， China

Abstract： The digital identification of genotype and phenotype is a new way to realize the innovation of tea germplasm resources mining， and a powerful tool to realize the transformation of tea plants from 'traditional breeding' to 'precision breeding'. This paper reviewed the research progress of genotype digitization， phenotype digitization， and digital management and utilization of tea germplasm resources. The future development of the application of omics  technology in the digital  and accurate  identification of tea germplasm  resources， and  the realization of innovative  utilization of tea germplasm  resources by multi -omics joint analysls were also  prospected.

Keywords： digitization， tea， germplasm resources， genotype， phenotype

我國是茶树的起源地，茶树种质资源具有非常丰富的遗传多样性。近些年来，随着基因组学和表型组学技术的快速发展，茶树种质资源的数字化工作也逐步开始。与传统技术相比，组学技术具有规模化、批量化、精确化、智能化的优点，能够实现茶树种质资源的数字化精准鉴定。实现茶树种质资源的数字化、精准化和智能化不仅有利于深入了解我国茶树种质资源的演化历程、遗传多样性和变异程度，也为茶树精准育种打下坚实基础。

1   茶树基因型数字化

基因型又称遗传型，是某一生物个体全部基因组合的总称。基因型数字化鉴定能够高通量准确鉴定基因型，是解析重要农艺性状相关遗传信息的基础，是茶树种质资源研究的必然发展趋势。

1.1  基因组组装

基因组组装能够精准组装全基因组序列，是实现基因型数字化精准鉴定最直接的方法。茶树基因组庞大（约30亿个碱基）、重复序列含量高、高度杂合[1]，这使得茶树基因组组装具有一定难度。2017—2018年，利用二代测序技术进行基因组序列组装的云抗10号和舒茶早基因组草图陆续公布。其中，云抗10号组装得到的基因组大小为3.02 Gb，包括了36 951个注释编码蛋白[1];舒茶早基因组大小为3.14 Gb，包含33 932个注释编码蛋白[2]。

随着三代测序和Hi-C技术的成熟，近些年公布了多个染色体水平的茶树基因组。Chen等[3]利用Hi-C技术将舒茶早基因组草图提升到了染色体水平，scaffold N50从原来的1.4 Mb提升到218.1 Mb，基因组中94.7%的序列被定位到了15条染色体中。安徽农业大学Xia等[4]利用PacBio和Hi-C技术，构建了染色体级别的舒茶早基因组，其大小为2.94 Gb，具有50 525个注释编码蛋白。Zhang等[5]也利用PacBio和Hi-C技术获得了茶树碧云染色体级别的基因组图谱，其大小为2.92 Gb，scaffold N50为195.68 Mb。中国农业科学院茶叶研究所也公布了龙井43的染色体级别基因组序列，其基因组大小为3.26 Gb，编码33 556个注释蛋白[6]。华中农业大学的研究团队公布了云南省古茶树DASZ基因组序列，该基因组为3.11 Gb，编码33 021个注释蛋白[7]。福建农林大学和中国农业科学院基因所发布了黄棪和铁观音2个品种染色体级别的基因组序列。黄棪茶树基因组为2.94 Gb，包含43 779个蛋白质编码基因[8]。铁观音茶树基因组大小为3.06 Gb，包含了42 825个蛋白质编码基因[9]。

1.2  单核苷酸多态SNP分型

尽管云抗10号、舒茶早、碧云、龙井43、DASZ、黄棪、铁观音等茶树种质资源完成了基因组组装，成功组装了个体内几乎全部的基因序列，然而基因组组装成本高昂，现阶段利用此方法进行大规模茶树种质资源的基因型数字化鉴定还难以实现。是指由单个核苷酸变异导致DNA序列存在多态性，能够针对特定位点或信息实现基因型数字化鉴定。与基因组组装相比，SNP分型技术成本相对较低，已经在茶树资源基因型数字化鉴定中广泛应用，主要通过全基因组重测序、简化基因组测序、转录组测序等测序技术和SNP芯片实现SNP分型。

全基因组重测序能够基于SNP实现全基因组水平上的基因型分型[10]，近年来逐步开始应用于茶树种质资源的鉴定。Xia等[4]对来自中国、老挝、俄罗斯、阿塞拜疆和伊朗的81个栽培型和野生型茶树进行重测序，共检测到6 252 201个SNP位点，基于基因型进行了系统发育分析，将这些资源分为3个类群。Wang等[6]利用重测序技术对来自世界各地的139份茶树种质资源进行分析，得到了21 887万个SNP位点的基因型分型结果，平均1 kb就有67个SNP位点。Zhang等[9]对190份茶树资源进行重测序分析，共鉴定到9 407 149个SNP位点，得到相关基因型分型结果，并进行了茶树种质资源的系统发育分析。An等[11]对金萱和云茶1号及其96个F1代进行了全基因组重测序，利用8 956个SNP位点的基因型数字化结果构建了遗传图谱。

简化基因组测序是利用限制性内切酶对DNA进行酶切，并对酶切片段两端序列进行高通量测序，通过鉴定获得的SNP信息进行基因分型，是一种快速、简单、低成本的基因型数字化方法[12]。Ma等[13]基于迎霜、北跃单株及其148个F1子代利用SLAF-seq（Specific-locus amplified fragment sequencing）技术开发出了6 042个SNP标记，并以此建立了首张茶树SNP遗传图谱。Xu等[14]基于龙井43、白毫早及其327个F1代使用2b-RAD（2b-Restriction site-associated DNA sequencing）测序技术获得了13 446个SNP标记，构建了高密度遗传图谱，并得到了27个与儿茶素相关的QTL（Quantitative trait locus）位点。郭灿等[15]利用简化基因组技术对59份茶组植物进行测序，得到了248 772个高质量SNP位点的分型结果，随后对这些SNP位点进行了主成分分析、遗传结构分析和基因流分析，结果发现大厂茶与疏齿茶有遗传结构上的差异，且证明茶组植物种内亲缘关系受其地理来源的直接影响。Huang等[16]对龙井43、白鸡冠及其杂交产生的198个F1个体进行了简化基因组测序，构建了包含2 688个SNP标记的遗传图谱，并根据2年的氨基酸数据进行了QTL分析，最终得到了4个与氨基酸含量相关的QTL位点。

转录组测序能够鉴定基因表达区的SNP位点，进行SNP分型[17]。Zhang等[7]完成了古茶树DASZ染色体级别的基因组组装，并在此基础上与217份不同茶树种质资源的转录组数据进行比较。结果表明，81.1%的DASZ注释基因被覆盖SNPs，其中4个SNP与ECG的含量显著关联。Yu等[18]利用139份中国茶树品种的转录组数据鉴定到了925 854个高质量的SNP，并将139份茶树品种分为5个类群，发现每个类群各有特异代谢物积累和基因表达差异，其中阿萨姆茶具有丰富的黄酮类化合物积累。

SNP芯片是将不同样品的DNA片段连接上不同荧光标记形成探针，然后与芯片杂交，如果目的片段含有碱基突变，则不能与探针结合，最终通过检测杂交信号的荧光强弱来检测SNP[19]。Wei等[20]基于在全基因組上均匀分布的179 970个SNP开发了200 K大小的SNP基因芯片，该芯片是首款茶树高密度SNP芯片。以龙井43和白毫早F1群体为材料，该芯片能检测到18 226个多态性SNP位点，结合F1群体2年的结实率表型数据，共鉴定到了4个QTL位点。

2  茶树表型数字化

表型组学旨在集成自动化平台装备和信息化技术手段，可以系统、高效地获取表型信息，以实现植物表型的数字化精准鉴定[21]。表型组学常常构建一些表型检测平台，搭载图像、点云、光谱、红外、X射线等技术来快速高效地数字化采集植物多尺度的大量表型数据，目前已在玉米、小麦、大豆等较多作物上应用。Feng等[22]开发了1个高通量高光谱成像系统，收集了529份水稻种质的光谱指数指标和传统农艺性状，并以此进行了全基因组关联研究。Crain等[23]使用1个被称为“Phenocart”的便携式表型系统来测量1 170个小麦种质资源的归一化植被指数和冠层温度，同时用GPS坐标精确标记每个数据点并进行基因分析。Laraswati等[24]基于图像的表型检测技术，通过多变量分析确定选择指数来对干旱水稻表型筛选的有效性进行评估。孙宏杰[25]通过对采集的15个品种的葡萄叶片图像进行预处理，提取了不同的图像特征，包括Hu不变矩、灰度共生矩、HOG特征、FHOG特征和基于卷积神经网络的深度学习特征等，使得不同葡萄品种的识别率达到了88.33%。Zhang等[26]开发了1种基于叶片图像的自动识别系统MFCIS，该系统结合了持续同调和卷积神经网络收集了不同时期的多个叶片形态特征。利用该算法对88个甜樱桃品种和100个大豆品种叶片构成的数据集分别进行品种识别，平均准确率分别高达83.5%和91.4%。

表型组学在茶树种质资源鉴定评价中的应用还处于起步阶段，一些简单的技术在茶树叶片形态特征和农艺性状相关的表型上开展了应用。毛平生[27]利用Photoshop对茶树的叶面积进行了测量，并与叶面积的经验公式进行对比，发现计算机测定的结果更加准确。李洁[28]利用Photoshop对茶树新梢的颜色和成熟叶的叶面积进行了测定，并对其中的相关参数进行了分析。但是这两项工作都是基于Photoshop软件进行研究，导致关于图像处理的操作有限，自由度小，同时工作效率也受到限制，难以处理大批量的茶树叶片图像。随着数字化研究的不断深入，像Python、R、MATLAB等编程语言因具有批量处理、速度快、应用面广等优点，渐渐成为了进行茶树表型数字化处理的主流工具。随着无人机技术的发展，利用无人机对茶树进行表型分析成为了新的发展趋势。Luo等[29]利用3种模型分别通过无人机拍摄的茶园多光谱图片对茶树的氮、茶多酚和氨基酸的含量进行评估。结果表明，SVM（Support vector machines）模型对于预测氮和茶多酚的含量最佳;PLSR（Partial least squares regression）模型预测氨基酸的含量是最佳的，同时证明空中预测结果与地面测量结果一样可靠，这为茶树种质资源的精准评价提供了技术支持。

目前，茶树种质资源表型数字化的应用主要体现在基于分类器结合图像特征对茶树种质资源识别的方面。Pandolfi等[30]提取了17份茶树种质资源的14个图像特征，并基于图像特征进行了遗传多样性分析，并利用人工神经网络对茶树品种进行了预测。刘自强[31]通过茶树鲜叶图像对10个茶树品种进行了识别。除了利用形态特征、纹理特征及颜色特征外，还使用多重分形特征来对叶片进行描述，并用6种分类器同时建模比较分类精度。结果表明，SVM和随机森林法的建模对茶树种质资源的分类精度较高，能达到90%左右。Lin等[32]在利用图像特征识别武夷岩茶的方面研究较多，2018年对SVM分类器的内核进行了优化后，以提取的14个形状和纹理图像特征为基础，对水仙和肉桂这2份茶树资源进行识别，准确率高达91%;2019年利用3种分类器通过灰度共生矩阵下的纹理特征对黄观音、瑞香、丹桂和奇兰4个品种的茶鲜叶进行识别，其识别准确率在80%左右，且结果证明KNN（K-nearest neighbor）分类器的识别率最高[33];2020年利用整体与局部信息融合的CNN（Convolutional neural networks）模型结合茶树叶片的整体特征和局部特征对9个武夷岩茶茶树品种进行识别，识别率达到96.69%[34]。

3  茶树数字化管理与利用

早期，茶树种质资源数字化管理与利用主要集中在表型数据的管理。吴文斗等[35]以国家种质勐海大叶茶树资源圃的1 521份茶树种质资源为基础，建立了云南茶树种质资源数据共享平台。该平台具有茶树种质资源的图片信息、农艺性状、生化成分、茶叶加工品质、抗寒性及抗病虫性等表型数据。陶萍等[36]基于Django框架构建了1个包含64份云南普洱茶种古茶树资源16个主要表型性状数据的古茶树数据平台。

随着表型组和基因组的快速发展，大量种质资源的数字化表型和基因型被鉴定，这使得很多重要的农艺性状被揭示。但是由于数据量大，导致共享利用不便，阻碍了茶树重要农艺性状的分子解析。随着互联网技术的快速发展，种质资源信息数据库的搭建可以快速实现数字化管理与利用。中国农业科学院茶叶研究所利用生物信息技术和互联网技术建设了茶树种质资源基因组变异大数据分析平台（TeaGVD，http：//www.teaplant.top/teagvd）。目前平台已经整合超过7 000多万个基因组变异位点、808份茶树资源的基因型数据、464种代谢物的表型数据和430 682个基因型-表型关联位点。平台主要用于茶树种质资源基因组变异（SNP和InDel）的大数据在线分析，能够根据基因组位置、基因信息、材料比较、基因或变异编号等不同的策略检索基因组SNP和InDel（Insertion-deletion）。通过该平台还能够实现茶树种质资源的代谢表型查询及GWAS（Genome-wide association studies）分析，快速挖掘性状相关的SNP和InDel位点。

此外，平台还整合了在线Blast、序列提取、引物设计、群体遗传分析等工具，为茶树种质资源的数字化利用与共享提供了一个用户友好型平台。安徽农业大学构建了茶树信息档案数据库（TPIA），以舒茶早基因组图谱为框架，整合了基因组信息、转录组、代谢组等数据。平台还集成了功能富集分析、相关性分析、引物设计、序列比对等工具，有助于组学数据的数字化利用[37]。南京农业大学构建了茶树基因组数据库（TeaPGDB），整合了已完成组装的各个基因组数据，方便科研人员进行利用分析。此外，一些转录组相关的数据库网站也陆续被开发，如TeaCoN[38]、TeaAS[39]等。茶树种质资源数字化管理与利用能有效促进茶树种质资源的保护、利用与共享，为茶树系统演化研究、关键性状解析、品种改良等提供了坚实的基础。

4  展望

4.1  组学技术

未来，组学技术将在茶树种质资源的数字化精准鉴定方面不断深入，利用基因组学、转录组学、表观组学、蛋白组学、代谢组学、表型组学等技术手段，对茶树种质资源进行高通量、多维度、精准化的鉴定评估。与基因组学技术相比，表型组学技术在茶树种质资源中的应用还比较落后，这阻碍了茶树种质资源的精准评价和深入挖掘进程。针对茶树种质资源的特性，加強茶树表型鉴定设施平台的建设，开发对应的数字化鉴定方法，从而提升茶树种质资源规模化、批量化、精准化鉴定评价的基础和条件。

4.2  多组学联合分析

伴随着大量茶树种质资源被数字化精准鉴定，多组学联合分析将成为实现茶树种质资源创新利用的必然途径。通过基因组学和生物信息学等技术手段，利用多组学联合分析系统深入挖掘基因型、表型和环境型之间的内在关联，研究茶树表型对遗传信息和环境变化的响应机制。同时，结合分子生物学、遗传育种学、生物化学、合成生物学等技术，深入解析茶树重要农艺性状的分子机理和遗传基础，为茶树种质资源的创新利用提供坚实基础，并加速茶树品种改良进程。

4.3  数字化利用与共享

茶树种质资源数字化鉴定评估产生的数据量庞大、标准不一，导致共享利用不便，阻碍了其生物数据的有效利用。为了增加不同数据集之间的可比性，必须通过科学的分类、统一的描述规范和对茶树种质资源的基因组、转录组、代谢组、表型组等组学数据进行标准化处理和评价。利用大数据和互联网技术，整合茶树种质资源多组学数据，开发友好型在线分析工具，创建资源共享利用平台，加快数字化种质资源的利用效率，推动整个茶科学的进步与发展。

参考文献

[1] XIA E H， ZHANG H B， SHENG J， et al. The tea tree genome provides insights into tea flavor and independent evolution of caffeine biosynthesis[J]. Molecular Plant， 2017， 10（6）： 866-877.

[2] WEI C L， YANG H， WANG S B， et al. Draft genome sequence of Camellia sinensis var. sinensis provides insights into the evolution of the tea genome and tea quality[J]. Proceedings of the National Academy of Sciences， 2018， 115（18）： 4151-4158.

[3] CHEN J D， ZHENG C， MA J Q， et al. The chromosome-scale genome reveals the evolution and diversification after the recent tetraploidization event in tea plant[J]. Horticulture Research， 2020， 7： 63. https：//doi.org/10.1038/s41438-020-0288-2.

[4] XIA E H， TONG W， HOU Y， et al. The reference genome of tea plant and resequencing of 81 diverse accessions provide insights into its genome evolution and adaptation[J]. Molecular Plant， 2020， 13（7）： 1013-1026.

[5] ZHANG Q J， LI W， LI K， et al. The chromosome-level reference genome of tea tree unveils recent bursts of non-autonomous ltr retrotransposons in driving genome size evolution[J]. Molecular Plant， 2020， 13（7）： 935-938.

[6] WANG X C， FENG H， CHANG Y X， et al. Population sequencing enhances understanding of tea plant evolution[J]. Nature Communica-

tions， 2020，  11：  4447. https：//doi.org/10.1038/s41467-020-18228-8.

[7] ZHANG W Y， ZHANG Y J， QIU H J， et al. Genome assembly of wild tea tree DASZ reveals pedigree and selection history of tea varieties[J]. Nature Communications， 2020， 11： 3719. https：//doi.org/10.1038/s41467-020-17498-6.

[8] WANG P J， YU J X， JIN S， et al. Genetic basis of high aroma and stress tolerance in the Oolong tea cultivar genome[J]. Horticulture Research， 2021， 8： 107. https：//doi.org/10.1038/s41438-021-00542-x.

[9] ZHANG X T， CHEN S， SHI L Q， et al. Haplotype-resolved genome assembly provides insights into evolutionary history of the tea plant Camellia sinensis[J]. Nature Genetics， 2021， 53（8）： 1250-1259.

[10] LEY T J， MARDIS E R， DING L， et al. DNA sequencing of a cytogenetically normal acute myeloid leukaemia genome[J]. Nature， 2008， 456（7218）： 66-72.

[11] AN Y L， CHEN L B， TAO L L， et al. QTL mapping for leaf area of tea plants （Camellia sinensis） based on a high-quality genetic map constructed by whole genome resequencing[J]. Frontiers in Plant Science， 2021， 12. https：//doi.org/10.3389/fpls.2021.705285.

[12] 薛曉杰， 杜晓云， 盖艺， 等. 基于GBS测序开发SNP在植物上的应用进展[J]. 江苏农业科学， 2020， 48（13）： 62-68.

[13] MA J Q， HUANG L， MA C L， et al. Large-scale SNP discovery and genotyping for constructing a high-density genetic map of tea plant using specific-locus amplified fragment sequencing （SLAF-seq）[J]. PLoS ONE， 2015， 10（6）： e0128798. https：//doi.org/10.1371/journal.pone.0128798.

[14] XU L Y， WANG L Y， WEI K， et al. High-density SNP linkage map construction and QTL mapping for flavonoid-related traits in a tea plant （Camellia sinensis） using 2b-RAD sequencing[J]. BMC Genomics， 2018， 19： 955. https：//doi.org/10.1186/s12864-018-5291-8.

[15] 郭灿， 皮发娟， 吴昌敏， 等. 基于GBS测序的全基因组SNP揭示贵州地方茶组植物资源的亲缘关系[J]. 南方农业学报， 2021， 52（3）： 660-670.

[16] HUANG R， WANG J Y， YAO M Z， et al. Quantitative trait loci mapping for free amino acid content using an albino population and SNP markers provides insight into the genetic improvement of tea plants[J]. Horticulture Research， 2022， 9： uhab029. https：//doi.org/10.1093/hr/uhab029.

[17] 慧芳， 刘秀岩， 李宗谕， 等. 转录组测序技术在药用植物研究中的应用[J]. 中草药， 2019， 50（24）： 6149-6155.

[18] YU X M， XIAO J J， CHEN S， et al. Metabolite signatures of diverse Camellia sinensis tea populations[J]. Nature Communications， 2020， 11： 5586. https：//doi.org/10.1038/s41467-020-19441-1.

[19] 王富強， 樊秀彩， 张颖， 等. SNP分子标记在作物品种鉴定中的应用和展望[J]. 植物遗传资源学报， 2020， 21（5）： 1308-1320.

[20] WEI K， WANG X C， HAO X Y， et al. Development of a genome-wide 200K SNP array and its application for high-density genetic mapping and origin analysis of Camellia sinensis[J]. Plant Biotechnology Journal， 2021. https：//doi.org/10.1111/pbi.13761.

[21] 赵春江. 植物表型组学大数据及其研究进展[J]. 农业大数据学报， 2019， 1（2）： 5-18.

[22] FENG H， GUO Z L， YANG W N， et al. An integrated hyperspectral imaging and genome-wide association analysis platform provides spectral and genetic insights into the natural variation in rice[J]. Scientific Reports， 2017， 7： 4401. https：//doi.org/10.1038/s41598-017-04668-8.

[23] CRAIN J， MONDAL S， RUTKOSKI J， et al. Combining high-throughput phenotyping and genomic information to increase prediction and selection accuracy in wheat breeding[J]. The Plant Genome， 2018， 11： 170043. https：//doi.org/10.3835/plantgenome

2017.05.0043.

[24] LARASWATI A A， PADJUNG R， FARID M， et al. Image based-phenotyping and selection index based on multivariate analysis for rice hydroponic screening under drought stress[J]. Plant Breeding and Biotechnology， 2021， 9： 272-286.

[25] 孙宏杰. 基于叶片图像分析的葡萄品种识别方法研究[D]. 杨凌： 西北农林科技大学， 2016.

[26] ZHANG Y P， PENG J， YUAN X H， et al. MFCIS： An automatic leaf-based identification pipeline for plant cultivars using deep learning and persistent homology[J]. Horticulture Research， 2021， 8： 172. https：//doi.org/10.1038/s41438-021-00608-w.

[27] 毛平生. 利用photoshop测定茶叶等植物叶片面积的方法[J]. 福建茶叶， 2006（3）： 32.

[28] 李潔. 计算机视觉图像处理技术在茶学领域应用方法的研究[D]. 雅安： 四川农业大学， 2008.

[29] LUO D N， GAO Y， WANG Y， et al. Using UAV image data to monitor the effects of different nitrogen application rates on tea quality[J]. Journal of the Science of Food and Agriculture， 2021， 102（4）： 1540-1549.

[30] PANDOLFI C， MUGNAI S， AZZARELLO E， et al. Artificial neural networks as a tool for plant identification： A case study on Vietnamese tea accessions[J]. Euphytica， 2009， 166（3）： 411-421.

[31] 刘自强. 鲜茶叶图像特征提取及在茶树品种识别中的应用研究[D]. 长沙： 湖南农业大学， 2014.

[32] LIN L H， LI C H， YANG S， et al. Automated classification of Wuyi rock tealeaves based on support vector machine[J]. Concurrency and Computation： Practice and Experience， 2019， 31（23）： e4519. https：//doi.org/10.1002/cpe.4519.

[33] 林丽惠. 基于纹理特征的武夷岩茶叶片分类方法[J]. 武夷学院学报， 2019， 38（12）： 14-17.

[34] 林丽惠， 罗志明， 王军政， 等. 融合整体与局部信息的武夷岩茶叶片分类方法[J]. 智能系统学报， 2020， 15（5）： 919-924.

[35] 吴文斗， 王贤， 李泓蒴， 等. 云南茶树种质资源数据共享平台的设计与实现[J]. 安徽农业科学， 2019， 47（24）： 230-233.

[36] 陶萍， 宋燚， 张晴晖， 等. 云南普洱茶种古茶树资源表型性状数据分析研究[J]. 西部林业科学， 2020， 49（6）： 144-151，157.

[37] XIA E H， LI F D， TONG W， et al. Tea plant information archive： a comprehensive genomics and bioinformatics platform for tea plant[J]. Plant Biotechnology Journal， 2019， 17（10）： 1938-1953.

[38] ZHANG R， MA Y， HU X Y， et al. TeaCoN： A database of gene co-expression network for tea plant （Camellia sinensis）[J]. BMC Genomics， 2020， 21： 461. https：//doi.org/10.1186/s12864-020-06839-w.

[39] MI X Z， YUE Y， TANG M S， et al. TeaAS： A comprehensive database for alternative splicing in tea plants （Camellia sinensis）[J]. BMC Plant Biology， 2021， 21： 280. https：//doi.org/10.1186/s12870-021-03065-8.