基于无人机多源影像数据的灌浆期人工合成小麦抗旱性评价

2024-05-14燕雯金秀良李龙徐子涵苏悦张跃强景蕊莲毛新国孙黛珍

中国农业科学 2024年9期

燕雯，金秀良，李龙，徐子涵，苏悦，张跃强，景蕊莲，毛新国，孙黛珍

燕雯1,2，金秀良2，李龙2，徐子涵3，苏悦1,2，张跃强3，景蕊莲2，毛新国2，孙黛珍

1山西农业大学农学院，山西太谷 030801；2中国农业科学院作物科学研究所/作物基因资源与育种全国重点实验室，北京 100081；3新疆农业科学院核技术生物技术研究所/农业农村部荒漠绿洲区作物生理生态与耕作重点实验室/新疆作物生物技术重点实验室，乌鲁木齐 830091

【目的】基于无人机多源影像及产量数据评价人工合成小麦种质的抗旱性，优选高通量抗旱性鉴定指标，发掘抗旱人工合成小麦种质资源，为加快拓展小麦抗旱遗传资源、提升旱地小麦育种水平提供技术支撑和种质材料。【方法】以80份人工合成小麦种质及对照小麦品种新春37为试验材料，在田间进行小区播种，设置干旱和灌溉2种水分处理；利用无人机搭载多光谱及热红外相机采集试验材料灌浆期多源影像进行拼接处理，通过阈值分割等方法提取各试验材料的光谱指数；利用相关性分析和主成分分析鉴选抗旱相关光谱指标，结合单指标及综合评价方法鉴定人工合成小麦种质的抗旱性。【结果】基于无人机多源影像数据提取了80份人工合成小麦种质的19种光谱指数。不同光谱指数抗旱系数与小区产量抗旱指数的相关性分析结果表明，OSAVI的抗旱系数与抗旱指数的关联度最高，NDVI、CIre和NDRE的抗旱系数与抗旱指数的关联度较高。部分光谱指数的抗旱系数间相关性较高，存在冗余信息，通过主成分分析，将19个光谱指数的抗旱系数转换为3个相互独立的综合指标，3个综合指标的贡献度分别为59.6%、12.0%和9.6%。利用加权隶属函数法聚合综合指标，通过公式计算获得各人工合成小麦种质的综合抗旱性度量值。基于抗旱指数鉴定出6份强抗旱人工合成小麦种质，基于综合抗旱性度量值鉴定出5份强抗旱种质，其中，SW004和SW009在2种方法的评价结果中均被评为强抗旱种质。基于OSAVI的抗旱系数对80份人工合成小麦种质进行抗旱性分级，分级结果与基于综合抗旱性度量值的分级结果基本一致。根据OSAVI的抗旱系数鉴定出的6份强抗旱种质中，有5份在基于综合抗旱性度量值分级中也被鉴定为强抗旱种质。【结论】基于无人机多源影像提取的光谱指数NDVI、OSAVI、CIre和NDRE，以及基于光谱指数的综合抗旱性度量值均可用于辅助鉴定小麦种质抗旱性。

多源影像；光谱指数；人工合成小麦；抗旱性；灌浆期

0 引言

【研究意义】小麦是我国北方主要粮食作物，也是农业用水大户[1]。在水资源短缺的背景下，选育抗旱节水品种是应对环境胁迫、维持小麦生产可持续发展、保障粮食安全的重要途径[2]。受长期人工选择的影响，现代小麦品种的遗传本底逐渐趋于同质化。由四倍体小麦和粗山羊草经过人为杂交及染色体加倍得到的人工合成小麦，蕴含丰富的野生近缘种基因资源，遗传变异范围广，对不良环境适应性强，是改良现代小麦的重要基因资源，例如，利用人工合成小麦育成的川麦42、龙春1号等品种抗病、抗逆、适应性广。因此，发掘并利用人工合成小麦抗旱种质资源，有助于拓宽小麦栽培品种的遗传基础，提高小麦抗旱育种核心材料的多样性[3]，加快突破性抗旱小麦新品种的培育进程。表型性状反映了作物对环境条件的响应[4]。传统的作物表型获取方法大多需要人工操作，费时费力且准确度较低，限制了优异种质资源的筛选效率。得益于现代农业技术的发展，无人机高通量表型平台以其灵活高效的特点正在被应用于田间作物表型信息的采集。发掘抗旱相关高通量表型鉴定指标，用于描述和评估抗旱表型特征，是高效发掘和利用人工合成小麦种质资源的有效途径。【前人研究进展】作物的抗旱性是由多基因控制的数量性状，评价较为困难[5]。国家标准《小麦抗旱性鉴定评价技术规范》（GB/T 21127—2007）明确了小麦抗旱性鉴定技术和评价标准，例如种子萌发期采用高渗溶液法、苗期采用反复干旱法评价抗旱性，水分临界期和全生育期的抗旱性则直接通过产量计算抗旱指数。灌浆期是小麦籽粒形成的关键时期，水分胁迫影响籽粒中光合产物的积累，导致减产，是抗旱性研究中具有代表性的时期。白志英等[6]通过主成分分析和聚类分析方法，对干旱胁迫下21个小麦代换系进行了抗旱性鉴定评价，将其划分为高度抗旱类型、中度抗旱类型和不抗旱类型；王士强等[7]采用灰色关联度分析法分析了65个小麦品种的抗旱指数与其主要农艺性状和部分生理生化性状，提出叶片气孔相关的生理生化性状与抗旱指数关联度最大，可以选择相关性状进行小麦抗旱性的鉴定。张军等[8]检测了8个强筋小麦品种萌发期和幼苗期的抗旱相关生理指标，通过主成分分析和隶属函数法评价其抗旱性，筛选出1个在萌发期和幼苗期均表现抗旱的品种；马玉慧等[9]通过主成分分析及加权隶属函数法对70份春小麦材料在萌发期的生理指标进行了比较，提出利用综合抗旱指数评价春小麦抗旱性。随着作物表型组学的发展，高通量表型鉴定方法逐渐被应用于小麦抗旱性鉴定评价。孟雨等[10]借助手持式热红外仪检测技术，明确了冠层温度特征参数与抗旱指数间的定量关系，构建了基于冠层温度特征参数的抗旱指数回归模型；Qin等[1]获取了小麦在不同生育期的无人机采集图像和生理性状，结合层次聚类分析方法评价10个小麦品种的抗旱性，明确了在缺水条件下，小麦冠层温度与叶面积指数、叶绿素含量、光合速率、蒸腾作用和气孔导度呈负相关。DAS等[11]通过无人机遥感量化了基因型与环境的相互作用，评估不同基因型栽培小麦的耐旱性，筛选出在碱土上最耐旱的小麦基因型Bremer。传统的小麦抗旱性鉴定方法准确性较高，但鉴定时间较长，不适用于大田环境中对大量材料进行抗旱性鉴定。与之相比，高通量表型鉴定方法具有快速、高效、不受小麦生育时期限制的优点，同时减少了传统方法中耗时费力、效率较低，以及人为主观影响的问题。迄今为止，研究者利用高通量检测方法评价抗旱性的对象多为普通小麦，尚缺少针对人工合成小麦抗旱性评价的报道。【本研究切入点】与普通小麦相比，人工合成小麦遗传变异范围广，表型多样性丰富，现有的小麦抗旱性鉴定评价指标体系是否适用于人工合成小麦，尚需实践检验，因此，亟须研究适宜的高通量鉴定技术及评价指标，为从人工合成小麦中发掘抗旱优异种质资源提供技术支持。【拟解决的关键问题】本研究基于无人机多源影像数据，通过主成分分析和隶属函数法建立从高通量光谱指数中优选适用于人工合成小麦的抗旱性评价指标，发掘优异抗旱种质资源，为加快拓展小麦抗旱遗传资源、提升旱地小麦育种水平提供技术支撑和种质材料。

1 材料与方法

1.1 试验材料与田间种植

以80份从国际玉米小麦改良中心（CIMMYT）引进的人工合成小麦种质（附表1）为试验材料，以小麦品种新春37为对照品种。新春37由新疆农业科学院核技术生物技术研究所选育，是新疆种植面积最大的春小麦品种，生育期110 d左右，具有抗倒伏、综合抗逆性好等特征。

试验在新疆维吾尔自治区昌吉回族自治州昌吉市军户农场（43°96′N，87°01′E）进行，试验基地海拔高度为1 266 m，年平均温度6.8 ℃，土壤质地为砂壤土，有机质含量1.2%，播种前0—10 cm土壤平均含水量为19.5%。分别于2022年4月和2023年3月播种，2022年7月和2023年8月收获。2个小麦生长季内的自然降水量分别为42.4和60.8 mm。试验设置干旱胁迫和灌溉对照2组处理，各2次重复，随机区组设计。每个小区6行，行长2 m，行距0.2 m，参考大田生产播种量，每行播240粒种子。干旱胁迫组与灌溉对照组均为10 d左右浇一次水，共浇水7—8次。全生育期内，干旱胁迫组灌水总量为2 700 m3·hm-2，对照组灌水总量为4 500 m3·hm-2。施肥及病虫害防治等田间管理措施与当地小麦生产模式相同。

1.2 数据采集

于小麦灌浆期选择晴朗无风的天气进行2次遥感影像采集。采集系统由DJI Matrice M300型无人机搭载MicaScence RedEdge-MX多光谱相机和FLIR Duo Pro R640热红外相机组成。MicaScence RedEdge-MX相机包括蓝光（blue）、绿光（green）、红光（red）、红边（red edge，Re）和近红外（near infrared，NIR）5个波段，中心波长分别为475、560、668、717和840 nm。每次无人机飞行前，使用与多光谱相机配套的MicaScence校正白板获取参照图像。无人机飞行高度为50 m，飞行速度为4.5 m·s-1，影像航向和旁向重叠率设置为80%，拍照时间间隔1 s。试验地内放置6块带有温度传感器的黑色铝板，用于标定实际温度并构建热红外图像定标公式。小麦开花后测量株高，收获后称取小区产量，采用自动考种仪测量千粒重。

1.3 图像处理

使用Agisoft PhotoScan软件进行多光谱图像及热红外图像的拼接与校正，生成试验区域的正射影像。为避免边缘效应的影响，使用ArcGIS10.2软件，在各小区的中间部位选定目标区域。对于多光谱图像，采用阈值分割法分离出各小区的植株部分，使用重分类工具制作掩膜后再利用栅格计算器工具进行运算，得到各波段去除土壤背景后的影像数据，最终提取目标区域在不同波段的多光谱图像反射率（图1）。对于热红外图像，采用阈值分割法提取各小区的平均灰度值（digital number，DN）。

1.4 数据分析

根据国家标准《小麦抗旱性鉴定评价技术规范》（GB/T 2127—2007）计算供试材料的抗旱指数（drought resistance index，），公式如下：

=S.T²×S.W-1×CK.W×(CK.T²)-1（1）

式中，S.T和S.W分别为试验材料在干旱胁迫和灌溉条件下的籽粒产量，CK.W和CK.T分别为对照品种（新春37）在干旱胁迫和灌溉条件下的籽粒产量。使用IBM SPSS Statistics 19.0软件进行基本统计学分析。利用表1所述公式计算各项光谱指数。

利用前期获得的热红外图像定标公式（2）计算小区冠层温度（canopy temperature，CT）：

表1 光谱指数计算公式

BNDVI：蓝色归一化植被指数；CIgreen：绿边叶绿素指数；CIre：红边叶绿素指数；DVI：差值植被指数；GBNDVI：蓝-绿归一化植被指数；GCC：绿色色度坐标；GNDVI：绿色归一化植被指数；MCARI：修正叶绿素调节植被指数；mNDblue：修正蓝光归一化植被指数；MTCI：MERIS陆地叶绿素指数；NDRE：标准化差分红边指数；NDVI：归一化植被指数；NGBDI：归一化绿蓝差异指数；NPCI：归一化色素叶绿素比值指数；NRCT：归一化相对冠层温度；OSAVI：优化土壤调整植被指数；SIPI：结构不敏感色素指数；SR：简单比值植被指数；TVI：三角形植被指数。a：RBlue、RGreen、RRed、RRe、RNIR分别表示蓝、绿、红、红边、近红外波段反射率。CTi表示第i个种质的冠层温度；CTmin表示80份种质最低冠层温度；CTmax表示80份种质最高冠层温度。下同

BNDVI: Blue normalized difference vegetation index; CIgreen: Green chlorophyll index; CIre: Red-edge chlorophyll index; DVI: Difference vegetation index;GBNDVI: Normalized blue-green band difference vegetation index; GCC: Green chromatic coordinate; GNDVI: Green-band normalized vegetation index; MCARI: Modified chlorophyll absorption ratio index; mNDblue: Modified normalized difference blue index; MTCI: Meris terrestrial chlorophyll index; NDRE: Normalized difference red edge index; NDVI: Normalized difference vegetation index; NGBDI: Normalized green-blue difference index; NPCI: Normalized pigment chlorophyll vegetation index; NRCT: Normalized relative canopy temperature; OSAVI: Optimized soil-adjusted vegetation index; SIPI: Structure insensitive pigment index; SR: Simple ratio index; TVI: Triangle vegetation index.a:RBlue, RGreen, RRed, RRe, RNIRrepresent the spectral reflectance of blue, green, red, red edge, and near infrared bands, respectively. CTirepresents the canopy temperature of the i-th genotype, CTminrepresents the lowest canopy temperature among all genotypes, and CTmaxrepresents the highest canopy temperature among all genotypes. The same as below

图1 图像处理步骤

CT=0.0353×DN-233.5 （2）

采用公式（3）计算各光谱指数的抗旱系数（drought resistance coefficient，）：

=X/CK(=1,2,…n) （3）

式中，X、CK分别表示干旱胁迫、灌溉条件下的光谱指数值；为光谱指数指标；为光谱指数数量。

使用SPSS 19.0软件对数据进行主成分分析（principal component analysis，PCA），利用公式（4）计算各综合指标的隶属函数值（）：

(X)=(X-min)/(max-min)=1,2,3,…,n （4）

式中，X表示第个综合指标，min表示第个综合指标的最小值，max表示第个综合指标的最大值。

采用公式（5）计算各综合指标的权重（）：

式中，W为第个综合指标在所有指标中的权重，P表示各人工合成小麦材料中第个综合指标的贡献率。

利用公式（6）计算各人工合成小麦材料的综合抗旱性度量值（）：

式中，为综合指标数量；为综合指标。

2 结果

2.1 干旱胁迫对人工合成小麦农艺性状的影响

在干旱胁迫和灌溉条件下（图2-a），2022和2023年的试验结果相似，在干旱胁迫和灌溉条件下，对照品种新春37的平均产量都高于人工合成小麦（图2-b）。2022年，对照品种在干旱胁迫下的产量为 6 250.5 kg·hm-2，比灌溉条件下减少916.5 kg·hm-2，减产12.8%；而人工合成小麦在干旱胁迫下的产量为4 722.2 kg·hm-2，较灌溉条件下减少337.3 kg·hm-2，减产6.7%。2023年，与灌溉条件相比，干旱胁迫条件下对照品种减产17.7%，人工合成小麦减产21.7%。干旱胁迫也导致人工合成小麦株高和千粒重降低（图2-c—d），2年平均株高降低5.2%，千粒重减少3.4%。人工合成小麦群体中不同农艺性状呈现连续分布且分布范围较广。2023年，在灌溉条件下，株高、千粒重和产量的分布范围分别为70.7—118.0 cm、29.2—50.5 g和1 959.3—8 754.4 kg·hm-2，变异系数依次为10.6%、11.2%和30.6%；而在干旱胁迫下，3个性状的变异系数依次为11.3%、12.3%和29.4%，变异系数均较大（图2-c—e）。结果表明，无论在灌溉条件下，还是干旱胁迫条件下，人工合成小麦的农艺性状都表现出较大差异，尤其是在干旱胁迫条件下不同种质各性状的离散程度仍然较大，反映了不同种质适应水分亏缺的能力差异。

2.2 单指标抗旱性评价

根据干旱和灌溉条件下的产量计算抗旱指数，结果表明，人工合成小麦的平均抗旱指数为0.73，分布范围为0.34—1.30，变异系数为28.1%，进一步表明，不同种质的抗旱性存在较大差异。采用平均值-标准差分类法[29]对不同材料抗旱性进行分级，即使用群体材料的抗旱指数平均值加或减1.5个标准差，将材料分为强抗、中间类型和敏感材料；再使用抗旱指数平均值加或减0.5个标准差，将中间类型材料划分为抗旱、中抗和较敏感材料。基于此方法，将80份人工合成小麦的抗旱性分为强抗（≥1.04）、抗（1.04＞≥0.83）、中抗（0.83＞≥0.63）、较敏感（0.63＞≥0.42）和敏感（＜0.42）5个等级。各等级抗旱性材料的数目依次为6、17、29、24和4份，分别占总数的7.5%、21.3%、36.3%、30.0%和5.0%（图3-a）。其中，6份强抗旱种质SW004、SW009、SW019、SW034、SW037和SW051的抗旱指数依次为1.30、1.24、1.23、1.10、1.08和1.10（表2）。

2.3 抗旱指数与光谱指数抗旱系数的相关性分析

抗旱指数与NDVI、OSAVI等14个光谱指数的抗旱系数（光谱指数-）显著正相关，与mNDblue、NPCI和SIPI的抗旱系数呈显著负相关关系（图4）。其中，CIre、NDRE、NDVI和OSAVI的抗旱系数与抗旱指数的相关性较高，均大于0.68，说明基于无人机多源影像数据提取的光谱指数的抗旱系数能在较大程度上反映不同种质的抗旱性。然而，不同光谱指数抗旱系数间普遍存在较高的相关性，如，BNDVI、CIre、GCC、NDRE、OSAVI的抗旱系数与大多数光谱指数抗旱系数显著正相关，CIre-与NDRE-的相关系数高达0.99；NPCI和SIPI的抗旱系数与多个光谱指数抗旱系数显著负相关，且SIPI的抗旱系数与大部分光谱指数抗旱系数的相关系数超过0.60。由此可见，通过不同波段光谱参数所计算的各类光谱指数间存在大量的信息重叠，需要对光谱指数指标进行筛选与优化。

a：基于抗旱指数的评价结果；b：基于综合抗旱性度量值的评价结果；c：不同指标评价结果韦恩图；d：强抗旱及抗旱人工合成小麦种质信息。HR：强抗旱；R：抗旱；MR：中等抗旱；S：干旱较敏感；HS：干旱敏感。DRI-HR：由抗旱指数评级为强抗旱的种质；DRI-R：由抗旱指数评级为抗旱的种质；D-HR：由综合抗旱性度量值评级为强抗旱的种质；D-R：由综合抗旱性度量值评级为抗旱的种质；OSAVI-DC-HR/R：OSAVI-DC值评级为强抗旱及抗旱的种质

表2 强抗旱人工合成小麦种质产量差异

2.4 光谱指数抗旱系数主成分分析

为了消除大量光谱指数抗旱系数中冗余的表型信息，优选抗旱性评价指标，进一步对所提取的19个光谱指数抗旱系数进行主成分分析（表3）。结果表明，19个光谱指数抗旱系数可转化为3个累积贡献率大于80%且相互独立的主成分，其特征值分别为11.31、2.28和1.81，贡献率分别为59.6%、12.0%和9.6%，说明此3个主成分所包含的信息量可以反映19个原始光谱指数的大部分信息。第一主成分中，CIreNDRE、NDVI和OSAVI具有较高的载荷系数绝对值；第二主成分中，MTCI相对于其他光谱指数的载荷系数绝对值较高；第三主成分中，起主要作用的是GBNDVI和NPCI。该结果与相关性分析结果相似，即贡献率最高的第一主成分中载荷系数最大的CIreNDRE、NDVI和OSAVI与抗旱指数的相关系数最高（图4），可优选为高通量抗旱性鉴定评价指标。

表3 光谱指数抗旱系数主成分分析

2.5 抗旱性综合评价

使用公式（4）计算各综合指标的隶属函数值，通过公式（5）分别计算各综合指标的权重，并利用公式（6）计算出各试验材料的综合抗旱性度量值（）。80份人工合成小麦的平均值为0.42，分布范围为0.12—0.72，变异系数为24.5%，小于单指标评价的变异系数。基于值，使用平均值-标准差分类法将80份人工合成小麦的抗旱性分为强抗（≥0.57）、抗（0.57＞≥0.47）、中抗（0.47＞≥0.37）、较敏感（0.37＞≥0.26）和敏感（＜0.26）5个等级。各等级种质数量分别为5、17、35、18和5份，占总数的6.3%、21.3%、43.8%、22.5%和6.3%（图3-b）。其中，强抗旱种质为SW004、SW009、SW024、SW047和SW089，值依次为0.60、0.72、0.58、0.61、0.64。此外，8份种质（SW013、SW017、SW040、SW042、SW68、SW100、SW106、SW123）在单指标和综合评价结果中均为抗旱，SW004和SW009均为强抗旱（图4-d）。

抗旱指数与综合抗旱性度量值（）呈显著正相关，相关系数为0.72（图5），表明2种方法的评价结果具有较高的相似性。此外，各光谱指数的抗旱系数中，OSAVI-与抗旱指数的关联度最高，进一步基于OSAVI-对人工合成小麦进行抗旱性分级。使用平均值-标准差分类法将80份人工合成小麦种质抗旱性分为强抗（≥0.91）、抗（0.91＞≥0.85）、中抗（0.85＞≥0.78）、较敏感（0.78＞≥0.72）和敏感（＜0.72）5个等级。各等级种质数量分别为6、19、30、22和3份，占总数的7.5%、23.8%、37.5%、27.5%和3.8%。结果表明，仅使用OSAVI-单指标进行抗旱性分级的结果与基于综合抗旱性度量值的分级结果基本一致（图3-c）。根据OSAVI-鉴定出的6份强抗旱种质中，有5份（SW004、SW009、SW024、SW047、SW089）在综合评价体系中也被鉴定为强抗旱。因此，在大规模小麦种质资源抗旱性鉴定中，也可使用OSAVI-作为辅助评判依据。

图5 综合抗旱性度量值及OSAVI-DC与抗旱指数的相关性

3 讨论

3.1 基于光谱指标的灌浆期人工合成小麦抗旱性综合评价

小麦的灌浆期是决定籽粒产量的关键时期[30]，灌浆期干旱胁迫对小麦产生的影响远大于其他时期[31-32]。而在实际生产中，我国北方的小麦常在灌浆期遇到不同程度的干旱[33]。Qin等[1]研究结果表明，在亏缺灌溉处理下，灌浆期前无人机热成像评价小麦抗旱性的效果较差。因此，本试验选择在灌浆期采集人工合成小麦田间图像数据并进行分析。作物抗旱性遗传改良的重要目标是提高干旱胁迫条件下的产量，产量是评价作物抗旱性的直接指标[34]。但作物产量只可在成熟期获取，仅使用产量性状无法在灌浆期对小麦的抗旱性进行评价。干旱胁迫条件下，作物与产量相关的生理生化指标，或者生长发育指标也可用于评价其抗旱性。然而，这些指标的采集往往费时费力，对环境条件和性状采集时间要求严格，甚至是苛刻，难以满足对大批量材料进行抗旱性鉴定的需求。近年来，随着无人机的普及与图像采集设备的不断升级，高通量表型观测平台逐步完善，目前，利用无人机搭载的多光谱图像采集设备已能够对大田作物的多样性光谱指数进行快速、准确、高效采集。Candiago等[35]使用无人机搭载的多光谱成像仪获取了NDVI、GNDVI和SAVI等植被指数，对作物的植被活力进行评价；Shao等[36]通过相同的方法获取了GNDVI等6种植被指数，用于估算玉米的Kc（crop coefficient，Kc）值。干旱胁迫影响作物的生理生化特征，这些特征进而影响作物对光的吸收、投射和反射[37-38]。光谱指数的差异能够间接反映作物在干旱胁迫下的生理状态，因此，借助光谱指数高效评价小麦抗旱性的策略备受关注，如李升东等[38]研究了NDVI与小麦产量及抗旱性的关系，证明抽穗期小麦的NDVI值与小麦抗旱性呈正相关关系。本研究所使用的无人机平台同时搭载热红外及多光谱成像仪，可同时获取多源影像。植被指标与植株的生理状态及形态性状密切相关，本研究在小麦灌浆期选择植株形态结构、叶绿素含量和冠层温度等与植株生理状态相关的19种光谱指数，从水分状态、生长状态、株型结构等层次对人工合成小麦的抗旱性进行评价。通过结合相关性分析和主成分分析发现OSAVI-等多种光谱指数的抗旱系数与基于产量的抗旱指数显著正相关，可用于辅助评价小麦抗旱性，从而提高抗旱种质鉴定效率。

然而，作物抗旱性是多种性状的综合体现，仅利用单一性状或生理指标难以准确评价作物抗旱性，聚合多项主要指标进行综合评价已逐渐成为作物抗旱性鉴定的重要理念。例如，李春情等[39]通过灰色关联度分析筛选出超氧化物歧化酶、叶绿素含量等6种与玉米抗旱性相关的指标，通过计算加权抗旱系数对42个玉米品种的抗旱性进行综合评价，提高了鉴定结果的可靠性；王倩等[40]比较分析3种抗旱性评价方法，发现利用抗旱性度量值（）的综合评价方法最适宜对成株期糜子进行抗旱性评价。李龙等[29]研究也发现采用综合抗旱性度量值（）有利于区分干旱对不同小麦种质产量的影响力。本研究通过主成分分析将19种光谱指数的抗旱系数转化为3个相互独立的综合指标，去除其中的冗余信息，进一步通过加权隶属函数法聚合综合指标获得综合抗旱性度量值。与单指标评价指标相比，多指标综合评价结果考虑了各光谱指数的重要性及其互作关系，更具客观性和可靠性，有利于快速准确地筛选优异等位基因种类多、育种应用潜力大的种质资源。

3.2 人工合成小麦抗旱种质资源发掘

种质资源的创新与品种改良至关重要[41]。长期追求高产的定向选择和骨干亲本重复利用导致小麦栽培品种中的抗旱遗传基础收窄[42]，制约了抗旱高产小麦新品种的培育，因此，亟需从更加广泛的种质资源中挖掘新的优异抗旱种质以拓宽抗旱育种的遗传基础[43]。本研究所分析的人工合成小麦（AABBDD）是利用野生或栽培二粒小麦（AABB）与粗山羊草（DD）杂交创制的新型小麦种质，携带了小麦野生近缘种特有的耐逆性，同时还能与普通小麦（AABBDD）正常杂交，是拓展小麦抗逆遗传基础的优选基因库，具有极大的优良基因遗传潜力[44]。张泽全等[45]采用性状相对值和隶属函数法对大量人工合成小麦进行耐低温综合评价，筛选出了一批低温耐性强的人工合成小麦种质并提供育种利用。王秋云等[46]对56份人工合成小麦进行白粉病抗性鉴定，发现80%以上的供试材料对白粉病具有良好的抗性。然而，目前对于人工合成小麦抗旱种质资源的发掘工作相对薄弱，在本研究中，人工合成小麦也存在产量较低、性状不稳定的缺点。与2022年相比，2023年人工合成小麦产量降低，这可能与2023年开花期有降水相关。本研究结合不同评价方法发掘到多个强抗旱和抗旱人工合成小麦，将为小麦抗旱高产优异亲本资源圃注入“新鲜血液”，是种质资源发掘工作的重要进展。

4 结论

利用无人机搭载多功能成像仪采集多源影像是高效获取小麦抗旱表型信息的有效方法。NDVI、OSAVI、CIre、NDRE和综合抗旱性度量值可用于辅助鉴定小麦种质抗旱性。结合单指标及综合指标评价方法鉴定出8份抗旱人工合成小麦种质（SW013、SW017、SW040、SW042、SW68、SW100、SW106和SW123）和2份强抗旱人工合成小麦种质（SW004、SW009）。

[1] QIN W L, WANG J, MA L F, WANG F L, HU N Y, YANG X Y, XIAO Y Y, ZHANG Y H, SUN Z C, WANG Z M, YU K. UAV-based multi-temporal thermal imaging to evaluate wheat drought resistance in different deficit irrigation regimes. Remote Sensing, 2022, 14(21): 5608.

[2] BAPELA T, SHIMELIS H, TSILO T J, MATHEW I. Genetic improvement of wheat for drought tolerance: Progress, challenges and opportunities. Plants, 2022, 11(10): 1331.

[3] 廖祥政, 王瑾, 周荣华, 任正隆, 贾继增. 发掘人工合成小麦中千粒重QTL的有利等位基因. 作物学报, 2008, 34(11): 1877-1884.

LIAO X Z, WANG J, ZHOU R H, REN Z L, JIA J Z. Mining favorable alleles of QTLs conferring 1000-grain weight from synthetic wheat. Acta Agronomica Sinica, 2008, 34(11): 1877-1884. (in Chinese)

[4] 王晓鸣, 邱丽娟, 景蕊莲, 任贵兴, 李英慧, 李春辉, 秦培友, 谷勇哲, 李龙. 作物种质资源表型性状鉴定评价: 现状与趋势. 植物遗传资源学报, 2022, 23(1): 12-20.

WANG X M, QIU L J, JING R L, REN G X, LI Y H, LI C H, QIN P Y, GU Y Z, LI L. Evaluation on phenotypic traits of crop germplasm: status and development. Journal of Plant Genetic Resources, 2022, 23(1): 12-20. (in Chinese)

[5] 李龙, 毛新国, 王景一, 李超男, 柳玉平, 景蕊莲. 小麦抗旱性研究进展与展望. 干旱地区农业研究, 2023, 41(3): 11-20

LI L, MAO X G, WANG J Y, LI C N, LIU Y P, JING R L. Progress and prospect of wheat research on drought resistance. Agricultural Research in the Arid Areas, 2023, 41(3): 11-20. (in Chinese)

[6] 白志英, 李存东, 孙红春, 赵金锋. 小麦代换系抗旱生理指标的主成分分析及综合评价. 中国农业科学, 2008, 41(12): 4264-4272.doi: 10.3864/j.issn.0578-1752.2008.12.043.

Bai Z Y, Li C D, Sun H C, Zhao J F. Principal component analysis and comprehensive evaluation on physiological indices of drought resistance in wheat substitution lines. Scientia Agricultura Sinica, 2008, 41(12): 4264-4272. doi: 10.3864/j.issn.0578-1752.2008.12.043. (in Chinese)

[7] 王士强, 胡银岗, 佘奎军, 周琳璘, 孟凡磊. 小麦抗旱相关农艺性状和生理生化性状的灰色关联度分析. 中国农业科学, 2007, 40(11): 2452-2459. doi: 10.3864/j.issn.0578-1752.at-2006-8460.

Wang S Q, Hu Y G, She K J, Zhou L L, Meng F L. Gray relational grade analysis of agronomical and physi-biochemical traits related to drought tolerance in wheat. Scientia Agricultura Sinica, 2007, 40(11): 2452-2459. doi: 10.3864/j.issn.0578-1752.at-2006-8460. (in Chinese)

[8] 张军, 魏国, 彭彦珉, 汪洪涛, 黄修利, 吴金芝, 黄明, 李友军. 8份强筋小麦品种抗旱性评价. 麦类作物学报, 2023. https://link. cnki.net/urlid/61.1359.S.20231107.0924.006.

ZHANG J, WEI G, PENG Y M, WANG H T, HUANG X L, WU JI Z, HUANG M, LI Y J. Drought resistance evaluation of eight strong gluten wheat varieties. Journal of Triticeae Crops, 2023. https://link. cnki.net/urlid/61.1359.S.20231107.0924.006. (in Chinese)

[9] 马玉慧, 张小虎, 马小乐, 司二静, 孟亚雄, 姚立蓉, 王化俊, 汪军成, 李葆春. 干旱胁迫下春小麦品种(系)萌发期抗旱性鉴定与评价. 分子植物育种, 2022, 20(19): 6459-6473.

MA Y H, ZHANG X H, MA X L, SI E J, MENG Y X, YAO L R, WANG H J, WANG J C, LI B C. Identification and evaluation of drought resistance of spring wheat varieties (lines) at germination under drought stress. Molecular Plant Breeding, 2022, 20(19): 6459-6473. (in Chinese)

[10] 孟雨, 温鹏飞, 丁志强, 田文仲, 张学品, 贺利, 段剑钊, 刘万代, 冯伟. 基于热红外图像的小麦品种抗旱性鉴定与评价. 中国农业科学, 2022, 55(13): 2538-2551. doi: 10.3864/j.issn.0578-1752.2022. 13.005.

MENG Y, WEN P F, DING Z Q, TIAN W Z, ZHANG X P, HE L, DUAN J Z, LIU W D, FENG W. identification and evaluation of drought resistance of wheat varieties based on thermal infrared image. Scientia Agricultura Sinica, 2022, 55(13): 2538-2551. doi: 10.3864/ j.issn.0578-1752.2022.13.005. (in Chinese)

[11] DAS S, CHRISTOPHER J, CHOUDHURY M R, APAN A, CHAPMAN S W, MENZIES N P, DANG Y P. Evaluation of drought tolerance of wheat genotypes in rain-fed sodic soil environments using high-resolution UAV remote sensing techniques. Biosystems Engineering, 2022, 217: 68-82.

[12] WANG F M, HUANG J F, TANG Y L, WANG X Z. New vegetation index and its application in estimating leaf area index of rice. Rice Science, 2007, 14(3): 195-203.

[13] GITELSON A A, KEYDAN G P, MERZLYAK M N. Three-band model for noninvasive estimation of chlorophyll, carotenoids, and anthocyanin contents in higher plant leaves. Geophysical Research Letters, 2006, 33(11): 11402.

[14] Richardson A, Wiegand C. Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, 1977, 43(12): 1541-1552.

[15] GILLESPIE A R, KAHLE A B, WALKER R E. Color enhancement of highly correlated images: Ⅱchannel ratio and “chromaticity” transformation techniques. Remote Sensing of Environment, 1987, 22(3): 343-365.

[16] GITELSON A A, KAUFMAN Y J, MERZLYAK M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 1996, 58(3): 289-298.

[17] DAUGHTRY C S T, WALTHALL C L, KIM M S, DE COLSTOUN E B, MCMURTREY J E. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sensing of Environment, 2000, 74(2): 229-239.

[18] JAY S, GORRETTA N, MOREL J, MAUPAS F, BENDOULA R, RABATEL G, DUTARTRE D, COMAR A, BARET F. Estimating leaf chlorophyll content in sugar beet canopies using millimeter to centimeter-scale reflectance imagery. Remote Sensing of Environment, 2017, 198: 173-186.

[19] DASH J, CURRAN P J. Theterrestrial chlorophyll index. International Journal of Remote Sensing, 2004, 25(23): 5403-5413.

[20] Fitzgerald G J, Rodriguez D, Christensen L K, Belford R, Sadras V O, Clarke T R. Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments. Precision agriculture, 2006, 7(4): 233-248.

[21] ROUSE J W J, HAAS R H, SCHELL J A, DEERING D W. Monitoring vegetation systems in the great Plains with ERTS. National Aeronautics and Space Administration Special Publication, 1974, 351(1): 309.

[22] XU F X, GAO Z Q, JIANG X P, SHANG W T, NING J C, SONG D B, AI J Q. A UAV and S2A data-based estimation of the initial biomass of green algae in the South Yellow Sea. Marine pollution bulletin, 2018, 128: 408-414.

[23] Peñuelas J, Gamon J A, Fredeen A L, Merino J, Field C B. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves. Remote Sensing of Environment, 1994, 48(2): 135-146.

[24] Elsayed S, Rischbeck P, Schmidhalter U. Comparing the performance of active and passive reflectance sensors to assess the normalized relative canopy temperature and grain yield of drought- stressed barley cultivars. Field Crops Research, 2015, 177: 148-160.

[25] RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, 1996, 55(2): 95-107.

[26] PENUELAS J, BARET F, FILELLA I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica, 1995, 31(2): 221-230.

[27] Jordan C F. Derivation of leaf‐area index from quality of light on the forest floor. Ecology, 1969, 50(4): 663-666.

[28] BROGE N, LEBLANC E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sensing of Environment, 2001, 76(2): 156-172.

[29] 李龙, 毛新国, 王景一, 昌小平, 柳玉平, 景蕊莲. 小麦种质资源抗旱性鉴定评价. 作物学报, 2018, 44(7): 988-999.

LI L, MAO X G, WANG J Y, CHANG X P, LIU Y P, JING R L. Drought tolerance evaluation of wheat germplasm resources. Acta Agronomica Sinica, 2018, 44(7): 988-999. (in Chinese)

[30] 胡芬, 赵聚宝, 姜雁北, 梅旭荣, 钟兆站. 小麦灌浆期土壤干旱对子粒发育影响的研究. 中国农业气象, 1993, 14(4): 8-11.

HU F, ZHAO J B, JIANG Y B, MEI X R, ZHONG Z Z. Study on the effects of soil drought on grain development during wheat filling stage. Chinese Journal of Agrometeorology, 1993, 14(4): 8-11. (in Chinese)

[31] YANG J C, ZHANG J H. Grain filling of cereals under soil drying. The New Phytologist, 2006, 169(2): 223-236.

[32] FAROOQ M, HUSSAIN M, SIDDIQUE K H M. Drought stress in wheat during flowering and grain-filling periods. Critical Reviews in Plant Sciences, 2014, 33(4): 331-349.

[33] 吕金印, 山仑, 高俊凤, 覃凤云, 杨淑慎. 干旱对小麦灌浆期旗叶光合等生理特性的影响. 干旱地区农业研究, 2003, 21(2): 77-81.

Lü J Y, SHAN L, GAO J F, QIN F Y, YANG S S. Effect of drought stress on photosynthesis and some other physiological characteristics in flag leaf during grain filling of wheat. Agricultural Research in the Arid Areas, 2003, 21(2): 77-81. (in Chinese)

[34] 王淑荣, 费德友, 唐宗祥. 干旱胁迫对四川小麦品种产量及农艺性状的影响. 农业与技术, 2020, 40(13): 14-17.

WANG S R, FEI D Y, TANG Z X. Effects of drought stress on yield and agronomic traits of wheat varieties in Sichuan. Agriculture and Technology, 2020, 40(13): 14-17. (in Chinese)

[35] CANDIAGO S, REMONDINO F, DE GIGLIO M, DUBBINI M, GATTELLI M. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images. Remote Sensing, 2015, 7(4): 4026-4047.

[36] SHAO G M, HAN W T, ZHANG H H, LIU S Y, WANG Y, ZHANG L Y, CUI X. Mapping maize crop coefficient Kc using random forest algorithm based on leaf area index and UAV-based multispectral vegetation indices. Agricultural Water Management, 2021, 252: 106906.

[37] 李映雪, 朱艳, 田永超, 姚霞, 秦晓东, 曹卫星. 小麦叶片氮含量与冠层反射光谱指数的定量关系. 作物学报, 2006, 32(3): 358-362.

LI Y X, ZHU Y, TIAN Y C, YAO X, QIN X D, CAO W X. Quantitative relationship between leaf nitrogen concentration and canopy reflectance spectra. Acta Agronomica Sinica, 2006, 32(3): 358-362. (in Chinese)

[38] 李升东, 王法宏, 司纪升, 孔令安, 冯波, 张宾. 不同基因型小麦NDVI值与产量的关系. 干旱地区农业研究, 2008, 26(6): 47-50.

LI S D, WANG F H, SI J S, KONG L A, FENG B, ZHANG B. The relationship between NDVI values and yield of different genotype wheat varieties. Agricultural Research in the Arid Areas, 2008, 26(6): 47-50. (in Chinese)

[39] 李春情, 刘翔宇, 闫鹏, 周六千, 卢霖, 董志强, 徐江. 不同玉米品种抗旱性的生理鉴定与综合评价. 作物杂志, 2023. https://link. cnki.net/urlid/11.1808.S.20230926.1429.006.

LI C Q, LIU X Y, YAN P, ZHOU L Q, LU L, DONG Z Q, XU J. Physiological identification and comprehensive evaluation of drought resistance of different maize varieties. Crop Journal, 2023. https://link. cnki.net/urlid/11.1808.S.20230926.1429.006. (in Chinese)

[40] 王倩, 董孔军, 薛亚鹏, 刘少雄, 王若楠, 杨佳琪, 陆平, 王瑞云, 杨天育, 刘敏轩. 糜子核心种质成熟期抗旱性鉴定评价与抗旱种质筛选. 中国农业科学, 2023, 56(21): 4163-4174.doi:10.3864/j.issn. 0578-1752.2023.21.003.

Wang Q, Dong K J, Xue Y P, Liu S X, Wang R N, Yang J Q, Lu P, Wang R Y, Yang T Y, Liu M X. Drought resistance identification and evaluation of mature stage in foxtail millet core germplasm and selection of drought-resistant germplasm. Scientia Agricultura Sinica, 2023, 56(21): 4163-4174.doi:10.3864/j.issn.0578- 1752.2023.21.003. (in Chinese)

[41] 张青显. 野生遗传基因种质资源在小麦育种中的应用及遗传特征. 农业科技通讯, 2022(7): 183-184, 188.

ZHANG Q X. Application and genetic characteristics of wild genetic gene germplasm resources in wheat breeding. Bulletin of Agricultural Science and Technology, 2022(7): 183-184, 188. (in Chinese)

[42] EVENSON R E, GOLLIN D. Assessing the impact of the green revolution, 1960 to 2000. Science, 2003, 300(5620): 758-762.

[43] DRECCER M F, BORGOGNONE M G, OGBONNAYA F C, TRETHOWAN R M, Winter B. CIMMYT-selected derived synthetic bread wheats for rainfed environments: Yield evaluation in Mexico and Australia. Field Crops Research, 2007, 100(2/3): 218-228.

[44] RATTEY A, SHORTER R. Evaluation of CIMMYT conventional and synthetic spring wheat germplasm in rainfed sub-tropical environments: I. Grain yield. Field Crops Research, 2010, 118(3): 273-281.

[45] 张泽全, 舒长生, 赖运平, 董雪芳, 李俊, 魏会廷, 彭正松, 杨武云. 人工合成小麦幼苗耐低温特性鉴定. 中国农学通报, 2010, 26(12): 135-138.

ZHANG Z Q, SHU C S, LAI Y P, DONG X F, LI J, WEI H T, PENG Z S, YANG W Y. Evaluation of low-temperature tolerant germplasm resource on seedling traits of synthetic hexaploid wheats. Chinese Agricultural Science Bulletin, 2010, 26(12): 135-138. (in Chinese)

[46] 王秋云, 冯雯杰, 张巧玲, 赵凯, 张宪军, 刘淑珍, 鲍印广. 56份人工合成六倍体小麦的遗传多样性分析. 麦类作物学报, 2021, 41(8): 960-968.

WANG Q Y, FENG W J, ZHANG Q L, ZHAO K, ZHANG X J, LIU S Z, BAO Y G. Genetic diversity analysis of 56 synthetic hexaploid wheats. Journal of Triticeae Crops, 2021, 41(8): 960-968. (in Chinese)

Drought Resistance Evaluation of Synthetic Wheat at Grain Filling Using UAV-based Multi-source Imagery Data

YAN Wen1,2, JIN XiuLiang2, LI Long2, XU ZiHan3, SU Yue1,2, ZHANG YueQiang3, JING RuiLian2, MAO XinGuo2, SUN DaiZhen1

1College of Agronomy, Shanxi Agricultural University, Taigu 030801, Shanxi;2Institute of Crop Sciences, Chinese Academy of Agricultural Sciences/State Key Laboratory of Crop Gene Resources and Breeding, Beijing 100081;3Institute of Nuclear and Biological Technologies, Xinjiang Academy of Agricultural Sciences/Key Laboratory of Crop Ecophysiology and Farming System in Desert Oasis Region, Ministry of Agriculture and Rural Affairs/Xinjiang Key Laboratory of Crop Biotechnology, Urumqi 830091

【Objective】To evaluate the drought resistance of synthetic wheat germplasm based on multi-source images collected by unmanned aerial vehicle (UAV) and yield data, explore high-throughput indices for drought resistance evaluation, and identify synthetic wheat germplasm resources with drought resistance.This provides technical support and germplasm materials for accelerating the expansion of drought-resistant genetic resources for wheat and enhancing the level of breeding for dryland wheat.【Method】Eighty synthetic wheat germplasm and the control variety Xin Chun 37 were used as plant materials, which were sown in the field and treated with a water regime of drought stress and irrigation. Multi-source images of test materials during filling stage were collected by multi-spectral and thermal infrared cameras equipped with unmanned aerial vehicle, and the spectral index of each test material was extracted by threshold segmentation. The analyses of Pearson’s correlation and principal component were performed to identify drought resistance-related spectral indices, and the drought resistance of each synthetic wheat germplasm was determined by single index and comprehensive evaluation methods. 【Result】The drought resistance coefficients of 19 spectral indices of 80 synthetic wheat germplasm were calculated based on multisource imagery data obtained from unmanned aerial vehicles. The correlation analysis between the spectral indices and the yield-based drought index () showed that among the drought resistance coefficients of the 19 spectral indices, OSAVI exhibited the highest correlation with the drought index, while NDVI, CIre, and NDRE demonstrated relatively strong associations with the drought index. However, the different drought indices showed a high correlation, resulting in redundant information. The drought resistance coefficients of the 19 spectral indices were transformed into three independent comprehensive indicators through principal component analysis, with contribution rates of 59.6%, 12.0% and 9.6%, respectively. The comprehensive drought resistance index () for each synthetic wheat germplasm were calculated by aggregating the three independent comprehensive indicators using the weighted membership function method. 6 and 5 synthetic wheat germplasms with strong drought resistance were identified based onand, respectively. Among them, 2 germplasms (SW004 and SW009) with high drought resistance were detected based on bothand. Furthermore, the drought resistance of the 80 synthetic wheat germplasms was graded based on the drought resistance coefficient of OSAVI, and the grading results were found to be consistent with that based on thevalue. Among the six strongly drought-resistant germplasms identified based on the drought resistance coefficient of OSAVI, five of them were also classified as strongly drought-resistant germplasms based on comprehensive drought resistance evaluation.【Conclusion】The spectral indices NDVI, OSAVI, CIreand NDRE extracted from UAV-based multi-source images, as well as the drought resistance comprehensive evaluation value can be used to assist in the identification of drought resistance of wheat germplasm.

multi-source images; spectral index; synthetic wheat; drought resistance; grain filling