欧亚国际

预测植物的生长发育是植物生理学中一个长期的目标，它涉及两个相互交织的组成部分：连续生长和生长阶段的进展（即物候学）。作物生长模型作为分析和预测植物生长的多功能工具，在生物学的真实性和模型的简洁性之间需要做出平衡。常见的建模方法是对时间进行温度补偿，从而使用基于物种特异性的固有温度生长响应来“线性化”持续生长和物候期，但是也有证据表明物候与品种特异性的温度响应有关。

2024年4月，Plant Phenomics 在线发表了ETH Zürich题为From neglecting to including cultivar-specific per se temperature responses: Extending the concept of thermal time in field crops 的研究论文。

在现有的大多数作物生长模型都普遍使用特定于物种的固有温度生长响应（图1-c）来“线性化”持续生长（图1-e）和物候期（图1-b）的背景下，他们提出了一个假设，认为品种特异性对温度的响应对物候学有显著影响。为了调查这一假设，在多年内收集了冬小麦和大豆的基于田间的生长和物候数据（图2），使用了从线性到神经网络的多种模型来评估不同性状和协变量水平上对温度的生长响应。结果表明品种特异性的非线性模型最能解释与品种-环境相互作用有关的物候相关性（图3）。

图1 以冬小麦的生成生长为例，作物建模中补偿温度波动的策略示意图。植物随时间的生长呈现出非线性（a），并显示出不规则的、可能与品种和环境相关的生长速率模式（d）。用温度补偿函数的物候期（b）和生长速率（e）随时间变化。温度补偿函数可以基于品种水平的剂量反应曲线（c）或品种特异的剂量反应曲线（f）。

图2 对冬小麦和大豆的评估数据集。（a）分别使用叶片长度跟踪仪和叶片生长跟踪仪测量小麦和大豆的叶片伸长和生长情况。（b）使用田间表型平台采集 RGB 图像，然后将图像分割成显示植物和土壤的像素。（c）使用基于表型平台的陆地激光扫描仪和无人机运动结构技术测量植物高度。评估了四个参数剂量反应模型（d）和两个半参数剂量反应模型（e）。

图3 冬小麦最佳物种特异性模型和品种特异性模型的性能概览。物种特异性热时间模型按品种特异性内在生长率缩放，品种特异性的双线性模型（Bi-linear）和渐进模型（Asym）则分别针对每个品种进行拟合。在未见的生长数据集（b）和未见的物候数据集（c）上对模型进行了测试，以显示其预测生长和减少物候估计 G×E 的潜力。

该研究提出的田间表型工具的使用允许将特定品种的温度响应函数纳入未来的植物生理学研究中，这将加深对影响植物发育的关键因素的理解。因此，这项工作对作物育种和在不利气候条件下的栽培具有重要意义。

论文链接：

‍http://doi.org/10.34133/plantphenomics.0185

——推荐阅读——

Panicle-Cloud: An Open and AI-Powered Cloud Computing Platform for Quantifying Rice Panicles from Drone-Collected Imagery to Enable the Classification of Yield Production in Rice

‍http://doi.org/10.34133/plantphenomics.0105

Plant Phenomics | Panicle-Cloud: 一种基于开放式人工智能的稻穗云计算平台

Determination of Fᵥ/Fₘ from Chlorophyll a Fluorescence without Dark Adaptation by an LSSVM Model

‍http://doi.org/10.34133/plantphenomics.0034

Plant Phenomics | 基于LSSVM 模型的无暗适应叶绿素a荧光Fᵥ/Fₘ的测定