品质至上，客户至上，您的满意就是我们的目标
技术文章
当前位置: 首页 > 技术文章
Plant Phenomics | 南京农业大学基于结果枝环剥和机器学习的梨树最佳叶面积果比研究
发表时间：2024-10-08 08:52:15点击：252
来源：植物表型组学
分享：
根据FAO的2022年最新数据，我国梨树的种植面积占全球梨树种植面积的69%，年产量超过1600万吨。果实品质是决定梨市场竞争力的重要因素，然而，由于我国梨果实品质参差不齐，其经济效益并不理想。梨树栽培中，树体果实负载量是影响梨果实品质的重要因素之一，确定合理负载量的核心方法是叶果比（LFR）法，其本质是光合面积与果实数量的比率，即叶面积果比（LAFR），怎样快速有效分析叶面积并指导科学有效疏果工作成为生产中亟需解决的技术问题。此外，以往研究中在一定程度上忽略了由于叶片/果实年际生长而导致的LFR或LAFR的动态变化，导致前期研究得出的LFR或LAFR建议值可能仅在梨树特定的发育时期有效，而不足以覆盖果实整个发育周期，难以为梨不同阶段的疏果工作提供有效的指导。
2024年9月，Plant Phenomics在线发表了由南京农业大学园艺学院、三亚研究院、前沿交叉研究院和日本东京大学合作完成的题为Study on the Optimal Leaf Area-to-Fruit Ratio of Pear Trees on the Basis of Bearing Branch Girdling and Machine Learning的研究论文。
本研究提出了一种基于结果枝环剥技术和机器学习的梨树不同发育时期最佳LAFR估算方法，并将其应用于梨树栽培实践中，证实了方法的有效性并估算了早熟砂梨5个不同时期（包括幼果期和果实成熟期）的最佳LAFR和LFR，指导不同时期的疏果作业。
本研究首先利用结果枝环剥技术，对结果枝进行处理并采集了每组样本在不同时期的梨果实品质和对应的LAFR数据。其次，使用相关性分析筛选出与LAFR变化显著相关的果实品质。进一步通过聚类算法和主成分分析，筛选出具有最高果实品质的类及其对应的LAFR数据，用于构建数据集。最后使用最小二乘法对数据进行拟合并确定了不同时期的最佳LAFR值及其对应的最佳LFR值，其结果为：花后28、42、63、91、112天（DAF）的最佳LAFR值分别为12.54、18.95、23.79、27.06、28.76 dm2（对应的最佳LFR分别为19、29、36、41、44）。
本研究进一步通过大规模田间验证试验证实了所估算的最佳LAFR值在提高梨果实品质的有效性。选取了两个早熟砂梨品种，在幼果期进行随机疏果以改变不同样本的LAFR。在果实成熟期采集LAFR和果实品质实测值，用于构建数据集。结果显示，相比非最佳LAFR，最佳LAFR可以提高包括果实大小和糖分含量在内的品质数据，而进一步提高LAFR值无法继续提高果实品质，还会造成产量下降。该结果证实了在果实成熟期（112DAF），28.76 dm2是产生最佳果实品质同时保持合理产量的临界值，代表最佳LAFR。其对应的幼果期（28/42DAF）最佳LAFR为12.54/18.95 dm2。
综上所述，本研究优化了梨树不同时期的LAFR，并证实了最佳LAFR对改善果实品质的有效性。本研究为合理确定梨树负载量，指导疏果作业，实现优质、清洁的果实生产，提高果实品质和经济效益提供了理论依据。本研究提出的LAFR研究流程是一种有效的策略，可以扩展到其他果树的LAFR研究。
图1.(A)实验地点。(B)本研究的工作流程。(1)在环剥实验中，收集了每个样本在不同阶段的果实质量和叶面积数据，使用相关性分析、聚类算法、主成分分析和最小二乘法确定每个时期的最佳LAFR。(2)在田间验证实验中，收集了每棵梨树的LAFR和果实品质数据，通过比较不同LAFR下的果实品质来验证最佳LAFR改善果实品质的能力。
图2.两个早熟砂梨品种‘翠冠’和‘翠玉’在不同LAFR下的果实品质比较。采用t检验和ANOVA进行统计分析。差异显著性用“*”和“**”表示，分别表示P≤0.05和P≤0.01，“ns”表示差异不显著。
南京农业大学园艺学院/三亚研究院张绍铃院士团队博士生张帆航为本论文的第一作者，博士生王琪为共同第一作者，陶书田教授为通讯作者，南京农业大学前沿交叉研究院穆悦博士和日本东京大学二宫正士教授为共同通讯作者。南京农业大学园艺学院/三亚研究院张绍铃院士、博士生严鑫、已毕业硕士谭志豪和祖啸潮，前沿交叉研究院已毕业博士周钦阳和已毕业硕士李海涛参与了研究工作。该研究得到了江苏省农业科技自主创新资金项目（CX(22)2025和CX(23)1011）、南京农业大学三亚研究院成果转化基金项目（NAUSY-CG-YB06）和国家现代农业（梨）产业技术体系（CARS-28）的资助。
作者团队介绍
陶书田教授，南京农业大学园艺学院教授，博士生导师，现任国家梨产业技术体系岗位科学家。
研究方向：（1）果实品质发育生理及调控技术；（2）木质素合成及石细胞形成机理与调控；（3）木质素生物学；（4）果树表型组学与智慧高效栽培。
二宫正士教授，日本东京大学名誉教授，曾任亚洲农业信息技术联盟主席，日本农林水产省农业研究中心上席研究官，农林水产省农业IT研究推进负责人，日本国家农业研究机构研究管理监等职务，现任日本科学技术振兴机构超先端研究总负责人，日本农林水产省农林水产技术会议会员。
研究方向：（1）基于图像的多平台作物表型研究；（2）田间服务器（Field Server）研究；（3）农业大数据研究。
穆悦博士，南京农业大学前沿交叉研究院讲师，博士毕业于中国林业科学研究院，博士后留学于日本东京大学。
研究方向：（1）果树冠层结构分析与光合利用；（2）智慧果园相关应用。
论文链接：
https://doi.org/10.34133/plantphenomics.0233
——推荐阅读——
UAV-assisted dynamic monitoring of wheat uniformity toward yield and biomass estimation
https://doi.org/10.34133/plantphenomics.0191
Plant Phenomics | 南农农学院联合前沿交叉研究院提出基于无人机图像田间小麦生长均匀度的定量化方法
https://doi.org/10.34133/plantphenomics.0078
Plant Phenomics | 南京农业大学揭示基因型、环境和管理对小麦器官特异性临界氮稀释曲线的影响
加入作者交流群
扫码添加小编微信，拉您进入《植物表型组学》作者交流群，群内不定期开展作者分享会、专刊发布会等高质量活动。
添加小编微信，备注姓名+单位+PP，加入作者交流群
About Plant Phenomics
《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2022影响因子为7.6，位于农艺学、植物科学、遥感一区。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。
说明：本文由《植物表型组学》编辑部负责组稿。
中文内容仅供参考，一切内容以英文原版为准。
特邀作者：张帆航，陶书田
编辑排版：王平、张婕（上海交通大学）
审核：尹欢、孔敏
