培育和利用抗病品种是防控水稻白叶枯病的重要手段。稻种资源抗性表型的变异水平或表达稳定性需要多年多点的精准鉴定。但是，以田间选择为主的“经验育种”表型评价方法仍然需要耗费大量的人力和物力，且效率低。由于植物表型本身的复杂性以及动态变化的特性，传统人工测量误差大且费时耗力、数据质量参差不齐，严重限制了优良种质资源的评估和利用过程。无人机遥感技术为田间作物表型精确获取提供了可选择的方法。但是，无人机获取的数据质量会受到天气、生育期、地理位置等因素的影响，导致病害程度评估精度下降。因此，有必要构建普适的田间病害评估模型，实现水稻白叶枯抗性的准确评估和抗性基因挖掘。

2022年12月，Plant Phenomics在线发表了浙江大学生物系统工程与食品科学学院农业部光谱检测重点实验室联合浙江省农业科学院病毒学与生物技术研究所题为Dynamic UAV Phenotyping for Rice Disease Resistance Analysis Based on Multisource Data 的研究论文。

本研究利用时序时间序列无人机遥感数据结合田间积温数据构建水稻白叶枯病严重程度评估模型，分别基于光谱数据、颜色特征及其二者数据融合进行分析，结果显示光谱数据融合积温数据得到最优的预测结果，Rp2和RMSEp分别为0.86和0.65。采用模型更新策略探讨构建的病害评估模型在不同地理位置间的可拓展性，研究显示将在不同实验地点新采集的数据迁移20%至原始模型中可以得到满意的病害程度评估结果。最后，基于无人机高通量表型数据结合数量性状位点（QTL）方法相结合在不同生育期定位水稻白叶枯抗性QTL。不同生育期检测到不同的QTL，控制不同发育阶段白叶枯抗性的遗传基础存在明显差异。共鉴定出8个抗性QTL，其中有3个是之前未检测到的。QTL和无人机高通量表型分析相结合，为加速水稻抗病育种研究提供了新的思路。

图1基于不同数据集的PLSR和SVR模型预测结果

图2 在遗传群体检测到的QTL。相邻标记间的遗传距离（cM）和标记名称分别显示在染色体左右和右侧，染色体边不同的符号表示对应时间下检测到的QTL位置，time1、time2和time3表示无人机飞行作业的三个时间。

本研究由浙江大学生物系统工程与食品科学学院农业部光谱检测重点实验室与浙江省农业科学院病毒学与生物技术研究所合作完成。浙江大学冯旭萍副研究员和浙江省农业科学院杨勇副研究员为共同通讯作者，浙江大学博士生白秀琳为第一作者。相关工作得到广东省科技计划项目、湖州市重点研发项目和农产品质量安全生物与化学处理国家重点实验室项目资助。

论文链接：

https://doi.org/10.34133/plantphenomics.0019

——推荐阅读——

Application of UAV Multisensor Data and Ensemble Approach for High-Throughput Estimation of Maize Phenotyping Traits

https://doi.org/10.34133/2022/9802585

Plant Phenomics | 基于无人机多传感器和集成学习的玉米表型高通量估算

Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones

https://doi.org/10.34133/2020/3729715

Plant Phenomics | 使用无人机多视角成像技术估算小麦幼苗分蘖数