Оцінка генотипів пшениці м'якої озимої за даними дистанційного зондування та агрономічними ознаками, пов’язаними з урожайністю

R. I. Topko; S. I. Voloshchyk; H. M. Kovalyshyna

doi:10.31548/dopovidi5(105).2023.012

Автор(и)

R. I. Topko Миронівський інститут пшениці імені В. М. Ремесла НААН України http://orcid.org/0000-0002-5918-2131
S. I. Voloshchyk Миронівський інститут пшениці імені В. М. Ремесла НААН України http://orcid.org/0000-0002-9447-7525
H. M. Kovalyshyna Національний університет біоресурсів і природокористування України http://orcid.org/0000-0002-2715-7679

DOI:

https://doi.org/10.31548/dopovidi5(105).2023.012

Ключові слова:

Triticum aestivum L., генотип, індекс NDVI, GGE-біплот, аналіз REML/BLUP, генетичний приріст, селекційний індекс

Анотація

Генетичне поліпшення пшениці потребує вдосконалення та застосування більш ефективних методів фенотипування та оцінки генетичної переваги селекційних ліній. Мета. Оцінити можливість використання спектральних вегетаційних індексів з включенням визначених генотипових цінностей, порівняти генетичний приріст урожайності зерна та інших ознак, відібрати кращі генотипи пшениці з використанням багатоознакового індексу та багатовимірних статистичних методів. Методи: польовий, визначення вегетаційних індексів за допомогою БПЛА, методи множинної регресії, AMMI, GGE-біплот та REML/BLUP. Селекційні індекси розраховували за сукупністю ознак. Результати. 12 сортів і ліній пшениці м’якої озимої оцінено за врожайністю зерна, індексом NDVI та іншими ознаками. З використаням GGE-біплоту та AMMI аналізу проведено комплексну оцінку генотипів за продуктивністю та стабільністю. За допомогою REML/BLUP-аналізу визначено генетичні параметри та генотипові значення для ряду досліджених ознак. На основі отриманих даних розраховано селекційні індекси за сукупністю ознак. Встановлено можливість використання спектральних вегетаційних індексів, отриманих з БПЛА, у селекційному процесі. Більш точна ідентифікація генотипів за комплексом ознак забезпечується поєднаним застосуванням багатовимірних статистичних методів, селекційних індексів і показників NDVI. Метод REML/BLUP у поєднанні з багатовимірними методами AMMI та GGE-біплот з графічним виділенням генотипів за індексом Z дозволяє визначити перспективні за комплексом ознак. Виділено лінії ЛЮТ 55198, ЛЮТ 37519, ЛЮТ 60049, ЛЮТ 6010 і сорти МІП Лада, МІП Дніпрянка для подальшого використання в програмах селекції. Перспективою подальших досліджень є підвищення точності оцінки і добору потенційно високоврожайних і стабільних ліній пшениці за допомогою дистанційного зондування.

Посилання

Ray, D.K., Mueller, N.D., West, P.C., & Foley, J.A. (2013). Yield trends are insufficient to double global crop production by 2050. PLoS One, 8(6): e66428. doi: 10.1371/journal.pone.0066428

Chawade, A., Van Ham, J., Blomquist, H., Bagge, O., Alexandersson, E., & Ortiz, R. (2019). High-throughput field-phenotyping tools for plant breeding and precision agriculture. Agronomy, 10(5): 258. doi: 10.3390/agronomy9050258

Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, M.L., & Bareth, G. (2015). Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. International Journal of Applied Earth Observation and Geoinformation, 39, 79–87. doi: 10.1016/j.jag.2015.02.012

Chapman, S.C., Merz, T., Chan, A., Jackway, P., Hrabar, S., Dreccer, M.F., Holland, E., Zheng, B., Ling, T. J., & Jimenez-Berni, J. (2014). Pheno-copter: A low- altitude, autonomous remote-sensing robotic helicopter for high-throughput field- based phenotyping. Agronomy, 4(2), 279–301. doi: 10.3390/agronomy4020279

Haghighattalab, A., González Pérez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, R. P., Goodin, D., & Poland, J. (2016). Application of unmanned aerial systems for high throughput phenotyping of large wheat breeding nurseries. Plant Methods, 12(1): 35. doi: 10.1186/s13007-016-0134-6

Zhang, J., Virk, S., Porter, W., Kenworthy, K., Sullivan, D., & Schwartz, B. (2019). Applications of unmanned aerial vehicle based imagery in turfgrass field trials. Frontiers in Plant Science, 10: 279. doi: 10.3389/fpls.2019.00279

Lee, C.-J., Yang, M.-D., Tseng, H.-H., Hsu, Y-C., Sung, Y., & Chen, W.-L. (2023). Single-plant broccoli growth monitoring using deep learning with UAV imagery. Computers and Electronics in Agriculture, 207: 107739. doi: 10.1016/j.compag.2023.107739

Potgieter, A.B., George-Jaeggli, B., Chapman, S.C., Laws, K., Cadavid, L.A.S., Wixted, J., Watson, J., Eldridge, M., Jordan, D.R., & Hammer, G.L. (2017). Multi-spectral imaging from an unmanned aerial vehicle enables the assessment of seasonal leaf area dynamics of sorghum breeding lines. Frontiers in Plant Science, 8: 1532. doi: 10.3389/fpls.2017.01532

Guillen-Climent, M.L., Zarco-Tejada, P.J., Berni, J.A.J., North, P.R.J., & Villalobos, F.J. (2012). Mapping radiation interception in row-structured orchards using 3D simulation and high-resolution airborne imagery acquired from a UAV. Precision Agriculture, 13(4), 473–500. doi: 10.1007/s11119-012-9263-8

Cabrera-Bosquet, L., Molero, G., Stellacci, A., Bort, J., Nogués, S., & Araus, J. (2011). NDVI as a potential tool for predicting biomass, plant nitrogen content and growth in wheat genotypes subjected to different water and nitrogen conditions. Cereal Research Communications, 39(1), 147–159. doi: 10.1556/CRC.39.2011.1.15

Acorsi, M. G., Abati Miranda, F. das D., Martello, M., Smaniotto, D.A., & Sartor, L.R. (2019). Estimating biomass of black oat using UAV-based RGB imaging. Agronomy, 9(7): 344. doi: 10.3390/agronomy9070344

Hassan, M.A., Yang, M., Rasheed, A., Yang, G., Reynolds, M., Xia, X., Xiao, Y., & He, Z. (2019). A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform. Plant Science, 282, 95–103. doi: 10.1016/j.plantsci.2018.10.022

Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., & Chen, W. H. (2018). Wheat yellow rust monitoring by learning from multispectral UAV aerial imagery. Computers and Electronics in Agriculture, 155, 157–166. doi: 10.1016/j.compag.2018.10.017

Rutkoski, J., Poland, J., Mondal, S., Autrique, E., Pérez, L.G., Crossa, J., Reynolds, M., & Singh, R. (2016). Canopy temperature and vegetation indices from high- throughput phenotyping improve accuracy of pedigree and genomic selection for grain yield in wheat. G3: Genes, Genomes, Genetics, 6(9), 2799–2808. doi: 10.1534/g3.116.032888

Hoffmeister, D., Waldhoff, G., Korres, W., Curdt, C., & Bareth, G. (2016). Crop height variability detection in a single field by multi-temporal terrestrial laser scanning. Precision Agriculture, 17, 296–312. doi: 10.1007/s11119-015-9420-y

Du, M., & Noguchi, N. (2017). Monitoring of wheat growth status and mapping of wheat yield’s within-field spatial variations using color images acquired from UAV-camera System. Remote Sensing, 9(3): 289. doi: 10.3390/rs9030289

Olanrewaju, S., Rajan, N., Ibrahim, A.M.H., Rudd, J.C., Liu, S., Sui, R., Jessup, K.E., & Xue, Q. (2019). Using aerial imagery and digital photography to monitor growth and yield in winter wheat. International Journal of Remote Sensing, 40(18), 6905–6929. doi: 10.1080/01431161.2019.1597303

Yang, C., & Everitt, J.H. (2002). Relationships between yield monitor data and airborne multidate multispectral digital imagery for grain sorghum. Precision Agriculture, 3, 373–388. doi: 10.1023/A:1021544906167

Duan, B., Fang, S., Zhu, R., Wu, X., Wang, S., Gong, Y., & Peng, Y. (2019). Remote estimation of rice yield with unmanned aerial vehicle (uav) data and spectral mixture analysis. Frontiers in Plant Science, 10: 204. doi: 10.3389/fpls.2019.00204

Wang, F., Wang, F., Zhang, Y., Hu, J., Huang, J., & Xie, J. (2019). Rice yield estimation using parcel-level relative spectral variables from uav-based hyperspectral imagery. Frontiers in Plant Science, 10: 453. doi: 10.3389/fpls.2019.00453

Sun, J., Poland, J.A., Mondal, S., Crossa, J., Juliana, P., Singh, R.P., Rutkoski, J.E., Jannink, J.L., Crespo-Herrera, L., Velu, G., Huerta-Espino, J., & Sorrells, M.E. (2019). High-throughput phenotyping platforms enhance genomic selection for wheat grain yield across populations and cycles in early stage. Theoretical and Applied Genetics, 132(6), 1705–1720. doi: 10.1007/s00122-019-03309-0

Dospekhov, B.A. (1985). Methodology of Field Experiments (with the Basics of Statistical Processing of Research Results) (5th ed., rev. and enl.) Moscow: Agropromizdat. [in Russian]

Volkodav, V. (Ed.). (2003). Methods of Examination and State Variety Testing Grains, Cereals and Legumes. Right Protection for Plant Varieties. Kyiv: Alefa, 2(3). [in Ukrainian]

Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W., & Harlan, J.C. (1973). Monitoring vegetation systems in the great plains with ERTS. In: Third Earth Resources Technology Satellite (ERTS) Symposium, 1 (pp. 309–317). Retrieved from https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/ 19740022614.pdf

Zobel, R.W., Wright, M.J. & Gauch, H.G. (1988). Statistical analysis of a yield trial. Agronomy Journal, 80(3), 388–393.

Gauch, H.G. (2013). A simple protocol for AMMI analysis of yield trials. Crop Science, 53(5), 1860–1869. doi: 10.2135/cropsci2013.04.0241

Yan, W., Hunt, L.A., Sheng, Q., & Szlavnics, Z. (2000). Cultivar evaluation and mega-environment investigation based on the GGE biplot. Crop Science, 40(3), 597–605.

Pacheco, A., Vargas, M., Alvarado, G., Rodríguez, F., López, M., Crossa, J., & Burgueño, J. (2016/08/3). GEA-R (Genotype x Environment Analysis whit R for Windows.) Version 4.1. Retrieved from: http://hdl.handle.net/11529/10203

Alvarado, G., López, M., Vargas, M., Pacheco, A., Pacheco, A., Burgueño, J., & Crossa, J. (2016/11/30). META-R (Multi Environment Trial Analysis whit R for Windows.) Version 6.0. Retrieved from: http://hdl.handle.net/11529/10201

Mulamba, N.N., & Mock, J.J. (1978). Improvement of yield potential of the Eto Blanco maize (Zea mays L.) population by breeding for plant traits. Egypiant Journal of Genetics and Cytology, 7, 40–51.

Wricke, G.,& Weber, W.E. (1986). Quantitative Genetics and Selection in Plant Breeding (1st ed.). New York: Walter de Gruyter.

Mendes, F.F., Ramalho, M.A.P., & Abreu, A.F.B. (2009). Selection index for choosing segregating populations in common bean. Pesquisa Agropecuária Brasileira, 44(10), 1312–1318. [in Portuguese]. doi: 10.1590/S0100-204X2009001000015

Hassan, M.A., Yang, M., Rasheed, A., Yang, G., Reynolds, M., Xia, X., Xiao, Y., & He, Z. (2019). A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform. Plant Science, 282, 95–103.

Le Cun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444. doi: 10.1038/nature14539

Yan, W., & Hunt, L. (2002). Biplot analysis of diallel data. Crop Science, 42(1), 21–30. doi: 10.2135/cropsci2002.0021

Yan, W., & Tinker, N.A. (2006). Biplot analysis of multi-environment trial data: Principles and applications. Canadian Journal of Plant Science, 86(3), 623–645. doi: 10.4141/P05-169

Olivoto, T., Lucio, A.D., da Silva, J.A., Marchioro, V.S., de Souza, V.Q., & Jost, E. (2019). Mean performance and stability in multi environment trials. I: Combining features of AMMI and BLUP techniques. Agronomy Journal, 111(6), 2949–2960. doi: 10.2134/agronj2019.03.0220

Vlasenko, V. (2006). Estimation of adaptive of bread spring wheats varieties. Plant Varieties Studying and Protection, 4, 93–103. [in Ukrainian] doi: 10.21498/2518-1017.4.2006.68043

Litun, P.P., Kyrychenko, V.V., Petrenkova, V.P., & Kolomatska, V.P. (2009). Systemic Analysis in Field Crop Breeding. Kharkiv: Plant Production Institute nd. a V. Ya. Yuryev of UAAS. [in Ukrainian]

Оцінка генотипів пшениці м'якої озимої за даними дистанційного зондування та агрономічними ознаками, пов’язаними з урожайністю

Автор(и)

DOI:

Ключові слова:

Анотація

Посилання

##submission.downloads##

Опубліковано

Номер

Розділ

Ліцензія

Мова

Інформація