Aerial high‐throughput phenotyping enables indirect selection for grain yield at the early generation, seed‐limited stages in breeding programs
Notice bibliographique
Résumé
Abstract Breeding programs for wheat ( Triticum aestivum L.) and other crops require one or more generations of seed increase before replicated trials can be sown to assess yield. Extensive phenotyping at this stage is challenging because of the small sizes of plots and large numbers of lines under evaluation, and therefore, breeders typically rely on visual selection to promote lines to yield evaluation. Aerial high‐throughput phenotyping (HTP) enables the rapid acquisition of traits that may be useful for selection among early generation lines. With the objective of assessing the potential for aerial measurements recorded on seed increase plots to improve indirect selection for grain yield (GY), two sets of 1,008 early generation bread wheat breeding lines were sown both as replicated yield trials (YTs) and as small, unreplicated plots (SPs) at the International Maize and Wheat Improvement Center during two breeding cycles. Normalized difference vegetation indices (NDVI) collected with an unmanned aerial vehicle (UAV) in the SPs were observed to be heritable and moderately correlated with GY assessed in YTs. Furthermore, NDVI was more predictive of GY than univariate genomic selection (GS), with still higher overall predictive abilities from multitrait approaches. A related experiment showed that selection based on NDVI would have outperformed visual selection, though this approach would have driven a directional response in phenology because of confounding between phenology, NDVI, and GY. A restricted selection index was proposed to address this issue. These results provide a promising outlook for the use of aerial HTP to improve selection at the early generation, seed‐limited stages of breeding programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».