Dissecting lentil crop growth in contrasting environments using digital imaging and genome‐wide association studies
Notice bibliographique
Résumé
Abstract The development of high‐throughput phenotyping platforms to capture time‐series data on large, diverse populations holds promise for crop researchers and breeders investigating growth‐related traits. We used imagery from unoccupied aerial vehicles (UAVs) with red/green/blue (RGB) and multispectral cameras flown over multiple site‐years in Saskatchewan, Canada, and Metaponto, Italy, to gather data for crop height, area, and volume in a lentil diversity panel (324 genotypes). The temporal nature of the UAV image‐derived data enabled the modeling of growth curves for volume, height, and area, something that would be impractical under traditional phenotyping procedures in such a large population grown in multiple environments. A principal component analysis and hierarchical clustering revealed differential growth patterns across contrasting environments, with large variations in temperature and photoperiod, within our lentil diversity panel. Combining this analysis with genome‐wide genotyping data, we identified markers, from an exome capture array (267,845 single nucleotide polymorphisms), associated with crop growth that could be used for marker‐assisted selection. Our study demonstrates the potential for UAV‐based imaging to obtain large‐scale time‐series data across multiple environments to model growth curves and investigate genotype‐by‐environment interactions. In addition, we can now use phenotypic traits that were once impractical to collect and derive novel phenotypes to improve our understanding of crop growth and the genetics underlying adaptation in lentil, approaches that will be useful for both researchers and breeders.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».