面向跨差异环境多模态玉米产量预测的开放田间表型组学资源

时间序列无人机表型技术能够捕捉作物的生长发育过程，但不规则的飞行安排使不同环境间的比较变得复杂。我们发布了来自19个“基因组到田间”（Genomes to Fields）环境中356次飞行的整理后影像数据，其中包含1,180个玉米（Zea mays L.）杂交种。为评估该资源的实用性，我们将植被指数和气象轨迹的函数主成分与基因组信息相整合。基因组与表型组核函数的结合提高了产量预测准确性：对于训练集中包含的环境中的留出杂交种，相关系数最高达到 \(r = 0.501\)；当环境也被留出时，相关系数达到0.408。累积生长度日相较于播种后天数并未表现出一致的预测优势，而气象信息仅带来了幅度有限且依赖于具体任务的增益。一种变换器神经过程模型能够直接从不规则观测中进行学习，构成了神经过程模型在农业领域中的一种新颖应用。对植被指数函数主成分进行定位分析，发现了位于第3号和第7号染色体上的重复出现的数量性状位点。该资源及其可复现的分析流程为利用时间序列光谱数据开展作物预测和遗传发现提供了指导。

时间序列无人机表型分析能够捕捉作物发育过程，但不规则的飞行时间安排使跨环境比较变得复杂。我们发布了来自19个“基因组到田间”（Genomes to Fields）环境中356次飞行的精选影像数据，这些环境包含1,180个玉米（Zea mays L.）杂交种。为评估其效用，我们将植被指数和气象轨迹的函数主成分与基因组信息相结合。综合基因组与表型组的核函数改进了产量预测：对于训练集中包含的环境，在留出的杂交种上预测相关系数最高达到 r = 0.501；当环境也被留出时，相关系数达到0.408。累积生长度日相比播种后天数并未表现出一致的预测优势，而气象信息仅带来了适度且依赖于任务的增益。一种变换器神经过程模型能够直接从不规则观测中学习，这是神经过程模型在农业领域中的一种新应用。对植被指数函数主成分进行定位分析，发现了位于第3号和第7号染色体上的重复出现的数量性状位点。该资源及其可复现的分析流程为利用时间序列光谱数据开展作物预测和遗传发现提供了指导。

感谢您有兴趣传播有关 bioRxiv 的信息。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.17.752474v1?rss=1

🏷️ 玉米产量预测 田间表型组学 无人机遥感 基因组预测 多模态数据融合 数量性状位点