Capturing Spatial Heterogeneity Using UAV-Derived Multispectral Phenotypes and Random Regression Models Improves Genetic Evaluation in Alfalfa Breeding Trials

空间异质性是田间试验中环境噪声的主要来源，会降低遗传评估的准确性。传统空间校正方法利用田间布局和小区邻近性，但往往无法捕捉生育期内的动态变化，也未能充分利用高通量表型分析产生的时间序列数据。我们假设，基于无人机（UAV）的纵向多光谱测量能够表征田块尺度的环境异质性，并改善育种试验中的遗传评估。在2022—2023年纽约州和新墨西哥州的8个紫花苜蓿试验中，于整个生长季收集了多光谱影像。采用单性状和多性状模型评估了植被指数的遗传力及其与生物量产量的关联。纵向测量数据采用随机回归（RR）建模，以估计小区特异性永久环境效应（PEE），并在两阶段框架中将其纳入基因组混合模型。利用重复间估计遗传效应的一致性和准确性指标，将模型性能与传统的自回归（AR）模型和基线（无校正）模型进行比较。植被指数表现出中到高的遗传力，其中GNDVI始终优于NDVI和NDRE。单性状和多性状分析均揭示了显著的空间变异，尤其在新墨西哥州的试验中更为明显。RR衍生的PEE捕捉到了田块尺度的空间格局，相对于基线模型和AR模型改善了遗传信号的恢复，在强空间异质性条件下增益最大，而在变异有限时性能相当。RR框架提高了遗传效应估计在独立田间子集间的可重复性，同时未损害与全试验评估的一致性。这些结果表明，通过随机回归整合UAV数据可增强遗传信号恢复和选择准确性，在精准农业和生物传感器驱动的作物管理方面具有更广泛的潜力。