Yield ranking of spring wheat breeding lines absent from model training within two contrasting seasons in northern Kazakhstan

在育种试验中，要对产量模型进行可靠评估，必须在未参与模型开发的品系上进行评价。我们在2024年和2025年生长季于哈萨克斯坦北部的一个高级春小麦产量圃中考察了这一问题。在300个小区中，来自22个品系的176个小区构成模型开发集，而代表31个育种品系的124个小区则完全排除在训练之外。仅使用训练数据，从82个候选变量中保留了11个变量；这些候选变量来源于无人机多光谱影像、ERA5-Land再分析数据、LiDAR衍生的静态小区微地形、物候和成熟期组。LightGBM对被排除品系给出的合并R²为0.587；在生长季内对育种品系进行重采样得到的平均R²为0.564，95%置信区间为0.252至0.776。合并值部分反映了生长季之间的强烈差异，而非生长季内品系之间的区分能力。对小区进行随机划分得到的R²为0.890，表明表观预测精度在很大程度上取决于验证设计。观测品系排名与预测品系排名之间的一致性为中等，2024年和2025年的Spearman相关系数分别为0.612和0.650，但由于仅有14个和17个独立品系可用，不确定性范围较宽。六种建模方法产生了相互重叠的不确定性区间，没有明确证据表明哪一种更优，并且完整的数据源组合与保留多光谱模块的较简单配置无法区分。另一项分析中，筛选、选择和拟合仅使用2024年数据，而评估使用2025年数据，结果显示性能严重下降，R² = −8.81，Spearman相关系数为−0.082，与零无法区分。在两个生长季均种植的品系之间，较差的迁移性依然存在，因此仅用品系新颖性不足以解释这种失败。因此，当模型开发过程中涵盖了所观测到的两种生长季情形时，未参与训练的育种品系可以以中等一致性进行排名，而在未观测生长季中的预测仍然不可靠。本研究仅涵盖一个圃系复合体和两个生长季，因此跨地点和更广泛条件下的迁移性仍有待确立。