High-troughtput phenotyping of physiological and yield related traits in soybean using hyperespectral sensor

Abstract

Increasing yield still one of the main challenges in soybean breeding programs due to its complexity as a result of the great genetic variability and genotype x environment interaction. Whereas great advantage has been achieved in selecting top yielded cultivars in last decades, breeders have frequently face unfavorable environment situation for selection, such as drought stress caused by lack of rainfall at critical phases of the crop. Better understanding of the phenotype might provide additional information about the genotype and help in a more accurate selection. Assessing physiological, biochemistry, and morphology information of the genotyping is becoming necessary to broken down complex traits and achieve better results in plant breeding. Traditional methods to assess these traits is not feasible in large scale breeding company, so the use of fast, noninvasive and accurate tools such as remote sensing is becoming usual. This study tested the use of leaf hyperspectral reflectance (350 – 2500 nm) in 20 soybean cultivars as a high- throughput phenotyping approach to: (1) estimate physiological trait under drought condition and selected cultivars based on these traits; and (2) predicted yield-related traits and to verify the availability on the selection procedure based on those traits. Partial least square (PLS) regression models accurately estimated seven out of eight physiological traits when the measurements were taken 20 and 28 days after drought imposition. Built PLS discriminant analysis model allowed to select the top five cultivars, having 100% of coincide when comparing to the FAI-BLUP selection index regarding all physiological traits simultaneously. Reliable PLS regression models prediction were also found for six out of ten yield-related traits, including number of seeds per pound and 100 grain weight. Good association was found between the selected wavelengths and FAI-BLUP indexes values, indicating that the model could be used as a selection approach. The results showed in this study indicate the great potential in using hyperspectral reflectance as a feasible, nondestructive, and accurately method to phenotyping physiological and yield-related traits as well as to screening superior genotypes. Keywords: Leaf hyperspectral reflectance. High-throughput phenotyping. Physiological traits. Yield components. Drought condition. Soybean.

O aumento da produtividade ainda é um dos principais desafios nos programas de melhoramento da soja devido à sua complexidade em decorrência da grande variabilidade genética e da interação genótipo x ambiente. Embora grande vantagem tenha sido alcançada na seleção de cultivares de alto rendimento nas últimas décadas, os melhoristas freqüentemente enfrentam situações ambientais desfavoráveis para a seleção, como o estresse hídrico causado pela falta de chuvas em fases críticas da cultura. Uma melhor compreensão do fenótipo pode fornecer informações adicionais sobre o genótipo e ajudar em uma seleção mais precisa. A avaliação das informações fisiológicas, bioquímicas e morfológicas da genotipagem está se tornando necessária para quebrar características complexas e obter melhores resultados no melhoramento genético. Métodos tradicionais para avaliar essas características não são viáveis em empresas de melhoramento em grande escala, então o uso de ferramentas rápidas, não invasivas e precisas como o sensoriamento remoto está se tornando comum. Este estudo testou o uso de refletância hiperespectral foliar (350 - 2500 nm) em 20 cultivares de soja como uma abordagem de fenotipagem de alto rendimento para: (1) estimar características fisiológicas sob condição de seca e cultivares selecionadas com base nessas características; e (2) características relacionadas à produção prevista e verificar a disponibilidade no procedimento de seleção com base nessas características. Modelos de regressão de mínimos quadrados parciais (PLS) estimaram com precisão sete das oito características fisiológicas quando as medições foram feitas 20 e 28 dias após a imposição da seca. O modelo de análise discriminante PLS construído permitiu selecionar as cinco melhores cultivares, tendo 100% de coincidência na comparação com o índice de seleção FAI-BLUP em relação a todas as características fisiológicas simultaneamente. Predição confiável de modelos de regressão PLS também foi encontrada para seis entre dez características relacionadas ao rendimento, incluindo número de sementes por libra e peso de 100 grãos. Boa associação foi encontrada entre os comprimentos de onda selecionados e os valores dos índices FAI-BLUP, indicando que o modelo pode ser usado como uma abordagem de seleção. Os resultados apresentados neste estudo indicam o grande potencial no uso da refletância hiperespectral como um método viável, não destrutivo e preciso para fenotipar características fisiológicas e relacionadas à produção, bem como para rastrear genótipos superiores. Palavras-chave: Refletância hiperespectral foliar. Fenotipagem de alto rendimento. Características fisiológicas. Componentes de produtividade. Seca. Soja.