BG4231U1 - Integrated remote and ground monitoring system for breeding trial fields - Google Patents
Integrated remote and ground monitoring system for breeding trial fields Download PDFInfo
- Publication number
- BG4231U1 BG4231U1 BG5434U BG543421U BG4231U1 BG 4231 U1 BG4231 U1 BG 4231U1 BG 5434 U BG5434 U BG 5434U BG 543421 U BG543421 U BG 543421U BG 4231 U1 BG4231 U1 BG 4231U1
- Authority
- BG
- Bulgaria
- Prior art keywords
- module
- data
- selection
- obtaining
- phenotypic
- Prior art date
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
(54) ИНТЕГРИРАНА СИСТЕМА ЗА ДИСТАНЦИОНЕН И НАЗЕМЕН МОНИТОРИНГ НА СЕЛЕКЦИОННИ ОПИТНИ ПОЛЕТА(54) INTEGRATED SYSTEM FOR REMOTE AND GROUND MONITORING OF SELECTED TEST FIELDS
Област на техникатаField of technique
Заявката за полезен модел се отнася до интегрирана система за дистанционен и наземен мониторинг на селекционни опитни полета и ще намери приложение в областта на растителната селекция и сортоизпитването за повишаване на ефективността на подбора на високодобивни генотипове и предварителна оценка на добивния потенциал.The application for a utility model refers to an integrated system for remote and ground monitoring of breeding experimental fields and will find application in the field of plant selection and variety testing to increase the efficiency of the selection of high-yielding genotypes and preliminary assessment of the yield potential.
Предшестващо състояние на техникатаPrior art
Събирането на данни за растителна селекция и сортоизпитване до момента се осъществява деструктивно чрез вземане на проби от селекционните опитни площадки предимно преди жътва, като по време на вегетацията се провеждат само фенологични наблюдения и се измерва височината на растенията, температурата в посева, степен на поражения от болести и неприятели и др. През последните години се използва експериментално механизирана високопроизводителна наземна платформа с много сензори, което отнема много време, има ниска ефективност и непълно пространствено покритие.The collection of data for plant selection and variety testing has so far been carried out destructively by taking samples from the selection experimental sites mainly before harvest, and during the growing season only phenological observations are carried out and the height of the plants, the temperature in the sowing, the degree of damage from diseases and enemies etc. In recent years, a mechanized high-performance ground platform with many sensors has been used experimentally, which is time-consuming, has low efficiency and incomplete spatial coverage.
Известни са следните защитни документи, в които са разкрити системи за дистанционен и наземен мониторинг на селекционни опити.The following defense documents are known, in which systems for remote and ground monitoring of selection trials are disclosed.
В патентен документ CN 213 365 536 U, публикуван на 04.06.2021 е описана система за събиране и обработка на информация за овощни дървета, базирана на безпилотен летателен апарат, който включва захранващ модул, контролен модул, модул за налягане, светлинен разделителен модул, модул за интегриране на данни, модул за цифрово сканиране, модули за извличане и анализ на данни, както и CCD камери.Patent document CN 213 365 536 U published on 06/04/2021 describes a fruit tree information collection and processing system based on an unmanned aerial vehicle, which includes a power module, a control module, a pressure module, a light separation module, a module for data integration, digital scanning module, data extraction and analysis modules, and CCD cameras.
Известно е от CN 210 469 579 U, публикуван на 05.05.2020 устройство за мониторинг на фенотипиране на растителни култури, което включва основа, върху която е монтирано захранващо устройство и задвижващ механизъм за захранване, както и носеща рамка, която е телескопично разположена върху основата, като задвижващият механизъм е свързан с носещата рамка за контролиране на въртенето. Устройството включва и модул за получаване на изображения, чрез който се придобива информация за реколтата, разположен в горния край на поддържащата рамка, като модулът за получаване на изображенията предава информацията на сървър чрез комуникационен модул.It is known from CN 210 469 579 U, published on 05/05/2020 a device for monitoring the phenotyping of plant crops, which includes a base on which a feeder and an actuator for feeding are mounted, and a support frame that is telescopically located on the base , with the actuator connected to the support frame to control the rotation. The device also includes an image acquisition module that acquires crop information located at the upper end of the support frame, and the image acquisition module transmits the information to a server via a communication module.
Патентен документ CN 110 849 264 А, публикуван на 28.02.2020 се отнася до система и метод за фенотипиране на полски култури въз основа на многоредови коловози. Системата включва коловози, положени в тестово поле и монтирана на превозно средство платформа, която е подвижно разположена върху релсите и се използва за придвижване на сензор и свързаното с него оборудване. Позициониращият механизъм е разположен в горната част на платформата и се използва за приемане на сигнал и позициониране. Механизмите, разположени в предната част на платформата служат за сканиране и заснемане на фенотипа на културата. Системата е снабдена и с механизъм за управление и захранване, който е разположен върху платформата и се използва за осигуряване на мощност и за управление на цялата система.Patent document CN 110 849 264 A published on 02/28/2020 relates to a system and method for phenotyping field crops based on multi-row tracks. The system includes tracks laid in a test field and a vehicle-mounted platform that is movably positioned on the tracks and used to move a sensor and associated equipment. The positioning mechanism is located at the top of the platform and is used for signal reception and positioning. Mechanisms located in the front of the platform serve to scan and record the phenotype of the culture. The system is also equipped with a control and power mechanism, which is located on the platform and is used to provide power and control the entire system.
Известни са от CN 112 818 855 А, публикуван на 18.05.2021 метод, устройство и система за извличане на фенотипна информация за короната на прасковено дърво на базата на изображение получено от безпилотен летателен апарат. Методът включва следните етапи: получаване на изображения на овощната градина при различни условия на растеж; извършване на предварителна обработка в софтуер за получаване на подизображения; въвеждане на подизображенията в целевия мрежов модел за получаване на резултат от сегментиране на короната, въз основа на който се получава информация за обема на короната.Known from CN 112 818 855 A, published on 18.05.2021, a method, device and system for extracting phenotypic information about the crown of a peach tree based on an image obtained from an unmanned aerial vehicle. The method includes the following stages: obtaining images of the orchard under different growth conditions; performing preprocessing in software to obtain subimages; inputting the subimages into the target mesh model to obtain a crown segmentation result, based on which crown volume information is obtained.
В патентен документ CN 110 487 730 А, публикуван на 22.11.2019, е описана система за мониторинг на растителни култури, която включва безпилотна летателна платформа, снабдена с комуникационен модул безжично свързан със сървър, като комуникационният модул е снабден с подсистема за наблюдение на фенотипни данни, която се използва за получаване на информация за растителните култури. Подсистемата за наблюдение на фенотипни данни включва сензор за изображения, който дава информация за цвета и текстурата на растенията, които трябва да бъдат измерени и безпилотна летателна платформа, включваща сензор за позициониране, който дава информация за географското местоположение на полето с растителна култура.In patent document CN 110 487 730 A, published on 22.11.2019, a system for monitoring plant crops is described, which includes an unmanned aerial platform equipped with a communication module wirelessly connected to a server, the communication module being equipped with a subsystem for monitoring phenotypic data that is used to obtain crop information. The phenotypic data monitoring subsystem includes an image sensor that provides information about the color and texture of the plants to be measured and an unmanned aerial vehicle platform that includes a positioning sensor that provides information about the geographic location of the crop field.
Техническа същност на полезния моделTechnical nature of the utility model
Цел на настоящия полезен модел е създаване на интегрирана система за повишаване на ефективността на подбора на високодобивни генотипове и предварителна оценка на добивния потенциал, която да осигурява подробни феномни (дистанционни) и фенотипни (наземни) данни, и картографски продукти за всички селекционни площадки на заложен в естествени условия сортов опит. Системата по време на растежа и развитието на изпитваните генотипове в сортов опит е необходимо да осигури интегрирано използване на феномни пространствени данни от безпилотни летателни платформи (БЛП) за морфологични, биофизични, биохимични параметри, реакция на абиотичен/биотичен стрес, предварителна оценка на добивния потенциал и полеви фенотипни данни за всяка селекционна опитна площадка. Морфологичните, биофизичните и биохимичните параметри се използват като феномни признаци, характеризиращи изпитваните генотипове в даден сортов опит.The aim of the present utility model is to create an integrated system for increasing the efficiency of high-yielding genotype selection and preliminary assessment of yield potential, which provides detailed phenom (remote) and phenotypic (ground) data, and map products for all breeding sites of a bet in natural conditions varietal experience. The system during the growth and development of the tested genotypes in a varietal experiment is necessary to ensure the integrated use of phenomenological spatial data from unmanned aerial platforms (UAVs) for morphological, biophysical, biochemical parameters, response to abiotic/biotic stress, preliminary assessment of yield potential and field phenotypic data for each selection trial site. Morphological, biophysical and biochemical parameters are used as phenomenological signs characterizing the tested genotypes in a given variety experiment.
Целта се постига с интегрирана система за дистанционен и наземен мониторинг на селекционни опитни полета за целите на растителната селекция и сортоизпитването, която включва: система за получаване на първични данни за селекционни опитни полета; система за придобиване на феномни данни и комбинирането им с фенотипни данни; система за получаване на информация за вземане на решения за целите на растителната селекция и сортоизпитването и сървър за обработка на изображения, статистически анализ и съхранение на данните в гео-база данни.The goal is achieved with an integrated system for remote and ground monitoring of selection experimental fields for the purposes of plant selection and variety testing, which includes: a system for obtaining primary data for selection experimental fields; a system for acquiring phenomenic data and combining it with phenotypic data; a system for obtaining information for decision-making for the purposes of plant selection and variety testing and a server for image processing, statistical analysis and data storage in a geo-database.
Системата за получаване на първични данни за селекционни опитни полета включва модул специализирани безпилотни летателни платформи за дистанционен мониторинг и модул полеви фенотипни данни.The system for obtaining primary data for selection test flights includes a module of specialized unmanned aerial platforms for remote monitoring and a module of field phenotypic data.
Втората система за придобиване на феномни данни и комбинирането им с фенотипни данни се състои от модул получаване на орторектифицирани мозайки от изображения, който е свързан с модулите цифров модел на релефа (ЦМР), цифров модел на повърхността (ЦМП), параметрични и непараметрични модели, свързани с модули генериране на растерни слоеве на набор от феномни признаци и предварителна оценка на добива, който е свързан с модул придобиване на феномни данни за всяка селекционна опитна площадка; и е свързан с модул статистически анализи за селекционни цели.The second system for acquiring phenomenological data and combining it with phenotypic data consists of a module for obtaining orthorectified image mosaics, which is connected to the modules digital relief model (DRM), digital surface model (DRM), parametric and non-parametric models, associated with module generation of raster layers of a set of phenomenological traits and preliminary yield estimation, which is associated with module acquisition of phenomenological data for each breeding trial site; and is linked to a statistical analysis module for selection purposes.
Системата за получаване на информация за вземане на решения за целите на растителната селекция и сортоизпитването включва следните модули: модул съставяне на картографски продукти, свързан с модул мониторинг и предварителна оценка на добивния потенциал от всеки генотип в селекционните опитни площадки, който е свързан с модул оценка и подбор на подходящи генотипове, свързан с модул изготвяне на стратегия за следващи дейности, свързани с растителната селекция и сортоизпитването на съответната земеделска култура.The system for obtaining information for decision-making for the purposes of plant selection and variety testing includes the following modules: a module for compiling cartographic products, connected to a module for monitoring and preliminary assessment of the yield potential of each genotype in the selection experimental sites, which is connected to a module for evaluation and selection of appropriate genotypes, related to the module of preparing a strategy for further activities related to plant selection and variety testing of the relevant agricultural crop.
Системата за получаване на първични данни за селекционни опитни полета е двупосочно свързана със сървъра, който от своя страна е двупосочно свързан със системата за придобиване на феномни данни и комбинирането им с фенотипни данни, а системата за получаване на информация за вземане на решения за целите на растителната селекция и сортоизпитването и сървъра са двупосочно свързани.The system for obtaining primary data for selection experimental fields is bidirectionally connected to the server, which in turn is bidirectionally connected to the system for acquiring phenomenological data and combining it with phenotypic data, and the system for obtaining information for decision-making for the purposes of plant selection and variety testing and the server are bidirectionally linked.
Модулът специализирани безпилотни летателни платформи за дистанционен мониторинг от системата за получаване на първични данни за селекционни опитни полета е свързан с модул получаване на орторектифицирани мозайки от изображения, който е свързан с модул цифров модел на релефа (ЦМР), цифров модел на повърхността (ЦМП), параметрични и непараметрични модели от системата за придобиване на феномни данни и комбинирането им с фенотипни данни. Модулът полеви фенотипни данни от системата за получаване на първични данни за селекционни опитни полета е свързан с модула статистически анализи за селекционни цели от системата за придобиване на феномни данни и комбинирането им с фенотипни данни. Модулът генериране на растерни слоеве на набор от феномни признаци и предварителна оценка на добива от системата за придобиване на феномни данни и комбинирането им с фенотипни данни е свързан с модул съставяне на картографски продукти и с модул мониторинг и предварителна оценка на добивния потенциал от всеки генотип в селекционните опитни площадки от системата за получаване на информация за вземане на решения за целите на растителната селекция и сортоизпитването.The module specialized unmanned aerial platforms for remote monitoring from the system for obtaining primary data for selective test flights is connected to a module for obtaining orthorectified image mosaics, which is connected to a module of digital relief model (DRM), digital surface model (DRM) , parametric and non-parametric models of the phenomenological data acquisition system and their combination with phenotypic data. The field phenotypic data module of the system for obtaining primary data for selection trial fields is linked to the statistical analyzes for selection purposes module of the system for acquiring phenomic data and combining it with phenotypic data. The module generating raster layers of a set of phenomenological traits and preliminary yield assessment of the phenomenic data acquisition system and combining them with phenotypic data is connected to the module of mapping products and to the module of monitoring and preliminary assessment of the yield potential of each genotype in the selection experimental sites from the system for obtaining information for decision-making for the purposes of plant selection and variety testing.
Модулът статистически анализи за селекционни цели от системата за придобиване на феномни данни и комбинирането им с фенотипни данни е свързан с модул оценка и подбор на подходящи генотипове от системата за получаване на информация за вземане на решения за целите на растителната селекция и сортоизпитването. Съгласно полезният модел на модула специализирани безпилотни летателни платформи за дистанционен мониторинг е монтирана поне една камера. Съгласно вариант на изпълнението на полезния модел камерата е многоканална или хиперспектрална със спектрални слънчеви сензори или термална.The module statistical analyzes for selection purposes from the system for acquiring phenomenological data and combining them with phenotypic data is linked to the module evaluation and selection of suitable genotypes from the system for obtaining information for decision-making for the purposes of plant selection and variety testing. According to the utility model of the module specialized unmanned aerial platforms for remote monitoring, at least one camera is installed. According to an embodiment of the utility model, the camera is multi-channel or hyperspectral with spectral solar sensors or thermal.
В оценките от модул оценка и подбор на подходящи генотипове съгласно полезния модел оценките на генотипове са по феномни и фенотипни признаци.In the evaluations of the evaluation and selection of appropriate genotypes module according to the useful model, the evaluations of genotypes are by phenomenological and phenotypic traits.
Предимствата, които осигурява системата съгласно полезния модел са:The advantages provided by the system according to the utility model are:
Възможност за оценка и подбор на подходящи генотипове, и предварителна оценка на добива в голям брой селекционни площадки чрез интегрирано използване на феномни (дистанционни) пространствени данни и фенотипни (наземни) данни.Ability to evaluate and select suitable genotypes, and pre-estimate yield in a large number of selection sites through the integrated use of phenomenic (remote) spatial data and phenotypic (ground) data.
Бързо, евтино, недеструктивно и обективно придобиване на количествени данни за серия от феномни признаци, извлечени от малко на брой (1-4) източници на първични данни за всички етапи от развитието на генотиповете в селекционните опитни площадки. Постига се едновременно получаване на набор от пространствени феномни данни за всички селекционни опитни площадки и се съставят картографски продукти за тях. Чрез интегрираната система се провежда мониторинг и предварителна оценка на добивния потенциал от всеки генотип в селекционните опитни площадки. На базата на получаване на времеви серии от феномни данни, може да се извършва анализ на изменението им както в цялата площадка, така и във всяка една част (точка) от него.Rapid, inexpensive, non-destructive and objective acquisition of quantitative data on a series of phenomenological traits derived from a small number (1-4) of primary data sources for all stages of genotype development in breeding plots. Simultaneous acquisition of a set of spatial phenomenological data for all breeding trial sites is achieved and cartographic products are compiled for them. Through the integrated system, monitoring and preliminary assessment of the yield potential of each genotype is carried out in the selection trial sites. On the basis of obtaining time series of phenomenological data, an analysis of their change can be carried out both in the entire site and in each part (point) of it.
Интегрираната система води до повишаване на ефективността на подбора на високодобивни генотипове и предварителна оценка на добивния потенциал за всички селекционни площадки на заложен в естествени условия сортов опит.The integrated system leads to an increase in the efficiency of the selection of high-yielding genotypes and a preliminary assessment of the yield potential for all selection sites of varietal experience established in natural conditions.
Съгласно полезният модел могат да се изготвят алгоритми за машинно обучение.According to the useful model, machine learning algorithms can be prepared.
Получените феномни данни от интегрирана система могат да се използват в генетичните модели за определяне на наследяването на важни признаци, както и да се комбинират с геномни данни с цел идентифициране на подходящи ДНК-маркери за ускорено създаване на нови сортове.The resulting phenome data from an integrated system can be used in genetic models to determine the inheritance of important traits, as well as combined with genomic data to identify suitable DNA markers for accelerated breeding of new varieties.
Пояснение на приложените фигуриExplanation of the attached figures
На фигура 1 е представена схема на интегрирана система за дистанционен и наземен мониторинг на селекционни опитни полета.Figure 1 shows a diagram of an integrated system for remote and ground monitoring of selection trial fields.
100 - система за получаване на първични данни за селекционни опитни полета;100 - system for obtaining primary data for selection trial fields;
200 - система за придобиване на феномни данни и комбинирането им с фенотипни данни;200 - system for acquiring phenomenological data and combining them with phenotypic data;
300 - система за получаване на информация за вземане на решения за целите на растителната селекция и сортоизпитването;300 - system for obtaining information for decision-making for the purposes of plant selection and variety testing;
400 - сървър;400 - server;
- модул специализирани безпилотни летателни платформи за дистанционен мониторинг;- a module of specialized unmanned aerial platforms for remote monitoring;
- модул полеви фенотипни данни;- field phenotypic data module;
- модул получаване на орторектифицирани мозайки от изображения;- module for obtaining orthorectified mosaics from images;
- модул цифров модел на релефа (ЦМР), цифров модел на повърхността (ЦМП), параметрични и непараметрични модели;- digital relief model (DRM) module, digital surface model (DRM), parametric and non-parametric models;
- модул генериране на растерни слоеве на набор от феномни признаци и предварителна оценка на добива;- module for generation of raster layers of a set of phenomenological signs and preliminary assessment of yield;
- модул придобиване на феномни данни за всяка селекционна опитна площадка;- module acquisition of phenomenological data for each selection trial site;
- модул статистически анализи за селекционни цели;- statistical analysis module for selection purposes;
- модул съставяне на картографски продукти;- cartographic products compilation module;
- модул мониторинг и предварителна оценка на добивния потенциал от всеки генотип в селекционните опитни площадки;- module monitoring and preliminary assessment of the yield potential of each genotype in the selection trial sites;
- модул оценка и подбор на подходящи генотипове;- evaluation module and selection of suitable genotypes;
- модул изготвяне на стратегия за следващи дейности, свързани с растителната селекция и сортоизпитването на съответната земеделска култура.- module preparation of a strategy for further activities related to plant selection and variety testing of the relevant agricultural crop.
На фигура 2 е представена карта на изследваната територия. А - Местоположение на селекционното опитно поле на ИПК-Чирпан в региона на град Чирпан; Б - Едромащабно ортофото изображение в реални цветове на конкурсния сортов опит (КСО), на който е тестван полезният модел.Figure 2 presents a map of the studied territory. A - Location of the selection trial field of IPC-Chirpan in the region of the city of Chirpan; B - Large-scale real-color orthophoto image of the competitive variety experiment (CVT) on which the utility model was tested.
Фигура 3 представлява схема с разположението на генотиповете зимна твърда пшеница в 4 повторения в конкурсния сортов опит.Figure 3 represents a scheme with the placement of winter durum wheat genotypes in 4 replications in the competition variety experiment.
На фигура 4 са представени резултатите от PC анализа на изследваните фенотипни и феномни признаци.Figure 4 presents the results of the PC analysis of the investigated phenotypic and phenomenological traits.
На фигура 5 са представени резултати от PC анализа на изследваните генотипове.Figure 5 presents the results of the PC analysis of the studied genotypes.
Фигура 6 представлява дендрограма на йерархически клъстерен анализ на 26-те генотипа твърда зимна пшеница по всички изследвани признаци.Figure 6 represents a dendrogram of a hierarchical cluster analysis of the 26 durum winter wheat genotypes for all investigated characters.
На фигура 7 е представен растерен слой с феномния признак LAI „Индекс на листната повърхност“ (m2/m2) за месец май (А) и месец юни (Б).Figure 7 shows a raster layer with the LAI "Leaf Surface Index" (m 2 /m 2 ) phenomenon for the month of May (A) and the month of June (B).
Фи гура 8. Растерен слой с феномния признак LCC „Съдържание на хлорофил в листата на растенията” (mg/m2) за месец май (А) и месец юни (Б).Figure 8. Raster layer with the LCC phenomenon feature "Chlorophyll content in plant leaves" (mg/m 2 ) for the month of May (A) and the month of June (B).
Фи гура 9. Карта на моделирания добив от данните за месец юни в растерен формат (А) и карта с реалния добив по площадки във векторен формат (Б).Figure 9. Modeled yield map from June data in raster format (A) and real yield map by site in vector format (B).
Примерно изпълнение на полезния моделAn example implementation of the utility model
С позоваване на приложените фигури са описани подробно предпочитани примерни изпълнения, съгласно полезния модел, без да го ограничава.With reference to the accompanying figures, preferred exemplary embodiments are described in detail, according to the utility model, without limiting it.
Интегрираната система е съставена от система за получаване на първични данни за селекционни опитни полета 100, система за придобиване на феномни данни и комбинирането им с фенотипни данни 200, система за получаване на информация за вземане на решения за целите на растителната селекция и сортоизпитването 300 и сървър 400 за обработка на изображения, статистически анализ и съхранение на данните в гео-база данни.The integrated system is composed of a system for obtaining primary data for selection experimental fields 100, a system for acquiring phenomenological data and combining them with phenotypic data 200, a system for obtaining information for making decisions for the purposes of plant selection and variety testing 300, and a server 400 for image processing, statistical analysis and data storage in a geo-database.
Системата за придобиване на феномни данни и комбинирането им с фенотипни данни 200 включва модул получаване орторектифицирани мозайки от изображения 3, комуникиращ със следните модули: модул специализирани безпилотни летателни платформи за дистанционен мониторинг 1 и модул цифров модел на релефа (ЦМР), цифров модел на повърхността (ЦМП), параметрични и непараметрични модели 4, който е свързан с модул генериране на растерни слоеве на набор от признаци и предварителна оценка на добива 5, комуникиращ със следните модули: модул съставяне на картографски продукти 8, модул мониторинг и предварителна оценка на добивния потенциал от всеки генотип в селекционните опитни площадки 9 и модул придобиване на феномни данни за всяка селекционна опитна площадка 6, който от своя страна е свързан с модул статистически анализи за селекционни цели 7, комуникиращ със следните модули: модул полеви фенотипни данни 2 и модул оценка и подбор на подходящи генотипове 10, който едностранно е свързан с модул изготвяне на стратегия за следващи дейности, свързани с растителната селекция и сортоизпитването на съответната земеделска култура 11.The system for acquiring phenomenological data and combining it with phenotypic data 200 includes a module for obtaining orthorectified mosaics from images 3 communicating with the following modules: a module for specialized unmanned aerial platforms for remote monitoring 1 and a module for digital relief model (DRM), digital surface model (CMP), parametric and non-parametric models 4, which is connected to a module for generating raster layers of a set of features and preliminary assessment of mining 5, communicating with the following modules: module for compiling cartographic products 8, module for monitoring and preliminary assessment of mining potential from each genotype in the selection experimental sites 9 and a phenomenological data acquisition module for each selection experimental site 6, which in turn is connected to a statistical analyzes module for selection purposes 7 communicating with the following modules: a field phenotypic data module 2 and an evaluation module and selection of suitable genotypes 10, which is unilaterally connected with a module prepared development of a strategy for further activities related to plant selection and variety testing of the relevant agricultural crop 11.
Системата за получаване на информация за вземане на решения за целите на растителната селекция и сортоизпитването 300 включва: модул съставяне на картографски продукти 8, комуникиращ със следните модули: модул ЦМР, ЦМП, параметрични и непараметрични модели 4, модул генериране на растерни слоеве на набор от признаци и предварителна оценка на добива 5 и модул оценка и подбор на подходящи генотипове 10, който от своя страна е свързан с модули статистически анализи за селекционни цели 7 и модул изготвяне на стратегия за следващи дейности, свързани с растителната селекция и сортоизпитването на съответната земеделска култура 11, който е свързан с модул статистически анализи за селекционни цели 7.The system for obtaining information for decision-making for the purposes of plant selection and variety testing 300 includes: a module for compiling cartographic products 8 communicating with the following modules: a module DEM, DEM, parametric and non-parametric models 4, a module for generating raster layers of a set of signs and preliminary assessment of yield 5 and module evaluation and selection of suitable genotypes 10, which in turn is related to modules statistical analyzes for selection purposes 7 and module preparation of strategy for further activities related to plant selection and variety testing of the relevant agricultural crop 11, which is linked to a statistical analysis module for selection purposes 7.
Сървърът 400 е двупосочно свързан с всички модули от системата за получаване на първични данни за селекционни опитни полета 100, със системата за придобиване на феномни данни и комбинирането им с фенотипни данни 200 и системата за получаване на информация за вземане на решения за целите на растителната селекция и сортоизпитването 300.The server 400 is bi-directionally connected to all modules of the system for obtaining primary data for breeding experimental fields 100, the system for acquiring phenomenic data and combining it with phenotypic data 200, and the system for obtaining information for making decisions for the purposes of plant breeding and the 300 variety test.
Съгласно едно конкретно примерно изпълнение се илюстрира принципа на действие на предложената интегрирана система. От 20 изпитвани генотипа зимна пшеница в четири повторения, по време на активния вегетационен период се събират необходимите данни чрез системата за получаване на първични данни за селекционни опитни полета 100. Интегрирано чрез нея се получават първични спектрални изображения за придобиване на феномни данни и фенотипни данни на изпитваните генотипове зимна пшеница. Първичната информация, която се използва за придобиване на феномни данни се събира в модул специализирани безпилотни летателни платформи за дистанционен мониторинг 1. Тези платформи е необходимо да бъдат оборудвани с най-малко една от трите вида камери - многоканална или хиперспектрална със спектрални слънчеви сензори и термална. Броят и датите на провеждане на полетните мисии се определя от селекционера заложил сортовия опит. Те могат да бъдат провеждани на определени периоди от време, например през 10 дни или в определени фенологични фази на развитие на изпитваните генотипове. Тъй като площадките в селекционните опити са с малки размери, предимно 12-15 m2, изображенията, които се получават за тях трябва да са с пространствена разделителна способност до 5 cm. За осигуряване на висока точност (до 1-2 cm) при орторектификацията на изображенията, получени от БЛП е необходимо да се използват БЛП с вградени Real-time kinematic positioning (RTK) корекции или преди първата полетна мисия, да са поставени ясно различими обекти, които да се използват като наземни контролни точки. Те се разполагат обикновено в четирите края на всеки сортов опит и представляват квадрат с размери 20 х 20 cm, изработен от бял материал. Те се закрепват стабилно на терена, за да се използват при всички полетни мисии, извършвани над сортовия опит по време на активната вегетация на изпитваните генотипове зимна пшеница. С GNSS система в RTK режим се измерват точните им координати. Посредством модул 2 се събират възможно най-голямо количество полеви фенотипни данни като фаза на развитие, височина на растенията, братимост на растенията, полягане на посева, добив, елементите на добива, качеството на зърното на изпитваните генотипове зимна пшеница от всички селекционни опитни площадки. Получените данни и изображения от системата за получаване на първични данни за селекционни опитни полета 100 се въвеждат в сървър 400, където те се събират, обработват и съхраняват в гео-база данни. Първичната обработка на получените изображения от модул 1 се извършва с използване на модул 3, в резултат на което се получават орторектифицирани мозайки от изображения на селекционния опит, след което те се предават за последваща обработка в модул 4. В модул 4 се създава детайлен цифров модел на релефа (ЦМР) и цифров модел на повърхността (ЦМП). Съдържащите се в модул 4 валидирани параметрични и непараметрични модели за набор от феномни признаци за зимна пшеница и предварителна оценка на добива се прилагат върху създадените в модул 3 орторектифицирани мозайки от изображения на селекционния опит. В ГИС среда се създават растерни изображения с количествени феномни данни за определени признаци, характеризиращи изпитваните генотипове зимна пшеница на всички селекционни площадки на сортовия опит като: «Височина на посева» (em|, «Количество свежа надземна фитомаса» (g/m2) или «Количество суха надземна фитомаса» (g/m2), «Съдържание на хлорофил в листата на растенията» (mg/m2), «Съдържание на азот в растенията» (g/m2), «Индекс на листната повърхност» (m2/m2), «Дял на абсорбираната фотосинтетично активна радиация», «Дял от повърхността на почвата покрита с растителност», «Предварителна оценка на добивния потенциал» (kg/площадка). Резултатите от модул 4 постъпват в модул 5, където се генерират орторектифицирани растерни слоеве на набор от феномни признаци, характеризиращи изпитваните генотипове зимна пшеница на сортовия опит. Модул 5 е едностранно свързан с модулите 6, 8 и 9.According to a specific exemplary embodiment, the principle of operation of the proposed integrated system is illustrated. From 20 tested genotypes of winter wheat in four replicates, during the active growing season, the necessary data are collected by the system for obtaining primary data for selection trial fields 100. It is integrated through it to obtain primary spectral images for acquiring phenomenological data and phenotypic data of the winter wheat genotypes tested. The primary information that is used to acquire phenomenological data is collected in the module specialized unmanned aerial platforms for remote monitoring 1. These platforms need to be equipped with at least one of three types of cameras - multi-channel or hyperspectral with spectral solar sensors and thermal . The number and dates of the flight missions are determined by the breeder who staked the varietal experience. They can be carried out at certain periods of time, for example in 10 days or in certain phenological phases of development of the tested genotypes. Since the sites in the selection trials are small in size, mostly 12-15 m 2 , the images obtained for them must have a spatial resolution of up to 5 cm. To ensure high accuracy (up to 1-2 cm) in the orthorectification of images received by UAVs, it is necessary to use UAVs with built-in Real-time kinematic positioning (RTK) corrections or, before the first flight mission, to have clearly distinguishable objects placed, to be used as ground control points. They are usually located at the four ends of each variety trial and are a 20 x 20 cm square made of white material. They are fixed firmly in the field to be used in all flight missions carried out over the variety trial during the active growing season of the test winter wheat genotypes. With a GNSS system in RTK mode, their exact coordinates are measured. Module 2 collects as much field phenotypic data as possible, such as development phase, plant height, plant fraternity, seed placement, yield, yield elements, grain quality of the tested winter wheat genotypes from all breeding trial sites. The received data and images from the primary data acquisition system for selective experimental fields 100 are entered into the server 400, where they are collected, processed and stored in a geo-database. The primary processing of the obtained images from module 1 is carried out using module 3, as a result of which orthorectified mosaics of images of the selection experiment are obtained, after which they are transmitted for post-processing to module 4. In module 4, a detailed digital model is created of relief (DRM) and digital surface model (DRM). Module 4's validated parametric and non-parametric models for a set of winter wheat phenomenological traits and yield prediction are applied to the orthorectified image mosaics of the breeding trial created in Module 3. In a GIS environment, raster images are created with quantitative phenomenological data for certain traits characterizing the tested genotypes of winter wheat at all the selection sites of the varietal experiment, such as: «Sowing height» (em|, «Amount of fresh above-ground phytomass» (g/m 2 ) or «Amount of dry above-ground phytomass» (g/m 2 ), «Chlorophyll content in plant leaves» (mg/m 2 ), «Nitrogen content in plants» (g/m 2 ), «Leaf surface index» (m 2 /m 2 ), «Proportion of absorbed photosynthetically active radiation», «Proportion of soil surface covered with vegetation», «Preliminary assessment of yield potential» (kg/site). The results of module 4 are fed into module 5, where orthorectified raster layers of a set of phenomenological traits characterizing the tested winter wheat genotypes of the variety trial are generated.Module 5 is unilaterally linked to modules 6, 8 and 9.
От растерните слоеве, посредством модул 6, се придобиват феномни данни за всяка селекционна опитна площадка. Върху орторектифицирано RGB изображение, получено от първата полетна мисия на БЛП в ГИС среда се очертава векторен полигон с границите на селекционните опитни площадки. Създава се векторен слой, като в атрибутивната таблица за всеки полигон се въвежда информация за името на генотипа и номера на повторението му. Създаденият векторен слой се използва за извличане на осреднени, от всички пиксели намиращи се в площадката, количествени стойности от растерния слой за даден феномен признак. Тези феномни данни, заедно с полевите фенотипни данни, получени в модул 2 се въвеждат за последваща обработка в модул 7, където се извършват статистически анализи за селекционни цели, като например: 1) Установяване на влиянието на изследваните фактори и тяхното взаимодействие върху варирането на признаците и статистически значимите различия между генотиповете в сортов опит по всеки фенотипен и феномен признак чрез използване на анализ на варианса (ANOVA); 2) При наличие на установени различия между генотиповете в селекционния опит се провежда тест за множествено сравняване между отделните генотиповете по фенотипен и феномен признак; 3) Установяване на корелативни взаимовръзки и регресионни модели за взаимовръзки между феномните и фенотипните признаци чрез корелационен анализ и РСА анализ на главните компоненти; 4) Групиране на генотиповете по отдалеченост и сходство чрез прилагане на традиционен йерархичен клъстерен анализ по метода на Ward (1963), като данните са предварително стандартизирани за уеднаквяване на мащабите; 5) Установяване на взаимодействието генотип - среда и стабилността на генотиповете по отношение на експресията на признаците чрез анализ на варианса и изчисляване на различни параметри на фенотипната стабилност.From the raster layers, by means of module 6, phenomenological data are acquired for each selection trial site. On an orthorectified RGB image obtained from the first flight mission of the UAV in a GIS environment, a vector polygon with the boundaries of the selection trial sites is outlined. A vector layer is created by entering information about the name of the genotype and its repetition number in the attribute table for each polygon. The created vector layer is used to extract averaged, from all pixels located in the site, quantitative values from the raster layer for a given phenomenon feature. These phenomenological data, together with the field phenotypic data obtained in module 2, are entered for further processing in module 7, where statistical analyzes are performed for selection purposes, such as: 1) Establishing the influence of the studied factors and their interaction on the variation of the traits and the statistically significant differences between genotypes in a cultivar trial for each phenotypic and phenomenological trait using analysis of variance (ANOVA); 2) In the presence of established differences between the genotypes in the selection experiment, a multiple comparison test is conducted between the individual genotypes according to phenotypic and phenomenological features; 3) Establishment of correlative interrelationships and regression models for interrelationships between the phenomenological and phenotypic signs through correlation analysis and PCA analysis of the principal components; 4) Grouping of the genotypes by distance and similarity by applying a traditional hierarchical cluster analysis according to the method of Ward (1963), with the data previously standardized to unify the scales; 5) Establishing the genotype-environment interaction and the stability of the genotypes with respect to the expression of the traits by analysis of variance and calculation of various parameters of phenotypic stability.
Генерираните в модул 5 растерни слоеве постъпват в модул 8, където се съставят растерни карти, които се въвеждат в модул 9. Посредством модул 9 се провежда мониторинг и предварителната оценка на добивния потенциал от всеки генотип в селекционните опитни площадки по време на активната вегетация на зимната пшеница през годините, в които се извършва сортоизпитването. Изготвят се времеви серии от растерни слоеве за всеки феномен признак. Извършва се анализ на изменението на феномните признаци както в площадката, така и във всяка една част (точка) от тях при наличие на аномалии. Резултатите от мониторинга се въвеждат в модул 10, където съвместно с резултатите от направените статистически анализи за селекционни цели в модул 7 се прави оценка и подбор на подходящи генотипове. В модул 10 се извършват три вида оценки. Първоначално се прави оглед на генотиповете по даден признак и се дава съответна оценка, след което се прави обща оценка по всички признаци на съответен генотип. След индивидуалните оценки се прави пълна оценка на генотиповете по комплекс от всички признаци. На базата на получените оценки се извършва: 1) Подбор на група признаци, корелиращи в най-голяма степен с добива или качеството и 2) Подбор на ценни генотипове за включване в селекционно подобрителната работа. Направената оценка и подбор на подходящи генотипове в модул 10 постъпва в модул 11, където се изготвя стратегия за следващи дейности, свързани с растителната селекция или може да се използва за подготовка на експертизи в процеса по сортоизпитване в Изпълнителната агенция по сортоизпитване, апробация и семеконтрол (ИАСАС). Стратегията се изготвя през третата година след приключване на сортоизпитването на зимна пшеница. Например тя включва: 1) Определяне на отдалечеността и сходството между отделните генотипове с цел включването им в хибридизационна програма или за оценка на различимостта на нови сортове при сортоизпитване; 2) Въз основа на получените резултати от клъстерния анализ се създава стратегия за ефективно използване на генотиповете според тяхната комплексна оценка в селекционните програми или може да се допълва оценката за новите сортове, включени в сортоизпитване, въз основа на която се издава сертификат за правна закрила; 3) Установяване на взаимодействието генотип - околна среда и оценка на фенотипната стабилност на всеки генотип по всеки признак при смяната на условията на средата за селекционни цели и за целите на сортоизпитването.The raster layers generated in module 5 are sent to module 8, where raster maps are compiled, which are entered into module 9. By means of module 9, the monitoring and the preliminary assessment of the yield potential of each genotype in the selection test plots during the active vegetation of the winter wheat during the years in which the variety testing is carried out. A time series of raster layers is prepared for each feature phenomenon. An analysis of the change of the phenomenological signs is carried out both in the site and in each part (point) of them in the presence of anomalies. The results of the monitoring are entered in module 10, where together with the results of the statistical analyzes for selection purposes in module 7, an assessment and selection of suitable genotypes is made. In module 10 three types of assessment are carried out. Initially, the genotypes are examined for a given trait and a corresponding assessment is given, then a general assessment is made for all the traits of the respective genotype. After the individual evaluations, a complete evaluation of the genotypes is made according to a complex of all signs. On the basis of the obtained evaluations, the following is carried out: 1) Selection of a group of traits most correlated with yield or quality and 2) Selection of valuable genotypes for inclusion in the selective improvement work. The assessment and selection of suitable genotypes in module 10 goes into module 11, where a strategy is drawn up for further activities related to plant selection or can be used to prepare expertise in the variety testing process at the Executive Agency for Variety Testing, Approbation and Seed Control ( IASAS). The strategy is drawn up in the third year after the completion of winter wheat varietal testing. For example, it includes: 1) Determining the distance and similarity between individual genotypes in order to include them in a hybridization program or to evaluate the distinctiveness of new varieties in variety testing; 2) On the basis of the obtained results of the cluster analysis, a strategy is created for the effective use of genotypes according to their complex assessment in breeding programs, or the assessment of new varieties included in variety testing can be supplemented, on the basis of which a certificate of legal protection is issued; 3) Establishing the interaction genotype - environment and evaluation of the phenotypic stability of each genotype for each trait when changing the conditions of the environment for selection purposes and for the purposes of variety testing.
Съгласно полезния модел се осигурява възможност за:According to the useful model, it is possible to:
Бързото и надеждно получаване на феномни данни и наличието на високи и статистически значими корелации между феномните и фенотипните данни ще улесни и интензифицира селекционния процес по създаването на нови сортове и процеса по сортоизпитване и получаване на сертификат за правна закрила. В допълнение получаването на феномни данни и комбинирането им с геномни данни ще подпомогне идентифицирането на подходящи геномни маркери за ускорено създаване на нови генотипове (сортове) с повишен добив и адаптивност към променящите се климатични условия - предпоставка за устойчиво земеделие.The rapid and reliable acquisition of phenomenic data and the presence of high and statistically significant correlations between phenomenic and phenotypic data will facilitate and intensify the selection process for the creation of new varieties and the process of variety testing and obtaining a certificate of legal protection. In addition, obtaining phenome data and combining it with genomic data will support the identification of appropriate genomic markers for accelerated creation of new genotypes (varieties) with increased yield and adaptability to changing climatic conditions - a prerequisite for sustainable agriculture.
Интегрираната система за дистанционен и наземен мониторинг на селекционни опити може да се използва не само за зимна пшеница, а и за други земеделски култури, отглеждани за целите на растителната селекция и сортоизпитването.The integrated system for remote and ground monitoring of selection trials can be used not only for winter wheat, but also for other agricultural crops grown for the purposes of plant selection and variety testing.
Тестване на системата съгласно полезният моделTesting the system according to the utility model
Системата е тествана на конкурсен сортов опит (КСО), заложен в селекционното опитно поле на Института по полски култури - град Чирпан, Южна България (фиг. 2). Опитът е организиран по блоков метод в четири повторения (фиг. 3). Отглеждат се 26 генотипа твърда зимна пшеница (Triticum turgidum L. var. durum) - 18 стари и съвременни български сортове и 8 новосъздадени селекционни линии. За стандарт са използвани сорт „Предел“ и сорт „Мирела“. Прилагана е стандартната технология за отглеждане на твърда пшеница приета в страната. Торенето с азот е еднократно, като подхранване с норма 10 kg активно вещество азот на декар през месец февруари. Срещу заплевеляването е приложено хербицидно пръскане с комбинация от два препарата. Предшественикът е зимен грах прибиран за фураж. Всеки генотип е засят със съответната му посевна норма според неговите посевни качества на 5.11.2020 г. В площадки с площ от 13.2 m2 (дължина 12 m и ширина 1.10 m). Между отделните генотипове разстоянието е 0.5 m, а между повторенията - 2 m. КСО е заложен с цел установяване на добива от зърно и други признаци, свързани с продуктивността и качеството на зърното, както и сравняване на напредналите и перспективни линии с двата стандарта по отношение на добив и качество.The system was tested on a competitive variety trial (CVS), laid out in the selection trial field of the Institute of Polish Crops - the city of Chirpan, Southern Bulgaria (Fig. 2). The experiment was organized according to a block method in four replications (Fig. 3). 26 genotypes of hard winter wheat (Triticum turgidum L. var. durum) are grown - 18 old and modern Bulgarian varieties and 8 newly created selection lines. The "Predel" variety and the "Mirela" variety were used as a standard. The standard technology for growing durum wheat adopted in the country is applied. Fertilization with nitrogen is a one-time feeding with a rate of 10 kg of active substance nitrogen per hectare in the month of February. Herbicide spraying with a combination of two preparations was applied against weeds. The predecessor is a winter pea harvested for fodder. Each genotype was sown with its respective sowing rate according to its sowing qualities on 5.11.2020. In plots with an area of 13.2 m 2 (length 12 m and width 1.10 m). The distance between individual genotypes is 0.5 m, and between replicates - 2 m. CSR is undertaken to establish grain yield and other traits related to grain productivity and quality, as well as to compare advanced and prospective lines with the two standards in terms of yield and quality.
Полеви фенотипни данни, които са събирани за КСО са фаза на развитие, височина на растенията, братимост на растенията, полягане на посева и добив. Данните за добива на зърно (kg/площадка) са получени чрез механично прибиране на реколтата поотделно за всяка площадка на 14.07.2021 г. И претегляне с електронна везна.Field phenotypic data that were collected for CSR were developmental stage, plant height, plant compactness, seeding and yield. Grain yield data (kg/plot) were obtained by mechanical harvesting separately for each plot on 14.07.2021 and weighing with an electronic scale.
За получаване на многоканални изображения, са проведени две полетни мисии (Таблица 1) със специализираната безпилотна система за въздушно картографиране (СБСВК) „SenseFly еВее Аg”. Системата включва: 1) БЛА с монтирана „Parrot Sequoia“ камера с два типа сензори, (Таблица 2), със спектрален слънчев сензор (Parrot SA, Paris, France); 2) Софтуер eMotion 2 за на еВее AG и 3) автоматизиран 3D обработващ десктоп софтуер Pix4D mapper.To obtain multi-channel images, two flight missions (Table 1) were carried out with the specialized unmanned aerial mapping system (UAMS) "SenseFly eVee Ag". The system includes: 1) UAV with a mounted “Parrot Sequoia” camera with two types of sensors, (Table 2), with a spectral solar sensor (Parrot SA, Paris, France); 2) eMotion 2 software for eVee AG and 3) automated 3D processing desktop software Pix4D mapper.
Двете полетни мисии са проведени при спазване на едни и същи параметри: средна височина на полета - 56 m; площ на заснемане - 3.7 ha; време на полета - 13 min; пространствена разделителна способност (ПРС) - 5 cm/pixel; застъпване на снимките в двете посоки - 80 %; брой изображения 940.The two flight missions were conducted under the same parameters: average flight height - 56 m; filming area - 3.7 ha; flight time - 13 min; spatial resolution (SPR) - 5 cm/pixel; overlap of photos in both directions - 80%; number of images 940.
По време на полетните мисии е регистрирана фенологичната фаза на развитие на изследваните генотипове зимна твърда пшеница, като е използван BBGH identification keys (Meier, 2001, 2018). Измервана е и височината на растенията (cm).During the flight missions, the phenological phase of development of the studied winter durum wheat genotypes was recorded, using BBGH identification keys (Meier, 2001, 2018). Plant height (cm) was also measured.
Таблица 1. Дати на извършените полети със СБСВК „SenseFly eBee Ag” и фенологичната фаза на развитие на изследваните генотипове зимна твърда пшеницаTable 1. Dates of the flights carried out with the SenseFly eBee Ag SBSVK and the phenological phase of development of the investigated winter durum wheat genotypes
Таблица 2. Спектрални канали на камерата „Parrot Sequoia“Table 2. Spectral channels of the Parrot Sequoia camera
BG 4231 UIBG 4231 UI
В модул 3 е извършена обработка на заснетите с БЛП изображения от двете полетни мисии. От една страна целта е отделните кадри да се обединят пространствено в обща ортофото мозайка и едновременно да се интегрират спектрално в общо многоканално орто изображение, в което всеки един пиксел в един от спектралните канали да има същите координати като идентичните му пиксели в другите канали. Първо е приложена процедурата орторектификация, при която заснетите кадри са преобразувани геометрически. В резултат всички заснети кадри са в обща проекция и координатна система (датум WGS 1984, UTM зона 35), след което е съставена мозайка от централните части на кадрите, обединени в обща ортофото мозайка. За извършването на тази процедура е използван специализиран софтуер (Pix4D). Абсолютното позициониране на изображенията е осигурено чрез опорни контролни точки (GCP), поставени преди заснемането. Те са разпознати върху мозайкираното изображение и координатите им са въведени.In module 3, processing of the UAV images from the two flight missions was carried out. On the one hand, the goal is to spatially merge the individual frames into a common orthophoto mosaic and simultaneously spectrally integrate them into a common multichannel ortho image, in which each pixel in one of the spectral channels has the same coordinates as its identical pixels in the other channels. First, the orthorectification procedure was applied, in which the captured frames were transformed geometrically. As a result, all captured frames are in a common projection and coordinate system (date WGS 1984, UTM zone 35), after which a mosaic is made of the central parts of the frames, united in a common orthophoto mosaic. Specialized software (Pix4D) was used to perform this procedure. The absolute positioning of the images is ensured by reference control points (GCPs) placed before capture. They are recognized on the mosaic image and their coordinates are entered.
Съдържащите се в модул 4 валидирани модели (таблица 3) са приложени на данните от спектралните канали от орторектифицираните мозайки от изображенията на селекционния опит от всяка дата. В резултат са създадени растерни изображения с моделираните стойности на различните феномни признаци по дати. Те са използвани за придобиване на феномни данни за всяка селекционна опитна площадка, съставяне на картографски продукти и мониторинг и предварителна оценка на добивния потенциал от всеки генотип в селекционните опитни площадки (фиг. 3-6).The validated models contained in Module 4 (Table 3) were applied to the spectral channel data from the orthorectified mosaics of the selection trial images from each date. As a result, raster images were created with the modeled values of the various phenomenological signs by date. These were used to acquire phenomenological data for each breeding trial site, compile mapping products, and monitor and pre-estimate the yield potential of each genotype in the breeding trial sites (Figs. 3-6).
Таблица 3. Валидирани регресионни модели, използвани при създаването на растерни изображения с количествени феномни данни за определени признаци, характеризиращи изпитваните генотипове зимна твърда пшеницаTable 3. Validated regression models used in the creation of raster images with quantitative phenomenological data for certain traits characterizing the tested winter durum wheat genotypes
BG 4231 UIBG 4231 UI
Посредством модул 6 са придобити феномни данни за всяка селекционна опитна площадка. Първоначално орторектифицирано RGB изображение с ПРС 5 cm е използвано като основа за очертаване на контурите на селекционните опитни площадки. Резултатът е векторен слой с полигони, а в атрибутивната таблица в поле „индекс“ е нанесена информация за уникалния код на обекта. Този код е идентичен, както в атрибутивната таблица на ГИС слоя, така и в електронната таблица във формат Excel. Извличането на феномната информация за селекционните опитни площадки се извърши в ГИС среда чрез използване на възможностите на пространствения анализ и функцията за калкулация на зонална статистика. Преди да се пристъпи към тази операция обхватът на контурите на селекционните опитни площадки се намалява (чрез буфериране) с 30 cm. Това се извършва с цел при изчислението на статистическите параметри да не вземат стойностите на смесени пиксели, намиращи в пограничната зона на опитната площадка. По този начин статистическите показатели са извлечени в тази част от изображенията, където пикселите са по-хомогенни и представителни за културата. Резултатът от зоналната статистика представлява електронни таблици във формат Excel, в които първата колона е с уникалния код на селекционната опитна площадка, а в следващите извлечени статистически показатели. Така придобитите феномни данни от двете полетни мисии заедно с полевите фенотипни данни (таблица 4), получени в модул 2 са използвани за статистически анализи за селекционни цели.By means of module 6, phenomenological data were acquired for each breeding trial site. An initial orthorectified RGB image with a 5-cm SLR was used as a basis for delineating the contours of the selection trial plots. The result is a vector layer with polygons, and information about the object's unique code is plotted in the attribute table in the "index" field. This code is identical in both the attribute table of the GIS layer and the spreadsheet in Excel format. The extraction of the phenomenological information for the breeding trial sites was carried out in a GIS environment by using the capabilities of the spatial analysis and the function for the calculation of zonal statistics. Before proceeding with this operation, the range of the contours of the selection test plots is reduced (by buffering) by 30 cm. This is done in order not to take the values of mixed pixels located in the border zone of the experimental site when calculating the statistical parameters. In this way, the statistics are extracted in that part of the images where the pixels are more homogeneous and representative of the culture. The result of the zonal statistics are spreadsheets in Excel format, in which the first column is the unique code of the selection trial site, and in the following the extracted statistical indicators. The phenomenological data thus acquired from the two flight missions together with the field phenotypic data (table 4) obtained in module 2 were used for statistical analyzes for selection purposes.
Таблица 4. Използвани кодове на фенотипните и феномните признаци, за статистическата обработка и анализ за селекционни целиTable 4. Codes of phenotypic and phenomenological traits used for statistical processing and analysis for selection purposes
Статистическите анализи за селекционни цели и оценката и подбора на подходящи генотипове (таблици 5-9, фиг. 4, 5 и 6) са проведени последователно както следва:Statistical analyzes for selection purposes and evaluation and selection of suitable genotypes (Tables 5-9, Figs. 4, 5 and 6) were performed sequentially as follows:
Установяване на влиянието на изследваните фактори и тяхното взаимодействие върху варирането на признаците и статистически значимите различия между генотиповете в КСО по всеки фенотипен и феномен признак (таблица 5) се извършва чрез анализ на варианса (ANOVA).Establishing the influence of the studied factors and their interaction on the variation of the signs and the statistically significant differences between the genotypes in KSO according to each phenotypic and phenomenon sign (table 5) is performed by analysis of variance (ANOVA).
Според резултатите от анализа на варианса (таблица 5) генотипът оказва голямо и статистическо значимо влияние върху установеното вариране на всички изследвани феномни и фенотипни признаци. Най-голямо е влиянието на генотипа върху варирането на признака височина на растенията (η2 = 99.6 %), а най-малко при феномните признаци fCOVER05 и fAPAR05 (η2 = 55.35 %).According to the results of the analysis of variance (table 5), the genotype exerts a large and statistically significant influence on the established variation of all investigated phenomenological and phenotypic signs. The greatest influence of the genotype on the variation of the trait plant height (η 2 = 99.6 %), and the least for the phenomenological traits fCOVER05 and fAPAR05 (η 2 = 55.35 %).
Таблица 5. Анализ на варианса (ANOVA) по всички изследвани признаци при наблюдаваните твърди пшеници от КСОTable 5. Analysis of variance (ANOVA) for all investigated characters in the observed durum wheats from KSO
BG 4231 UIBG 4231 UI
BG 4231 UIBG 4231 UI
- psO D5. ” - p s D Oi.-pi D.Dai: n.$ - не достоверно. ц влияние- psO D5. ” - p s D Oi.-pi D.Dai: n.$ - not credible. ts influence
BG 4231 UIBG 4231 UI
Таблица 6. Средни стойности и множествен тест за достоверност на разликите по Дънкан по признаците LAI05, LAI06, LCC05, LCC06, добив зърно(У), братимост(Т) и височина на растенията(Н) от ксоTable 6. Mean values and Duncan's multiple test for reliability of differences for the characters LAI05, LAI06, LCC05, LCC06, grain yield (Y), brotherhood (T) and plant height (H) from xo
Средните стойности (вьа aesiita кслрна| последване от едни и същи букви нямат донагани различия при р < 0,05 според теста на Дънкан за множествено сравняванеMean values (v aesiita xlrna| followed by the same letters are not significantly different at p < 0.05 according to Duncan's multiple comparison test
BG 4231 UIBG 4231 UI
Таблица 7. Средни стойности и множествен тест за достоверност на разликите по признаците fAPAR05, fAPAR06, fCOVER05, fCOVER05, CCC05 и CCC06 от КСОTable 7. Mean values and multiple test for reliability of differences in CSR characteristics fAPAR05, fAPAR06, fCOVER05, fCOVER05, CCC05 and CCC06
Средните стойностя [във вснкя колона) последвани ат едни и същи брои нямат доказани различия при р 0,05 според таета на Дънкан аа множествена едмнйеанеMeans [in every column) followed by the same numbers are not significantly different at p 0.05 according to Duncan's test and multiple comparison
BG 4231 UIBG 4231 UI
След установяване на достоверното влияние на фактора генотип върху варирането на изследваните признаци в селекционния опит се преминава към провеждане на множествено сравняване между отделните генотипове поотделно за всеки фенотипен и феномен признак. С най-висок добив се характеризира генотип 23 - 10.22 kg/площадка и той доказано се различава от всички останали генотипове, включени в изследването и попада в отделна група (h) съгласно множествения тест за достоверност на разликите по Дънкан. С най-нисък статистически различим добив от всички останали генотипове се отличава генотип 3 - 6.63 kg/площадка и попада в отделна група (а). По аналогичен начин по резултатите от таблици 2 и 3 могат да се проследят статистически значимите различия между генотиповете по всички изследвани признаци.After establishing the reliable influence of the genotype factor on the variation of the studied traits in the selection experiment, we move on to conducting a multiple comparison between the individual genotypes separately for each phenotypic and phenomenon trait. Genotype 23 - 10.22 kg/plot is characterized by the highest yield and it is proven to differ from all other genotypes included in the study and falls into a separate group (h) according to Duncan's multiple test for reliability of differences. Genotype 3 stands out with the lowest statistically distinguishable yield of all other genotypes - 6.63 kg/plot and falls into a separate group (a). In an analogous way, the results of Tables 2 and 3 show statistically significant differences between the genotypes for all the investigated characteristics.
Чрез дескриптивна статистика се определят основните статистически характеристики на изучаваната извадка - средна аритметична, размах на варирането чрез минималните и максималните стойности и коефициента на вариране CV % за всички феномни и фенотипни признаци. Коефициентът на вариране дава информация за генетичното разнообразие по изследваните признаци в извадката от използвани генотипове. По-малките му стойности са показател за ниско генетично разнообразие, а повисоките - за значително генетично разнообразие.Descriptive statistics are used to determine the main statistical characteristics of the studied sample - arithmetic mean, range of variation through the minimum and maximum values and the coefficient of variation CV % for all phenomenological and phenotypic signs. The coefficient of variation gives information about the genetic diversity of the investigated traits in the sample of genotypes used. Its smaller values are indicative of low genetic diversity, and its higher values indicate significant genetic diversity.
Таблица 8. Дескриптивна статистикаTable 8. Descriptive statistics
Съгласно резултатите от дескриптивната статистика, представени в таблица 8 се установява, че найниско генетично разнообразие в извадката от изследвани генотипове е налице по отношение на признаците: fAPAR05 (CV % - 1.2 ); fCOVER05 (CV % - 1.2); HD (CV % - 1.2). Най-високи коефициенти на вариране и следователно по-значимо генетично разнообразие са установени за признаците ССС06 (CV % - 17.7); Tillering (CV % - 14.5); LAI06 (CV % - 12.1); 1COVER06 (CV % - 11.3); 1APAR06 (CV % - 11.1). Средно ниво на генетично разнообразие в изучаваната извадка е налице за признаците Yield (CV % - 8.1); Plant height (CV % - 7.5) и LCC06 (CV % - 7.2).According to the results of the descriptive statistics, presented in Table 8, it is found that the lowest genetic diversity in the sample of studied genotypes is present in terms of the traits: fAPAR05 (CV % - 1.2 ); fCOVER05 (CV % - 1.2); HD (CV % - 1.2). The highest coefficients of variation and therefore more significant genetic diversity were found for the traits CCC06 (CV % - 17.7); Tillering (CV % - 14.5); LAI06 (CV % - 12.1); 1COVER06 (CV % - 11.3); 1APAR06 (CV % - 11.1). An average level of genetic diversity in the studied sample was present for the traits Yield (CV % - 8.1); Plant height (CV % - 7.5) and LCC06 (CV % - 7.2).
BG 4231 UIBG 4231 UI
Чрез корелационния анализ се определя силата и посоката на линейните взаимовръзки между изследваните признаци (променливи). При наличие на високи доказани положителни стойности на корелационния коефициент зависимостта между съответните два признака е положителна, като на високите стойности на единия признак съответстват високи на другия. При наличие на високи доказани отрицателни стойности на корелационния коефициент зависимостта между признаците е отрицателна, като на по-високите стойности на единия признак съответстват по-ниски на другия и обратно. Ниските положителни или отрицателни стойности на корелационния коефициент са индикатор за липса на взаимовръзка между съответните признаци. При наличие на високи доказани взаимовръзки може да се прогнозира нивото на промяна в един признак, дължащ се на промяната в друг. Резултатите от извършения корелационен анализ (таблица 9) показват наличие на статистически значими взаимовръзки между основни агрономически признаци (фенотипни) и почти всички феномни признаци. Установени са високи и статистически значими положителни корелативни връзки между добива и следните феномни признаци: 0,79*** с LAI06; 0,54** с LCC05; 0,77*** с LCC06; 0,58** с fA-PAR05; 0,82*** с fCOVER06; 0,77*** с ССС06. Наличието на високи и статистически значими корелации между феномните признаци и добива позволява използването им за бърз скрининг на високодобивни генотипове за селекционни цели и сортоизпитване и за прогнозиране на добивите, дори в ранни.Correlation analysis determines the strength and direction of linear relationships between the studied signs (variables). In the presence of high proven positive values of the correlation coefficient, the dependence between the respective two signs is positive, and high values of one sign correspond to high values of the other. In the presence of high proven negative values of the correlation coefficient, the dependence between the signs is negative, with higher values of one sign corresponding to lower values of the other and vice versa. Low positive or negative values of the correlation coefficient are an indicator of a lack of interrelationship between the respective signs. In the presence of high proven correlations, the level of change in one trait due to change in another can be predicted. The results of the performed correlation analysis (table 9) show the existence of statistically significant relationships between main agronomic traits (phenotypic) and almost all phenomenological traits. High and statistically significant positive correlations were found between yield and the following phenomenological traits: 0.79*** with LAI06; 0.54** with LCC05; 0.77*** with LCC06; 0.58** with fA-PAR05; 0.82*** with fCOVER06; 0.77*** with CCC06. The presence of high and statistically significant correlations between phenomenological traits and yield allows their use for rapid screening of high-yielding genotypes for selection purposes and variety testing and for yield prediction, even in early.
PC анализа дава допълнителна графична информация за наличието на корелативни връзки между изследваните признаци в извадката от генотипове, включени в КСО (Фиг. 4). В зависимост от величината на ъгъла, който се образува между векторите на всеки два признака, могат да се определят взаимовръзките между тях. Наличието на остри ъгли между векторите на признаците добив (Yield) и всички феномни признаци с изключение на СС05 и LAI05 безспорно потвърждава установените и чрез корелационния анализ положителни взаимовръзки между тях.The PC analysis provides additional graphical information about the presence of correlative relationships between the investigated traits in the sample of genotypes included in KSO (Fig. 4). Depending on the magnitude of the angle formed between the vectors of any two features, the interrelationships between them can be determined. The presence of sharp angles between the vectors of yield signs and all phenomenological signs except CC05 and LAI05 unquestionably confirms the positive correlations between them established through the correlation analysis.
PC анализа дава информация и за разположението на генотиповете според техните стойности по отделни признаци за главните компоненти РС1 и РС2. При съпоставянето на двете фигури (Фиг. 4 и 5) може да бъде преценено свързването на генотиповете в групи по определени признаци. PC анализа на признаците и генотиповете, изобразен във фигура 4 и 5 позволява да се направи обща оценка на взаимовръзките между отделните признаци и свързването им с определени генотипове.The PC analysis also provides information on the location of the genotypes according to their values for individual traits for the main components PC1 and PC2. By comparing the two figures (Figs. 4 and 5), the connection of the genotypes in groups by certain characteristics can be assessed. The PC analysis of traits and genotypes depicted in Figure 4 and 5 allows for a general assessment of the interrelationships between individual traits and their association with specific genotypes.
Клъстерният анализ се използва за определяне на отдалечеността и сходството между отделните генотипове с цел включването им в хибридизационна програма. Въз основа на получените резултати (Фиг. 6) се създава стратегия за ефективно използване на генотиповете според тяхната комплексна оценка в селекционните програми или може да се допълва оценката за новите сортове, включени в сортоизпитване. Хибридизация между генотипове, попадащи в един и същи клъстер би довело до по-бързо получаване на хомозиготност, но от друга страна с по-малък селекционен напредък. Хибридизация между генотиповете от различни клъстери би довело до по-бавно постигане на хомозиготност, но с по-голям селекционен напредък и възможност за получаване на хетерозис в ранните разпадни генерации.Cluster analysis is used to determine the distance and similarity between individual genotypes in order to include them in a hybridization program. Based on the obtained results (Fig. 6), a strategy is created for the effective use of genotypes according to their complex assessment in selection programs, or the assessment of new varieties included in variety testing can be supplemented. Hybridization between genotypes falling in the same cluster would lead to faster homozygosity, but on the other hand with less selection progress. Hybridization between genotypes from different clusters would lead to slower attainment of homozygosity, but with greater selection progress and the possibility of obtaining heterosis in the early decay generations.
Въз основа на резултатите от прилаганите статистически анализи с включване на многогодишни феномни и фенотипни данни могат да се правят ценни препоръки за водене на селекционния процес и да се изгражда дългосрочна стратегия с цел създаване на високодобивни генотипове, добре адаптирани към конкретните почвени и климатични условия. Феномните данни, за които е установено, че корелират с добива могат директно да се включват в генетични изследвания, чрез които да се получава информация за степента на генетичния контрол и фенотипната надеждност при прогнозиране на резултатите от селекцията. Въз основа на многогодишни феномни данни могат да се изчисляват параметри като фенотипни и генотипни коефициенти на вариране, наследяемост и генетичен напредък, въз основа на които да се оценява размера на вариране в селекционни материали, да се определят подходящите процедури за отбор и за прогнозиране на селекционния напредък при подобряването на важни агрономически признаци.Based on the results of the applied statistical analyzes with the inclusion of multi-year phenomenological and phenotypic data, valuable recommendations can be made to guide the selection process and build a long-term strategy with the aim of creating high-yielding genotypes well adapted to specific soil and climatic conditions. Phenomenal data found to correlate with yield can be directly incorporated into genetic studies to provide information on the degree of genetic control and phenotypic reliability in predicting selection outcomes. Based on multi-year phenomenological data, parameters such as phenotypic and genotypic coefficients of variation, heritability and genetic progress can be calculated, based on which to estimate the amount of variation in breeding materials, to determine appropriate selection procedures and to predict breeding progress in the improvement of important agronomic traits.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| BG5434U BG4231U1 (en) | 2021-12-29 | 2021-12-29 | Integrated remote and ground monitoring system for breeding trial fields |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| BG5434U BG4231U1 (en) | 2021-12-29 | 2021-12-29 | Integrated remote and ground monitoring system for breeding trial fields |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BG4231U1 true BG4231U1 (en) | 2022-04-29 |
Family
ID=85238884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BG5434U BG4231U1 (en) | 2021-12-29 | 2021-12-29 | Integrated remote and ground monitoring system for breeding trial fields |
Country Status (1)
| Country | Link |
|---|---|
| BG (1) | BG4231U1 (en) |
-
2021
- 2021-12-29 BG BG5434U patent/BG4231U1/en unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hassan et al. | A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform | |
| Duan et al. | Dynamic monitoring of NDVI in wheat agronomy and breeding trials using an unmanned aerial vehicle | |
| US12008744B2 (en) | Mapping field anomalies using digital images and machine learning models | |
| Torres-Sánchez et al. | Mapping the 3D structure of almond trees using UAV acquired photogrammetric point clouds and object-based image analysis | |
| Xie et al. | Crop height estimation based on UAV images: Methods, errors, and strategies | |
| López-Granados et al. | An efficient RGB-UAV-based platform for field almond tree phenotyping: 3-D architecture and flowering traits | |
| Moriya et al. | Mapping mosaic virus in sugarcane based on hyperspectral images | |
| CN111357009A (en) | Method and system for performing plant phenotyping data analysis | |
| Atkinson et al. | Field phenotyping for the future | |
| Sarkar et al. | Aerial high-throughput phenotyping of peanut leaf area index and lateral growth | |
| Tao et al. | Heritable variation in tree growth and needle vegetation indices of slash pine (Pinus elliottii) using unmanned aerial vehicles (UAVs) | |
| Rallo et al. | Exploring UAV-imagery to support genotype selection in olive breeding programs | |
| Belton et al. | Crop height monitoring using a consumer-grade camera and UAV technology | |
| Zhang et al. | Phenotyping flowering in canola (brassica napus l.) and estimating seed yield using an unmanned aerial vehicle-based imagery | |
| Gómez-Gálvez et al. | High-throughput analysis of the canopy traits in the worldwide olive germplasm bank of Córdoba using very high-resolution imagery acquired from unmanned aerial vehicle (UAV) | |
| Wang et al. | Improved accuracy of high-throughput phenotyping from unmanned aerial systems by extracting traits directly from orthorectified images | |
| Kurbanov et al. | The Use of Vegetation Indices in Comparison to Traditional Methods for Assessing Overwintering of Grain Crops in the Breeding Process | |
| Han et al. | RGB images-based vegetative index for phenotyping kenaf (Hibiscus cannabinus L.) | |
| BG4231U1 (en) | Integrated remote and ground monitoring system for breeding trial fields | |
| BG113467A (en) | Integrated remote and ground monitoring system for selection trial fields | |
| Escobar-Silva et al. | A general grass growth model for urban green spaces management in tropical regions: A case study with bahiagrass in southeastern Brazil | |
| BG67632B1 (en) | INTEGRATED SYSTEM FOR REMOTE AND GROUND MONITORING OF SELECTED TEST FIELDS | |
| Marais-Sicre et al. | Sun/Shade Separation in Optical and Thermal UAV Images for Assessing the Impact of Agricultural Practices | |
| Aviv et al. | Ensemble of cubist models for soy yield prediction using soil features and remote sensing variables | |
| Capellades et al. | Storm damage assessment support service in the US Corn belt using RapidEye satellite imagery |