多源表型信息融合下大豆品種（系）鑒定與系譜分析

21世紀最大的挑戰之一是提高農作物產量和品質，實現這一目標最環保的方式是通過農作物育種計劃開發具有改良特性的新品種。育種計劃旨在從大量表型優良的品種中選出產量高、品質優、耐脅迫以及高效種植和加工的品種[1]。田間表型分析能夠收集植物性狀信息，對于植物新品種的鑒定和描述至關重要[2]

大豆是全球重要的植物蛋白和油脂來源之一，也是中國主要經濟作物之一。隨著育種者對植物品種權（PVR）的日益重視，中國大豆品種保護申請數量不斷上升。由于市場上大豆品種眾多，農藝性狀和形態性狀同質化嚴重，給現行植物品種特異性、一致性和穩定性（DUS）測試帶來挑戰[3]。因此建立可靠的品種鑒定技術對于大豆品種測試和新品種保護至關重要。DUS測試通過比較不同品種間的差異來定義品種，國際植物新品種保護聯盟（UPOV）根據DUS測試結果決定是否授予植物品種權[4-5]

傳統DUS測試主要依靠人工測量，存在效率低、成本高等問題，因而限制了DUS測試的效率[6]為了提高作物品種鑒定的準確性，研究人員正在探索利用數字圖像分析作為替代方法，Deng等[7]為了驗證基于圖像處理的花生DUS量化性狀進行品種識別的可行性，結合Fisher算法作為特征選擇方法，篩選出一些重要的DUS測試候選特征。汪勇[通過對玉米種子圖像進行濾波、分割等處理后提取相關形態指標，實現了 90% 以上的識別正確率，為品種自動化檢測提供了基礎。數字圖像分析速度快、識別能力強、重復性高，已成為植物品種檢測的新技術，獲UPOV批準[9]。該技術不僅能自動測量農作物形態，替代人工勞動，還能提供更高精度的候選鑒定性狀[10]。然而數字圖像分析面臨監測范圍和光譜波段信息的限制，對圖像采集的標準化提出了很高的要求，且較難體現田間群體變異性[]

另一種方法是利用低空遙感技術獲取大豆田間的完整影像，并制訂品種識別策略。Li等[12]的研究結果表明，作物葉色、植被覆蓋度、種群生長等直接反映了作物對光譜和紋理的響應，是品種間生理代謝的綜合反映。陳裕鋒等[13]利用多光譜成像遙感技術和多層感知器模型建立了較高準確率的水稻品種快速鑒定模型。近年來，無人機（UAV）遙感技術因其客觀、及時、經濟等特點，在農業領域得到了廣泛應用，成為精準和數字化農業行動的顛覆性解決方案，該技術可精確獲取高分辨率數據用于進一步分析[14]。豆莢作為大豆的重要器官，其外觀性狀是反映大豆品種特征的重要遺傳和環境因素，在品種分類和育種中起著重要作用[15]。近年來，機器學習分類方法在農業領域的應用迅速發展，成為推動品種選育和品種鑒定的重要技術手段，結合遙感技術和圖像處理技術提取數據特征參數進行農作物品種鑒定已經成為農業信息技術的熱門課題[16]。Bi等[17]將玉米種子的形態特征與高光譜數據相結合，在對特征子集進行選擇的基礎上利用機器學習算法實現了對玉米品種的分類。宋少忠等18研究發現，結合降維提取的高光譜特征波段和圖像紋理數據可顯著提高高梁品種識別模型的穩定性。對多源表型數據的深度挖掘能夠顯著提升作物品種的鑒定精度和效率，為DUS測試工作帶來新機遇。

針對大豆新品種申請量增加及現有DUS測試存在的問題，本研究開展了田間DUS性狀調查以及UAV多光譜遙感影像數據和品種（系）間豆莢圖像信息采集等工作。以27個正在進行區域試驗的大豆品種（系）為研究對象，結合特征提取技術、隨機森林分類（RFC）模型和支持向量分類（SVC）模型，探索基于多源多尺度性狀的品種（系）精準鑒別方法。研究目的旨在篩選貢獻率高的DUS性狀，探索UAV和計算機視覺下的新興候選性狀和利用多源性狀研究大豆遺傳多樣性的可行性，創新DUS測試的理念和技術手段，探討不同大豆品種（系）的系譜關系，為大豆品種改良和新品種選育提供參考。

1材料與方法

1.1 研究區域與試驗設計

本試驗在江蘇省徐州市現代農業示范基地進行，該基地集科研與生產為一體，擁有大規模、高標準試驗田，植物種類豐富，可滿足現代農業生產的需求。本試驗共27個大豆品種（系），設置2個重復。這27個來自不同地區的品種（系）已通過DUS測試，目前正在進行區域種植試驗（圖1、表1）。所有品種（系）于2022年6月12日種植，同年8月初進入成熟期，對從成熟期開始觀察到的22個基本性狀按大豆DUS測試標準進行數據采集，其中包括7個個體測量（MS）性狀和15個群體目測（VG）性狀[19]。采用五點取樣法對每個小區[單個品種（系）的單個重復]進行數據采集，每個點隨機選擇5株植株進行MS性狀測量并觀測VG性狀，取平均值。

使用DJIP4多光譜RTK無人機（深圳市大疆創新科技有限公司產品）獲取田間所有大豆品種（系）成熟始期和成熟后期（2022年8月19日和2022年9月16日）的多光譜圖像，相機規格如下：藍波段（ 450nm±16nm ）、綠波段（ 560nm±16nm ）、紅波段 （ 650nm±16nm ）、紅邊波段（ 730nm± 16 nm）和近紅外波段（ 840nm±26nm ）。試驗設計飛行高度 25m ，飛行速度 2m/s ，航向和旁向重疊率均為 85% ，按照設定的路徑覆蓋每個地塊。在完熟期，采用五點取樣法收獲每個地塊的豆莢，每個點隨機選擇10個外觀一致的豆莢，然后將收集的豆莢放入取樣袋中送往實驗室，采用平板CCD掃描儀（EP-SONV850）采集豆莢圖像。

1.2 特征提取

總體性狀來源可分為3類（圖2），包括田間調查以及基于UAV平臺和計算機視覺的圖像采集。作為大豆品種鑒定的主要性狀來源，DUS測試指南共包括32個基本性狀，本研究選取了從成熟始期開始調查的22個性狀進行數據采集。通過UAV平臺獲取研究區多光譜影像后，結合ENVI5.7軟件，在每個小區中提取5個感興趣區域（ROI）的光譜波段數據和紋理數據，以成熟始期和后期8個植被指數和8個紋理參數的差異作為輸入特征（光譜特征和紋理特征）進行進一步識別[20-22]。為了保證豆莢圖像信息獲取的準確性，利用Python3.0框架下的OpenCV庫提取掃描圖像的形狀、顏色和紋理信息。圖像預處理包括形態學處理、圖像增強、圖像分割、邊緣檢測、圖像顏色空間變換等方法[23]，如圖3所示，經過預處理后，提取5個形狀特征，基于紅、綠、藍（RGB）通道和色調、飽和度、明度（HSV）的12個顏色特征以及6個紋理特征作為輸入特征，進行進一步識別。

1.3分析鑒定模型

為了使數據適應模型并滿足模型要求，數據預處理是必要的。特征工程是將原始數據轉換為更能代表分類模型問題的特征，有效的特征選擇旨在從原始特征集中找到一個包含盡可能多信息的子集，從而提高效率[24]。本研究采用遞歸特征消除（RFE）算法進行特征選擇，找出最顯著的特征，從而構建一個穩健的大豆品種鑒定技術體系。RFE算法結合模型迭代優化，能夠篩選出對分類最有貢獻的特征，從而提高識別準確率，與其他特征選擇方法相比，其在處理本研究涉及的多源異構數據中具有更大優勢[25]。隨機森林分類（RFC）模型是一種基于決策樹的集成模型，通過創建決策樹的森林來進行分類[26]。支持向量分類（SVC）模型起源于統計學理論，通過構建能夠最大化類別間間隔的超平面，從而獲得較高的分類性能[27]RFC模型和SVC模型均可有效應對高維多種類型數據的處理和線性不可分的問題。本研究以27個大豆品種（系）為研究對象，通過田間調查、UAV影像采集和豆莢圖像采集等方式收集多源表型數據，為更好地理解不同類型性狀內在關聯性，從而為優異性狀的選擇提供參考，首先進行各類型性狀相關性分析，以識別性狀之間的聯系。隨后，經數據歸一化和互信息篩選預處理后，選取RFC和SVC模型進行品種（系）識別，并結合RFE算法進行迭代優化和交叉驗證，發掘模型的最大潛力。模型評價采用分類精度指標，以確保分類結果的穩定性和可靠性，計算方法見公式（1）。采用K均值（K-means）計算遺傳距離，衡量品種間的親緣關系。數據處理和模型構建基于Python3.0實現，研究流程如圖4所示。

式中，Accuracy表示分類精度， TP 表示實際為正樣本且被預測為正樣本的數量， TN 表示實際為負樣本且被預測為負樣本的數量， FP 表示實際為負樣本但被預測為正樣本的數量， FN 表示實際為正樣本但被預測為負樣本的數量。

2 結果與分析

2.1 性狀之間的定量分析

對來自3個不同平臺的性狀進行相關性定量分析后，發現部分性狀之間存在顯著（皮爾遜系數在0.500～0.800 ）或極顯著（皮爾遜系數在 0.800～ 1.000）相關（表2、表3和表4）。從表2可知，在去除不具多態性的莢果炸莢性（13）、種皮顏色數量（16）和子葉顏色（18）這3個性狀后，其余19個DUS性狀之間存在一定的相關性，同一性狀可能受到其他性狀變異的影響。然而大部分性狀間的相關系數較低，不低于0.500的僅有3組，這表明DUS性狀之間的獨立性較強。相比之下，從表3可見，基于UAV平臺提取的性狀之間相關性較高，尤其是光譜性狀之間、紋理性狀之間相關系數絕對值大多超過0.800，而光譜性狀與紋理性狀之間的相關性則相對較低，相關系數絕對值多在 0.300～0.500 。從表4可知，基于豆莢圖像提取的形態性狀、顏色性狀和紋理性狀之間的相關性也較顯著，特別是部分顏色性狀之間呈現出極顯著的正相關性。

2.2 特征重要性評估

在構建分類模型時，合適的特征輸入和特征數量對模型的復雜度和最終的分類結果至關重要。本研究利用特征重要性（Features_importances_）屬性計算了61個性狀的特征重要性值，單個性狀的鑒定能力以直方圖形式呈現（圖5）。從圖5可見，基于豆莢圖像的5個形態性狀表現最佳，平均重要性值為0.0287，其次是從UAV影像中提取的8個光譜性狀，平均重要性值為0.0268，從豆莢圖像中提取的6個紋理性狀也顯示出較好的判別能力，平均重要性值為0.0192，DUS田間調查的VG性狀和基于豆莢圖像顏色性狀表現一般，平均重要性值分別為0.0147和0.0159，DUS田間調查的MS性狀和UAV獲取的紋理性狀表現較差，平均重要性值分別為0.008 9和0.0068。

性狀1＼～61見圖2。

作為經過多年實踐驗證的DUS測試性狀，其中一些性狀具有較好的判別能力，如莢果顏色（14）、種臍顏色（19）和成熟期（22）。但也存在部分性狀表現出較弱的判別能力，如莢果數量（5）、生長習性（10）、莢果炸莢性（13）等。基于豆莢圖像的形態性狀對品種鑒定貢獻高，尤其是長寬比（43），其重要性值在所有性狀中最高。雖然基于豆莢圖像的顏色性狀和紋理性狀的平均重要性值略低于形態性狀，但V_std（55）和Correlation（60）等性狀仍表現優良。UAV平臺獲取的冠層性狀中，光譜性狀的特征重要性明顯優于紋理性狀，光譜性狀中除△EVI（27）外，其他性狀的特征重要性均較高。

2.3 基于RFC模型和SVC模型的品種鑒定

在模型實例化之前過濾掉不重要的特征可以獲得更好的穩定性和準確性，由于數據通常具有不同的規格和分布，預處理是必不可少的一步。本研究首先對數據進行歸一化處理，并利用互信息法篩選特征，設定互信息閾值為0.2，剔除了6個低于閾值的特征，分別是莢果數量（5）生長習性（10）、莢果炸莢性（13）種皮顏色數量（16）、子葉顏色（18）和Δ Contrast（34），與前面對特征重要性值的評估結果基本一致。雖然增加特征數量理論上會提高識別率，但過多特征也會增加計算復雜度并引人冗余信息，影響識別效率。

為評估特征數量對分類模型的影響，本研究使用RFC和SVC算法，結合RFE目標函數，通過五折交叉驗證迭代優化模型。結果顯示，隨著特征數量增加，分類模型的分類精度逐步提高，直至達到穩定水平（圖6）。在以DUS特征為輸入變量時，RFC和SVC模型的分類精度逐漸上升，并穩定在0.8左右（圖6A）。當以UAV特征作為輸入變量時，SVC模型整體性能略優于RFC模型，兩個模型最終分類精度穩定在0.7左右（圖6B）。以豆莢圖像特征作為輸入變量時，RFC模型在特征數量較少時性能略優于SVC模型，但隨著特征數量的增加，兩個模型的分類精度逐漸趨于一致，維持在0.7以上（圖6C）。

將3類特征進行成對組合時，相較于單一特征類型變量，模型分類精度顯著提升。隨著特征數量增加，由組合特征構建的分類模型分類精度先迅速上升，然后趨于穩定，且SVC模型在特征數量增加的后期效果略優于RFC模型。涉及DUS特征的模型實例化分類精度在特征數量增加的后期仍能維持在0.9以上的水平（圖6D、圖6E），而使用UAV特征和豆莢圖像特征組合的模型表現相對較差，分類精度均在0.9以下（圖6F）。將3類特征全部作為輸入變量，模型的識別效果也表現出先大幅上升而后趨于穩定的變化趨勢，當特征數量少于20個時，RFC模型表現優于SVC模型，超過20個特征后，RFC模型的分類精度穩定在0.9以上，而SVC模型仍有少量提升空間，直至趨近于1.0（圖7）。

2.4K-means系譜分析

與分類模型不同，大豆品種的聚類評價更具挑戰性，因為無標簽數據的聚類效果完全依賴于簇內的密集程度（簇內差異小）和簇間的分散程度（簇外差異大）。輪廓系數是評估聚類效果的常用指標，一個簇內大部分樣本的輪廓系數越高且大部分樣本的系數值高于平均值，表示其聚類效果越好。從圖8可見，當聚類數在2到7之間時，輪廓系數的平均值在0.2左右移動。聚類數為5時，有的樣本系數低于平均值；當聚類數為2時，輪廓系數平均值達到最高；聚類數為4時，輪廓系數平均值也保持在0.2以上，大部分樣本的輪廓系數值高于平均值。聚類系譜分析結果（圖9）可見，來自同一地區的品種大多聚為一類，總體上大豆品種（系）可分為兩類，分別包含13個和14個品種（系）。當聚類數為3時，編號為1、5、12和23的品種（系）被單獨分為一類，這些品種（系）均來自徐淮地區。

3 討論與結論

DUS測試是植物品種審查管理的重要技術手段，通過與已知品種對比，賦予新品種唯一標識。作物的表型性狀反映了遺傳和環境的共同作用，且具有穩定遺傳的特點，表型信息在作物育種和種質資源分類中經濟且高效，至今仍是種質資源研究的基礎[28]。當前大豆種質表型研究多集中于結構和養分指標，而本研究通過分析DUS測試性狀、UAV平臺采集的冠層表型性狀以及豆莢圖像中的性狀，探討了多源表型性狀在品種鑒定中的應用。在面對多源、多維度數據時，SVC分類模型在優化分類邊界時能夠更好地應對數據的非線性特征。RFC分類模型在樣本量較小時，決策樹的集成效應相對減弱，導致最終總體分類精度略低。RFE通過迭代訓練模型，能夠更好地捕捉特征間的復雜關系，研究結果與Bi等[17]的研究結果一致。與以往多集中于單一數

A、B.C分別是DUS 特征、UAV特征和豆莢圖像特征作為輸人變量的結果。D、E、F分別是DUS特征與UAV特征、DUS 特征與豆莢圖像特征、UAV特征與豆莢圖像特征作為輸人變量的結果。RFC模型：隨機森林分類模型;SVC模型：支持向量分類模型。

RFC模型：隨機森林分類模型；SVC模型：支持向量分類模型。

據源或局部數據融合研究相比，本研究創新性地結合多源表型數據，為作物品種鑒定提供了新的技術路徑。

引入UAV遙感圖像特征和豆莢圖像特征提取方法，不僅可以替代人工更準確地獲取植物表型信息，還可以提供新的DUS候選性狀。DUS測試作為品種審查管理的重要技術手段，盡管部分性狀在分類中效果不佳，但整體上對大豆品種的鑒定具有較高準確率。將兩類特征組合作為輸人變量實例化分類模型時發現，隨著特征數量的增加，有DUS特征參與的分類模型最終分類精度可達0.9以上，表明DUS 性狀在大豆品種鑒定中至關重要。

本研究結果表明，UAV獲取的光譜性狀能夠有效反映品種間的差異，而紋理性狀對品種鑒定效果不佳。大豆進入成熟期后群體結構基本趨于穩定，成熟始期和后期冠層更多體現的是衰老的過程，結構性變化幾乎不顯著，這可能導致UAV平臺獲取的冠層紋理性狀對品種鑒定效果不佳。△NDRE和△PSR/等冠層光譜信息在一定程度上反映了不同品種（系）的光合活性[29-30]，結合光譜信息差異可以實現光合轉化能力的判定，從而探究品種（系）間的差異。

基于豆莢圖像的長寬比性狀在品種（系）鑒定中表現尤為突出，可以考慮作為DUS測試的優秀候選性狀。基于HSV通道提取的顏色性狀對分類模型精度的貢獻略大于基于RGB通道提取的顏色性狀，這也為后續基于圖像信息進行大豆品種識別的探索提供了新思路。大豆品種的表型性狀反映了遺傳與環境的交互作用，表型性狀的聚類分析不僅可以厘清品種間的親緣關系，也為育種提供了更科學的依據[31]。綜上所述，結合多源表型數據，尤其是光譜與形態性狀，能夠顯著提升大豆品種鑒定的準確性。

目前糧食安全問題的解決需要充分應用生物技術和信息技術推動育種產業的發展，DUS測試作為品種審查管理的核心技術，已在中國實施20多年[32]。隨著測試作物種類和數量的增加，傳統的人工測試方法已難以滿足需求。引入遙感、計算機視覺等智能化手段，能有效創新作物田間表型數據采集方式，提升測試效率。本研究雖然為大豆DUS測試提供了新思路，但仍存在一定的局限性，由于樣本數量相對有限，可能對模型的穩健性產生一定影響，后續的工作一方面需增加品種的多樣性和樣本數量，以驗證多源數據的適用性；另一方面可以引入更多類型的表型數據，如高光譜影像、熱成像等數據，以進一步豐富特征維度，提升鑒定的精度。此外，未來研究還需要在降低技術成本和制訂統一的數據標準化流程方面進行更多探索，以推動在大規模作物品種鑒定中的廣泛應用。

參考文獻：

[1] TESTER M，LANGRIDGEP.Breeding technologies to increase cropproduction in a changing world[J].Science，2010，327 （5967） ：818-822.

[2] BRESEGHELLO F，COELHO A S G.Traditional and modern plantbreeding methodswith examplesin rice（Oryza sativa L.） [J].Journal of Agricultural and Food Chemistry，2O13，61（35）： 8277-8286.

[3] 萬志前，劉政，俞秦峰.我國大豆新品種保護的現狀分析與 思考[J].江蘇農業科學，2024，52（11）：35-44.

[4] YADAVVK，SINGHIS.Comparative evaluation ofmaizeinbred lines（Zea maysL.）according to dus testing using morphological， physiological and molecular markers[J].Agricultural Sciences， 2010，1（3）：131-142.

[5] GUPTAA，MAHAJANV，KHATIP，etal.DistinctnessinIndian soybean（Glycine max）varietiesusingDUScharacters[J].Indian Journal of Agricultural Sciences，2012，80：1081-1084.

[6] 王紅娟，蔣曉英，官玲，等.基于DUS測試性狀的西南地區 春大豆品種遺傳多樣性分析[J].大豆科學，2022，41（3）：9.

[7] DENGLM，HAN Z Z. Image features and DUS testing traits for peanut pod variety identificationand pedigree analysis[J].Journal oftheScience of Food and Agriculture，2019，99（5） ：2572-2578.

[8] 汪勇.基于圖像識別技術對玉米種子品種識別探究[J].分 子植物育種，2022，20（2）：672-676.

[9] LOOTENS P，VAN WJ，CARLIER L. Evaluation of the tepal colour of BegoniaXtuberhybrida Voss.for DUS testingusingimage analysis[J].Euphytica，2007，155：135-142.

[10]LOOTENS P，CHAVES B，BAERTJ，et al. Comparison of image analysis and direct measurement of UPOV taxonomic characteristics for variety discrimination as determined over five growingseasons，using industrial chicoryas a model crop[J].Euphytica， 2013，189（3） ：329-341.

[11]REHMANTU，MAHMUDMS，CHANGYK，etal.Currentand future applications of statistical machine learning algorithms for agricultural machine vision systems[J]. Computers and Electronics inAgriculture，2019，156：585-605.

[12]LIR，WANGDL，ZHUB，etal.Estimation ofnitrogen content inwheatusingindicesderived fromRGBand thermal infrared imaging[J]. Field CropsResearch，2022，289：108735.

[13］陳裕鋒，馮佩雯，凌金生，等.基于無人機多光譜圖像的水稻品 種鑒定[J].南京農業大學學報，2023，46（5）：995-1003.

[14]GUO W，CARROLL ME，SINGH A，et al. UAS-based plant phenotyping for research and breeding applications[J].Plant Phenomics，2021，2021（2）：1-21.

[15］王金生，蒲國鋒，馬力，等.大豆抗炸莢性高效評價方法研究 [J].大豆科學，2022，41（5）：564-568.

[16]BARBOSA MRJR，TEDESCOD，DOSSANTOSCARREIRA V，et al.The time of day is key to discriminate cultivars of sugarcaneupon imagery data from unmanned aerial vehicle[J]. Drones，2022，6（5） ：112.

[17]BICG，ZHANGS，CHENH，etal.Non-destructive classification ofmaize seeds based on RGB and hyperspectral data with improved greywolfoptimizationalgorithms[J].Agronomy，2024，14 （4） ：645.

［18］宋少忠，劉園園，周紫陽，等.基于高光譜圖像技術的高梁品種 識別研究[J].光譜學與光譜分析，2024，44（5）：1392-1397.

[19］國家市場監督管理總局，中國國家標準化管理委員會.植物品 種特異性、一致性和穩定性測試指南大豆：GB/T19557.4- 2018[S].：中國標準出版社，2018.

[20]MAIMAITIJIANG M，SAGANV，SIDIKEP，et al. Soybean yield prediction from UAV using multimodal data fusionand deeplearning[J].Remote Sensing of Environment，2020，237：111599.

[21］王晶晶，蘭仕浩，邱琳，等.基于哨兵二號的大豆、玉米遙感 識別：以江蘇徐淮地區為例[J].江蘇農業學報，2023，39（8）： 1698-1706.

[22]李健，江洪，羅文彬，等.融合無人機多光譜和紋理特征的 馬鈴薯LAI估算[J].華南農業大學學報，2023，44（1）：93- 101.

[23]FONSECADEOLIVEIRAGR，MASTRANGELOCB，HIRAIW Y，et al.An approach using emerging optical technologies and artificial intelligence bringsnew markers to evaluate peanut seed quality[J].Frontiers in Plant Science，2022，13：849986.

[24]GUYON I，ELISSEEFFA.An introduction to variable and feature selection[J].Journal of MachineLearning Research，2O03，3： 1157-1182.

[25]JEON H，OH S.Hybrid-recursive feature elimination for efficient feature selection[J].Applied Sciences，2020，10（9）：3211.

[26]HAMJ，CHENYC，CRAWFORDMM，，etal.Investigationof therandom forest framework forclassification of hyperspectral data [J]．IEEE Transactions on Geoscience and Remote Sensing， 2005，43（3）：492-501.

[27]LOWF，MICHELU，DECHS，etal.Impactof feature selection on the accuracy and spatial uncertainty of per-field crop classification using Support Vector Machines[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2013，85：102-119.

[28］徐云碧，王冰冰，張健，等.應用分子標記技術改進作物品種 保護和監管[J].作物學報，2022，48（8）：1853-1870.

[29]ZHOU XX，LI YY， SUN YW，et al.Research on dynamic monitoring ofgrain fillingprocessofwinterwheat from time-series planet imageries[J].Agronomy，2022，12（10）：2451.

[30］張通，金秀，饒元，等.基于無人機多光譜的大豆旗葉光 合作用量子產量反演方法[J].農業工程學報，2022，38（13）： 150-157.

[31］狄佳春，孟珊，覃翠華，等.江蘇大豆地方種質資源表型多樣 性分析[J].植物遺傳資源學報，2023，24（2）：419-436.

[32]鐘海豐，黃敏玲，鐘淮欽，等.中國農業植物新品種保護與DUS 測試技術發展現狀[J].熱帶作物學報，2017，38（6）：8.

（責任編輯：黃克玲）