葡萄树的光合作用能力主要由叶面积决定，降低叶糖比可以降低浆果在收获时的糖浓度，延迟葡萄的成熟日期并损害每丛浆果的数量。此外，叶面积还是估计植物蒸发需求所需的关键变量。为了迎接气候变化和全球对抗病葡萄品种需求的挑战，需要进行葡萄树叶面积的估计和葡萄基因型的评估，同时，对高通量表型分析方法的需求在不断增加。

2023年11月，Plant Phenomics 在线发表了法国 University of Strasbourg等单位题为LiDAR is effective in characterizing vine growth and detecting associated genetic loci 的研究论文。

本研究设计了一系列实验来评估LIDAR在葡萄表型特征估计中表现，使用LIDAR技术评估了209中葡萄基因型的生长特征，通过利用测序技术基因分型（GBS）获得高密度遗传信息，成功检测了与后代性状变异相关的六个葡萄基因组区域，证明了这些区域与后代中的性状变异相关。

图1 研究的实验和技术设计概述

本研究的 RGB 图像是手动获得的，研究人员通过在拖拉机上安装两个SICK LMS4000 LiDAR 传感器，去获取葡萄植株的点云数据（如图2所示）。这两个LIDAR传感器之间的垂直距离是0.70m，可完整捕获整个树冠。LIDAR采集的点云基于GPS坐标，GPS天线与两个LIDAR传感器之间的已知距离以及LIDAR测量的传感器-目标距离生成，并包含在HDF5文件的每个基本小区。

图2搭载 LiDAR 传感器的系统概述

图3描述了LiDAR获取的冠层体积与ELA（暴露叶面积）以及2020/2021生长季修剪重量之间的关系。转色期的表观冠层体积与通过数码照片测量的ELA密切相关（R2=0.79），在2021/2022生长季，相关性同样高（R2=0.69，见图4），但协方差分析揭示，两个生长季的表观冠层体积与ELA之间的数学关系并不相同。LiDAR数据在年份之间的相关性优于数字图像（分别为0.52和0.42；见图4），这表明图像分析方法的可重复性较差，可能是由于不受控制的照明条件。

图3使用 LiDAR 数据计算的表观体积与 (a) 暴露叶面积、(b) 2020/2021 生长季修剪鲜重之间的关系

图4显示相关变量之间的决定系数 R2 的图表

在2021年（2020生长季），通过LiDAR数据估算的葡萄藤的木质部分体积和实际修剪葡萄藤蔓重量受到共同的染色体1、5和18上的数量性状位点（QTL）的调控（图5）。对于葡萄藤的木质部分体积，还在染色体3和19上检测到额外的QTL，而在染色体8上检测到修剪重量的额外QTL（图5）。这些QTL总体上解释了葡萄藤的木质体积的48%和修剪重量的37%，在两种情况下都非常令人满意。

在2022年（2021生长季），对于葡萄藤的木质体积和修剪重量，QTL的总解释百分比低于2021年，约为29%。修剪重量的两个QTL，分别位于染色体1和18上，已在2021年被检测到，但对于葡萄藤的木质体积，仅染色体1上的QTL在2021年被检测到。无论使用何种方法，只有染色体1上的QTL是稳定的，它在两个生长季中，无论是冬季还是夏季都被检测到。

图5 在共有图谱上检测到的主要QTL的位置。仅呈现至少检测到两年的 QTL。

垂直线：贝叶斯可信区间，覆盖概率为 0.95。水平线：LOD 峰的位置。ELA = 暴露叶面积，PW = 修剪重量，SPAD = 使用Konica-Minolta SPAD 测量的叶绿素含量，ACV = 葡萄藤的冠层体积，AWV = 葡萄藤的木质体积

这些结果强调了LIDAR衍生性状表征葡萄生长遗传差异的可靠性，可以取代传统的低通量方法。该研究也为葡萄园中葡萄的高通量表型分析开辟了新的视角，不仅可以描述遗传变异，还可以描述环境条件、培训系统或管理技术的影响。研究的数据可通过https://doi.org/10.57745/PETTGY获得。

用于估计树叶覆盖率的ImageJ 的脚本获得：

https://forgemia.inra.fr/eric.duchene/image-analysis-scripts/-/blob/main/FoliageCoverage_PC_EN.txt

论文链接：

‍https://spj.science.org/doi/10.34133/plantphenomics.0116

——推荐阅读——

Instance Segmentation and Berry Counting of Table Grape before Thinning Based on AS-SwinT

https://spj.science.org/doi/10.34133/plantphenomics.0‍085

Plant Phenomics | 基于AS-SwinT疏果前单串葡萄果粒的实例分割与计数

Prediction of the Maturity of Greenhouse Grapes Based on Imaging Technology

https://doi.org/10.34133/2022/9753427

Plant Phenomics | 基于表型图像信息与反向神经网络预测温室葡萄成熟度