自动化表型技术不休推动育种过程。然而，在整个成长季节网络各类次生性状并处置大量数据依然必要支出大量的致力和功夫。选择拥有最大预测能力的最幼数量的次级性状有可能削减表型致力。本钻研的主张是选择从无人机图像中提取的重要特点和对诠释冬幼麦产量贡献最大的关键成长阶段。

无人机系统在2018年春季成持久采集了5个多光谱图像日期和7个RGB图像日期。从植被指数和株高图中，每个地块提取两类特点(变量)，共计172个变量，蕴含像素统计和动态成长率。选取参数化算法LASSO回归(最幼角度和收缩选择算子)和非参数化算法random forest进行变量选择。利用LASSO估计的回归系数和随机丛林提供的排序沉要性评分，确定各算法影响粮食产量的10个最沉要的变量。

两种选择算法都对灌浆期前后与株高有关的变量赐与了最高的沉要性评分。算法还拔取了成长前期、中期和衰老期的部门植被指数有关变量。与使用所有172个来自丈量表型的变量进行产量预测相比，使用所选择的变量进行产量预测的了局更靠近或更好。我们还把稳到，在本钻研中，分歧遗传布景的NE系(r = 0.58-0.81)的预测精度高于其他系(r = 0.21-0.59)。

现场地位和布局。场职位于美国内布拉斯加州东部(左)。青色线暗示飞行路线，黄色矩形暗示钻研的170个区域(右)。这幅地图是使用2018年4月27日网络的图像天生的

通过基于uas的表型分析获得的超高分辨率的地块图像，我们此刻可能获得更多的特点，例如在一个地块内的株高或植被指数的变动，而不仅仅是均匀值，这可能对育种极度有效。然而，用这种步骤能够导出太多的个性或变量。