In this study we combined selected vegetation indices (VIs) and plant height information to estimate biomass in a summer barley experiment. The VIs were calculated from ground-based hyperspectral data and unmanned aerial vehicle (UAV)-based red green blue (RGB) imaging. In addition, the plant height information was obtained from UAV-based multi-temporal crop surface models (CSMs). The test site is a summer barley experiment comprising 18 cultivars and two nitrogen treatments located in Western Germany. We calculated five VIs from hyperspectral data. The normalised ratio index (NRI)-based index GnyLi (Gnyp et al., 2014) showed the highest correlation (R2 = 0.83) with dry biomass. In addition, we calculated three visible band VIs: the green red vegetation index (GRVI), the modified GRVI (MGRVI) and the red green blue VI (RGBVI), where the MGRVI and the RGBVI are newly developed VI. We found that the visible band VIs have potential for biomass prediction prior to heading stage. A robust estimate for biomass was obtained from the plant height models (R2 = 0.80–0.82). In a cross validation test, we compared plant height, selected VIs and their combination with plant height information. Combining VIs and plant height information by using multiple linear regression or multiple non-linear regression models performed better than the VIs alone. The visible band GRVI and the newly developed RGBVI are promising but need further investigation. However, the relationship between plant height and biomass produced the most robust results. In summary, the results indicate that plant height is competitive with VIs for biomass estimation in summer barley. Moreover, visible band VIs might be a useful addition to biomass estimation. The main limitation is that the visible band VIs work for early growing stages only.

Abstract Structural variants (SVs) can be important drivers of human adaptation with strong effects, but previous studies have focused primarily on common variants with weak effects. Here, we used large-scale single-molecule long-read sequencing of 320 Tibetan and Han samples, to show that SVs are key drivers of selection under high-altitude adaptation. We expand the landscape of global SVs, apply robust models of selection and population differentiation combining SVs, SNPs and InDels, and use epigenomic analyses to predict driver enhancers, target genes, upstream regulators, and biological functions, which we validate using enhancer reporter and DNA pull-down assays. We reveal diverse Tibetan-specific SVs affecting the cis- and trans-regulatory circuitry of diverse biological functions, including hypoxia response, energy metabolism, lung function, etc. Our study greatly expands the global SV landscape, reveals the central role of gene-regulatory circuitry rewiring in human adaptation, and illustrates the diverse functional roles that SVs can play in human biology.

Accurate, high-throughput phenotyping for quantitative traits is the limiting factor for progress in plant breeding. We developed automated image analysis to measure quantitative resistance to septoria tritici blotch (STB), a globally important wheat disease, enabling identification of small chromosome intervals containing plausible candidate genes for STB resistance. 335 winter wheat cultivars were included in a replicated field experiment that experienced natural epidemic development by a highly diverse but fungicide-resistant pathogen population. More than 5.4 million automatically generated phenotypes were associated with 13,648 SNP markers to perform a GWAS. We identified 26 chromosome intervals explaining 1.9-10.6% of the variance associated with four resistance traits. Seventeen of the intervals were less than 5 Mbp in size and encoded only 173 genes, including many genes associated with disease resistance. Five intervals contained four or fewer genes, providing high priority targets for functional validation. Ten chromosome intervals were not previously associated with STB resistance. Our experiment illustrates how high-throughput automated phenotyping can accelerate breeding for quantitative disease resistance. The SNP markers associated with these chromosome intervals can be used to recombine different forms of quantitative STB resistance that are likely to be more durable than pyramids of major resistance genes.

Abstract Although unmanned aerial vehicle (UAV) remote sensing is widely used for high-throughput crop monitoring, few attempts have been made to assess nitrogen content (NC) at the organ level and its impact on nitrogen use efficiency (NUE). Also, little is known about the performance of UAV-based image texture features in crop nitrogen and NUE monitoring. In this study, eight flying missions were carried out throughout different stages of winter wheat (from the jointing stage to the stage 25 days after flowering) to acquire multispectral images. Forty-three multispectral vegetation indices (VIs) and forty texture features (TFs) were calculated from images and fed into the partial least squares regression (PLSR) and random forest (RF) regression models for predicting nitrogen-related indicators. Our main purposes were to (1) evaluate the potential of UAV-based images to predict NC in different organs of winter wheat and nitrogen agronomic efficiency (NAE); (2) compare the performances of VIs, TFs and the combination of them for nitrogen monitoring. The results showed that the correlation between different features (VIs and TFs) and NC in different organs varied between the vegetative and reproductive phases. Most of VIs were found to be positively correlated with NC, while most of the TFs were negatively correlated with NC. PLSR latent variables extracted from VIs and TFs explained 80% of the variations in NAE. However, no significant differences were found between VIs and TFs in their performance in predicting NC in different organs. This study demonstrated the promise of applying UAV-based imaging to estimate NC and NAE in different organs of winter wheat.

Abstract Most deep learning-based weed detection methods either yield high accuracy, but are slow for real-time applications or too computationally intensive for implementation on smaller devices usable on resource-constrained platforms like UAVs; on the other hand, most of the faster methods lack good accuracy. In this work, two versions of the deep learning-based YOLOv5 object detection model – YOLOv5n and YOLOv5s - were evaluated for cassava detection as a step towards real-time weed detection. The performance of the models were compared when trained with different image resolutions. The robustness of the models were also evaluated under varying field conditions like illumination, weed density, and crop growth stages. YOLOv5s showed the best accuracy whereas YOLOv5n had the best inference speed. For similar image resolutions, YOLOv5s performed better, however, training YOLOv5n with higher image resolutions could yield better performance than training YOLOv5s with lower image resolutions. Both models were robust to variations in field conditions. The speed vs accuracy plot highlighted a range of possible speed/accuracy trade-offs to guide real-time deployment of the object detection models for cassava detection.

Abstract High throughput field phenotyping techniques employing multispectral cameras allow to extract a variety of variables and features to predict yield and yield related traits, but little is known about which types of multispectral features may allow to forecast yield potential in the early growth phase. In this study, we hypothesized that the best features for predicting yield in an early stage might be different from the best predictors for the late growth stages. Based on a variety testing trial of 19 European wheat varieties in 2021, multispectral images were taken on 19 dates ranging from tillering to harvest by an unmanned aerial vehicle measuring reflectance in five bands, including visible bands, Red-edge and the near-infrared (NIR). Orthomosaic images were created, and then the single band reflectances, vegetation indices (VI) and texture features (TF) based on a gray level correlation matrix (GLCM) were extracted. We evaluated the performance of these three types of features for yield prediction and classification at different growth stages by, i) using features on each of the measurement dates, ii) smoothing features across the 19 dates, and iii) combining features across the directly adjacent dates, in combination with the random forest models. Our results showed that, for most features, measurements at the flowering stage showed the best performance and the Red reflectance was able to predict yield with a RMSE of 47.4 g m -2 (R 2 = 0.63), the best VI was NDRE predicting yield with a RMSE of 47.9 g m -2 (R 2 = 0.63), the best TF was contrast predicting yield with a RMSE of 57.2 g m -2 (R 2 = 0.46) at the booting stage. Combining dates improved yield prediction in all dates and made the prediction errors more stable across dates. Rather than the Red-edge band, visible bands especially the Red band enabled to distinguish between the high- and low-yielding varieties already in the tillering stage, with a total accuracy of 76.7%. The study confirms our hypothesis and further implies that, in the early stages, the visible bands may be more effective than Red-edge bands in assessing the yield potential in a range of testing varieties.

Abstract Arbuscular mycorrhizal (AM) fungi form mutualistic relationships with the majority of land plants and are an important part of the soil microbial community in natural and agricultural ecosystems. These fungi promote water and nutrient acquisition by their host plant and regulate the allocation of photosynthetic carbon to soil. Both crop variety and environment affect naturally occurring mycorrhizal abundance in roots, but the relative importance of those factors for mycorrhization is largely unknown. In a field study covering a large pedoclimatic gradient across four European sites, we (i) compared the abundance of AM fungi in the roots of 10 modern winter wheat ( Triticum aestivum L.) varieties, (ii) evaluated the relative importance of variety and site for the variability in root colonization by AM fungi and (iii) tested the relationship between mycorrhizal abundance and grain yield. Root colonization by arbuscules and hyphae ranged from 10% to 59% and 20% to 91%, respectively, across all samples and varied by 8% and 18%, respectively, among varieties when averaged across sites. Variance decomposition analysis revealed a 10 times higher importance of site than variety for AM fungal root colonization. Specifically, we found the highest mycorrhizal abundance on the site with the most arid conditions and the lowest on the sites with low soil pH and high nutrient availability. Despite the low variability in mycorrhizal abundance among varieties, there were significant differences in both arbuscular and hyphal root colonization. However, this did not translate into an increase in yield as no significant relationships between mycorrhizal abundance at flowering and grain yield were detected. The consistent differences between wheat varieties in root colonization by AM fungi across European field sites underline that genetic drivers of mycorrhization are to some extent independent of the site. This highlights the relevance of breeding practices to shape a wheat variety's capacity for mycorrhizal symbiosis across a range of environmental conditions.

Abstract Weeds significantly impact agricultural production, and traditional weed control methods often harm soil health and the environment. This study aims to develop deep learning-based segmentation models in identifying weeds in potato fields captured by Unmanned Aerial Vehicle (UAV ) orthophotos and to explore the effects of weeds on potato yield. UAVs were used to collect RGB data from potato fields, flying at an altitude of 10m, with Real-ESRGAN Super-Resolution (SR) enhancing image resolution. We applied the Segment Anything Model (SAM) to do semi-automatic annotation, followed by training the YOLOv8 and MASK-RCNN models for segmentation. Also we used ANOVA and linear regression to analyze the effects of weeds and nitrogen fertilizer on yield. Results showed that the detection accuracy mAP50 scores for YOLOv8 and Mask R-CNN were 0.902 and 0.920, respectively, with the Real-ESRGAN-enhanced model achieving 0.909. When multiple weed types were present, accuracy decreased to 0.86. The linear regression model, incorporating plant and weed coverage areas, explained 41.2% of yield variation (R 2 = 0.412, p-value = 0.01). Both YOLOv8 and Mask R-CNN achieved high accuracy, with YOLOv8 converging faster. Real-ESRGAN reconstruction slightly improved accuracy. Different nitrogen fertilizer treatments had no significant effect on yield, while weed control treatments significantly impacted yield, showing the importance of precise weed mapping.. This study provides insights into weed segmentation and contributes to environmentally friendly precision weed control. Graphic Abstract

Quantitative resistance is likely to be more durable than major gene resistance for controlling Septoria tritici blotch (STB) on wheat. Earlier studies hypothesized that resistance affecting the degree of host damage, as measured by the percentage of leaf area covered by STB lesions, is distinct from resistance that affects pathogen reproduction, as measured by the density of pycnidia produced within lesions. We tested this hypothesis using a collection of 335 elite European winter wheat cultivars that was naturally infected by a diverse population of Zymoseptoria tritici in a replicated feld experiment. We used automated image analysis (AIA) of 21420 scanned wheat leaves to obtain quantitative measures of conditional STB intensity that were precise, objective, and reproducible. These measures allowed us to explicitly separate resistance affecting host damage from resistance affecting pathogen reproduction, enabling us to confirm that these resistance traits are largely independent. The cultivar rankings based on host damage were different from the rankings based on pathogen reproduction, indicating that the two forms of resistance should be considered separately in breeding programs aiming to increase STB resistance. We hypothesize that these different forms of resistance are under separate genetic control, enabling them to be recombined to form new cultivars that are highly resistant to STB. We found a significant correlation between rankings based on automated image analysis and rankings based on traditional visual scoring, suggesting that image analysis can complement conventional measurements of STB resistance, based largely on host damage, while enabling a much more precise measure of pathogen reproduction. We showed that measures of pathogen reproduction early in the growing season were the best predictors of host damage late in the growing season, illustrating the importance of breeding for resistance that reduces pathogen reproduction in order to minimize yield losses caused by STB. These data can already be used by breeding programs to choose wheat cultivars that are broadly resistant to naturally diverse Z. tritici populations according to the different classes of resistance.