Perennial grains hold promise, especially for marginal landscapes or with limited resources where annual versions struggle.

Advances in automation and data science have led agriculturists to seek real-time, high-quality, high-volume crop data to accelerate crop improvement through breeding and to optimize agronomic practices. Breeders have recently gained massive data-collection capability in genome sequencing of plants. Faster phenotypic trait data collection and analysis relative to genetic data leads to faster and better selections in crop improvement. Furthermore, faster and higher-resolution crop data collection leads to greater capability for scientists and growers to improve precision-agriculture practices on increasingly larger farms; e.g., site-specific application of water and nutrients. Unmanned aerial vehicles (UAVs) have recently gained traction as agricultural data collection systems. Using UAVs for agricultural remote sensing is an innovative technology that differs from traditional remote sensing in more ways than strictly higher-resolution images; it provides many new and unique possibilities, as well as new and unique challenges. Herein we report on processes and lessons learned from year 1—the summer 2015 and winter 2016 growing seasons–of a large multidisciplinary project evaluating UAV images across a range of breeding and agronomic research trials on a large research farm. Included are team and project planning, UAV and sensor selection and integration, and data collection and analysis workflow. The study involved many crops and both breeding plots and agronomic fields. The project's goal was to develop methods for UAVs to collect high-quality, high-volume crop data with fast turnaround time to field scientists. The project included five teams: Administration, Flight Operations, Sensors, Data Management, and Field Research. Four case studies involving multiple crops in breeding and agronomic applications add practical descriptive detail. Lessons learned include critical information on sensors, air vehicles, and configuration parameters for both. As the first and most comprehensive project of its kind to date, these lessons are particularly salient to researchers embarking on agricultural research with UAVs.

Abstract To improve the efficiency of high-density genotype data storage and imputation in bread wheat ( Triticum aestivum L.), we applied the Practical Haplotype Graph (PHG) tool. The wheat PHG database was built using whole-exome capture sequencing data from a diverse set of 65 wheat accessions. Population haplotypes were inferred for the reference genome intervals defined by the boundaries of the high-quality gene models. Missing genotypes in the inference panels, composed of wheat cultivars or recombinant inbred lines genotyped by exome capture, genotyping-by-sequencing (GBS), or whole-genome skim-seq sequencing approaches, were imputed using the wheat PHG database. Though imputation accuracy varied depending on the method of sequencing and coverage depth, we found 93% imputation accuracy with 0.01x sequence coverage, which was only slightly lower than the accuracy obtained using the 0.5x sequence coverage (96.9%). Compared to Beagle, on average, PHG imputation was ~4% ( p-value = 0.00027) more accurate, and showed 27% higher accuracy at imputing a rare haplotype introgressed from a wild relative into wheat. The reduced accuracy of imputation with GBS data (90.4%) is likely associated with the small overlap between GBS markers and the exome capture dataset, which was used for constructing PHG. The highest imputation accuracy was obtained with exome capture for the wheat D genome, which also showed the highest levels of linkage disequlibrium and proportion of identity-by-descent regions among accessions in our reference panel. We demonstrate that genetic mapping based on genotypes imputed using PHG identifies SNPs with a broader range of effect sizes that together explain a higher proportion of genetic variance for heading date and meiotic crossover rate compared to previous studies.

Abstract Two drought-tolerant wheat cultivars, ‘TAM 111’ and ‘TAM 112’, have been widely grown in the Southern Great Plains of the U.S. and used as parents in many wheat breeding programs worldwide. This study aimed to reveal genetic control of yield and yield components in the two cultivars under both dryland and irrigated conditions. A mapping population containing 124 F 5:7 recombinant inbred lines (RILs) was developed from the cross of TAM 112/TAM 111. A set of 5,948 SNPs from the wheat 90K iSelect array and double digest restriction-site associated DNA sequencing was used to construct high-density genetic maps. Data for yield and yield components were obtained from 11 environments. QTL analyses were performed based on 11 individual environments, across all environments, within and across mega-environments. Thirty-six unique consistent QTL regions were distributed on 13 chromosomes including 1A, 1B, 1D, 2A, 2D, 3D, 4B, 4D, 6A, 6B, 6D, 7B, and 7D. Ten unique QTL with pleiotropic effects were identified on four chromosomes and eight were in common with the consistent QTL. These QTL increased dry biomass grain yield by 16.3 g m −2 , plot yield by 28.1 g m −2 , kernels spike −1 by 0.7, spikes m −2 by 14.8, thousand kernel weight by 0.9 g with favorable alleles from either parent. TAM 112 alleles mainly increased spikes m −2 and thousand kernel weight while TMA 111 alleles increased kernels spike −1 , harvest index and grain yield. The saturated genetic map and markers linked to significant QTL from this study will be very useful in developing high throughput genotyping markers for tracking the desirable haplotypes of these important yield-related traits in popular parental cultivars.

Abstract Enhancing predictive modeling accuracy in wheat ( Triticum aestivum ) breeding through the integration of high‐throughput phenotyping (HTP) data with genomic information is crucial for maximizing genetic gain. In this study, spanning four locations in the southeastern United States over 3 years, models to predict grain yield (GY) were investigated through different cross‐validation approaches. The results demonstrate the superiority of multivariate comprehensive models that incorporate both genomic and HTP data, particularly in accurately predicting GY across diverse locations and years. These HTP‐incorporating models achieve prediction accuracies ranging from 0.59 to 0.68, compared to 0.40–0.54 for genomic‐only models when tested under different prediction scenarios both across years and locations. The comprehensive models exhibit superior generalization to new environments and achieve the highest accuracy when trained on diverse datasets. Predictive accuracy improves as models incorporate data from multiple years, highlighting the importance of considering temporal dynamics in modeling approaches. The study reveals that multivariate prediction outperformed genomic prediction methods in predicting lines across years and locations. The percentage of top 25% lines selected based on multivariate prediction was higher compared to genomic‐only models, indicated by higher specificity, which is the proportion of correctly identified top‐yielding lines that matched the observed top 25% performance across different sites and years. Additionally, the study addresses the prediction of untested locations based on other locations within the same year and in new years at previously tested locations. Findings show the comprehensive models effectively extrapolate to new environments, highlighting their potential for guiding breeding strategies.

Abstract The presence or absence of awns – whether wheat heads are ”bearded” or ”smooth”– is the most visible phenotype distinguishing wheat cultivars. Previous studies suggest that awns may improve yields in heat or water-stressed environments, but the exact contribution of awns to yield differences remains unclear. Here we leverage historical phenotypic, genotypic, and climate data to estimate the yield effects of awns under different environmental conditions over a 12-year period in the Southeast US. Lines were classified as awned or awnless based on sequence data, and observed heading dates were used to associate grain fill periods of each line in each environment with climatic data and grain yield. In most environments, awn suppression was associated with higher yields, but awns were associated with better performance in heat-stressed environments more common at southern locations. Wheat breeders in environments where awns are only beneficial in some years may consider selection for awned lines to reduce year-to-year yield variability, and with an eye towards future climates.

Abstract Soft red winter wheat ( Triticum aestivum L.; SRWW) is a major crop in the US southeast (SE) region. However, growing successful wheat crop is challenged by many stresses resulting in substantial losses in yield and quality. To alleviate these challenges, developing new cultivars with high yield potential with resistance to major pests in the region and good quality is warranted. This constitutes the major goal of the SRWW breeding programs ate the University of Georgia (UGA) and the regional institutions including the southern universities GRAINS (SUNGRAINS) programs. ‘GA09436‐16LE12’ (Reg. no. CV‐1209, PI 700011) SRWW cultivar was among the adapted wheat developed and released by the UGA College of Agricultural and Environmental Sciences in 2019. While GA09436‐16LE12 is generally adapted to the US SE region, it specifically well fit to the Georgia environments. It has high yield, very good resistance to most dominant diseases including leaf (caused by Puccinia triticina Erikss.) and stripe (caused by P. striiformis Westend.) rusts; powdery mildew (caused by Erisyphe graminis ); and Soil‐borne wheat mosaic virus . GA09436‐16LE12 has improved Fusarium head blight (caused by Fusarium graminearum Schwabe) which is reflected in lower levels of Deoxynivalenol toxin and Fusarium damaged kernels levels. It also showed moderate field resistance to Hessian fly [ Mayetiola destructor (Say)] although it is susceptible to the biotypes B, C, O, and L. GA09436‐16LE12 has good grain volume weight and good milling and baking quality as a SRWW.

Abstract Leaf rust, caused by Puccinia triticina ( Pt ), is a serious constraint to wheat production. Developing resistant varieties is the best approach to managing this disease. Wheat leaf rust resistance ( Lr ) genes have been classified into either all‐stage resistance (ASR) or adult‐plant resistance (APR). The objectives of this study were to identify sources of leaf rust resistance in contemporary US hard winter wheat (HWW) and to dissect the genetic basis underlying leaf rust resistance in HWW. A panel of 732 elite HWW genotypes was evaluated for response to US Pt races at the seedling stage and at the adult plant stage in leaf rust nurseries in Oklahoma, Texas, and Kansas. Further, the panel was genotyped using multiplex restriction amplicon sequencing (MRA‐Seq) and DNA markers linked to the known ASR genes Lr18 , Lr19 , Lr21 , Lr24 , Lr37 , and Lr42 and APR genes Lr34 , Lr46 , Lr67 , Lr68 , Lr77 , and Lr78 . Single nucleotide polymorphism (SNP) markers derived from MRA‐Seq, DNA markers linked to the known Lr genes, and the phenotypic data were used for genome‐wide association study (GWAS) to identify markers associated with leaf rust response. Gene postulation based on leaf rust reactions, DNA markers, and GWAS suggested the presence of Lr1 , Lr2a , Lr10 , Lr14a , Lr16 , Lr18 , Lr19 , Lr21 , Lr24 , Lr26 , Lr34 , Lr37 , Lr39 , Lr42 , Lr46 , Lr68 , Lr77 , and Lr78 in the HWW panel. The GWAS identified 59 SNPs significantly associated with leaf rust response, of which 20 were likely associated with novel resistance loci and can be used to enhance wheat leaf rust resistance.