Christopher YS Wong, Matthew E Gilbert, Marshall A Pierce, Travis A Parker, Antonia Palkovic, Paul Gepts, Troy S Magney*†, and Thomas N Buckley†

Кафедра наук о растениях, Калифорнийский университет, Дэвис, Калифорния 95616, США.

*Обратиться к корреспонденции: tmagney@ucdavis.edu †Совместные старшие авторы.

Проксимальное дистанционное зондирование является эффективным инструментом высокопроизводительного фенотипирования растений при оценке реакции на стресс. Фасоль - важная для питания человека зернобобовая культура - часто выращивается в регионах с ограниченными осадками и возможностями орошения, поэтому селекция направлена на дальнейшее повышение её устойчивости к засухе. В трёх полевых кампаниях - одной до воздействия засухи и двух после него - оценивали физиологические показатели (устьичную проводимость, а также предрассветный и полуденный водный потенциал листа) и данные наземного и башенного гиперспектрального дистанционного зондирования в диапазонах 400-2400 и 400-900 нм соответственно. Исследовали 12 генотипов фасоли обыкновенной и 4 генотипа фасоли тепари. Гиперспектральные данные в моделях регрессии методом частичных наименьших квадратов позволили прогнозировать физиологические признаки (R² = 0,20-0,55; среднеквадратичная процентная ошибка 16-31 %). Кроме того, наземные модели успешно ранжировали генотипическую реакцию на засуху сходным образом с ранжированием по непосредственно измеренным физиологическим показателям. Работа демонстрирует возможности высокопроизводительного фенотипирования реакции растений на засуху с помощью гиперспектрального дистанционного зондирования и моделей машинного обучения.

Тип: Исследовательская статья

Представлена: 11 октября 2022 г.

Принята: 12 декабря 2022 г.

Опубликована: 16 января 2023 г.

Автор для корреспонденции: tmagney@ucdavis.edu

Примечание: Troy S. Magney и Thomas N. Buckley - совместные старшие авторы.

Цитирование: Wong CY, Gilbert ME, Pierce MA, Parker TA, Palkovic A, Gepts P, Magney TS, Buckley TN. Hyperspectral Remote Sensing for Phenotyping the Physiological Drought Response of Common and Tepary Bean. Plant Phenomics. 2023;5:Article 0021. https://doi.org/10.34133/plantphenomics.0021

© 2023 Christopher YS Wong et al. Исключительная лицензия предоставлена Нанкинскому сельскохозяйственному университету. Права на оригинальные работы Правительства США не заявляются. Материал распространяется на условиях лицензии Creative CommonsAttribution License (CC BY 4.0).

Адаптация сельского хозяйства к изменению климата требует селекции сортов с более высокой урожайностью, устойчивостью к стрессам и эффективностью использования воды [1,2]. Поэтому необходимы высокопроизводительные средства фенотипирования, позволяющие быстро и экономично оценивать физиологические и биохимические характеристики в различных генотипах и условиях среды [3–6]. Такие физиологические показатели, как устьичная проводимость и водный потенциал листа (LWP), характеризуют водный статус растений и часто применяются для оценки засухоустойчивости [7,8]. Однако мониторинг водного статуса требует значительных затрат ручного труда (персонала и времени), может быть субъективным и нередко связан с разрушительным отбором проб. В связи с этим исследуются методы дистанционного зондирования, пригодные для объективного высокопроизводительного фенотипирования. Проксимальное дистанционное зондирование представляет собой эффективный инструмент высокопроизводительной оценки физиологии растений [9–11]. Перспективность определения водного статуса растений показана для тепловых [12,13], лидарных [14,15] и оптических [16] методов. Датчики могут размещаться на ручных приборах, наземных платформах, башнях, беспилотных и пилотируемых летательных аппаратах, а также спутниках; каждая платформа имеет свои ограничения по пространственному и временному разрешению [4]. Гиперспектральные данные наиболее универсальны для оценки комплекса физиологических показателей и структурных признаков растений, тогда как тепловые и лидарные данные преимущественно применимы для оценки эвапотранспирации и структуры растительного покрова [17–19].

Преимущество данных гиперспектральной отражательной способности состоит в их чувствительности к изменениям содержания пигментов и воды, а также структуры листьев и растительного покрова [20–22]. Поэтому гиперспектральные данные позволяют дистанционно регистрировать изменения физиологии и структуры растений в широком диапазоне временных масштабов. Традиционно простые дистанционно определяемые вегетационные индексы используют различия в отдельных спектральных диапазонах как косвенные показатели структуры и функций растительного покрова, включая долю поглощённой фотосинтетически активной радиации, индекс листовой поверхности и фотосинтетическую активность [23,24]. В отличие от простых вегетационных индексов, полнодиапазонные гиперспектральные данные видимого (VIS) и ближнего инфракрасного (NIR) диапазонов позволяют применять методы машинного обучения, например регрессию методом частичных наименьших квадратов (PLSR) [25,26], для прогнозирования конкретных биохимических и физиологических признаков [27–32]. В таких моделях веса отдельных спектральных областей корректируются для оптимальной калибровки по каждому признаку. Например, область VIS (400–700 нм) чувствительна к хлорофиллу и каротиноидным пигментам и часто служит косвенным показателем фотосинтетической активности [22]; область красного края (680–740 нм) чувствительна к содержанию хлорофилла [33]; NIR (740–900 нм) — к структуре растительного покрова и фенологии [34]; коротковолновая инфракрасная область (SWIR; 900–2400 нм) — к содержанию воды и биохимическому составу листьев, в частности азоту и целлюлозе [35,36]. Следовательно, при надлежащей калибровке PLSR-модели гиперспектральные данные дистанционного зондирования можно оптимизировать по отдельным спектральным областям для оценки водного статуса растений разных генотипов.

Целью исследования было использование гиперспектральных данных наземного ручного прибора и башенной системы для PLSR-моделирования двух физиологических признаков — устьичной проводимости и LWP — в разнообразной выборке фасоли (n = 16 генотипов: 12 генотипов фасоли обыкновенной [Phaseolus vulgaris L.] и 4 генотипа фасоли тепари [Phaseolus acutifolius A. Gray]). Генотипы фасоли обыкновенной представляли популяции различного происхождения, различающиеся по засухоустойчивости, включая мезоамериканскую экогеографическую расу, образцы, адаптированные к сухим высокогорьям, и образцы из засушливых высокогорий Северной Мексики [37]. Фасоль тепари, происходящая из полузасушливых и засушливых областей, в целом более устойчива к засухе, чем фасоль обыкновенная [38]. Эти генотипы фасоли обыкновенной и фасоли тепари исследовали в полевом опыте с орошаемым (контрольным) вариантом и вариантом терминальной засухи. PLSR-модели калибровали по гиперспектральным данным видимого и NIR-диапазонов 400–900 нм (башенный и наземный приборы), а также по полнодиапазонным данным VIS, NIR и SWIR 400–2400 нм (наземный прибор), чтобы оценить влияние пространственного масштабирования и спектрального диапазона на качество моделей. Наконец, прогнозы PLSR-моделей использовали для фенотипирования и выявления генотипических различий в реакции на засуху.

Схема опыта включала разнообразную многородительскую селекционную популяцию из 300 генотипов фасоли обыкновенной (P. vulgaris L.) [37] и 20 генотипов фасоли тепари (P. acutifolius A. Gray), которая в целом считается более засухоустойчивой [38]. Каждый генотип был представлен тремя случайно размещёнными повторными делянками — всего 960 делянок на вариант. Из 320 генотипов выбрали 16 (12 фасоли обыкновенной и 4 фасоли тепари) для интенсивных прямых физиологических измерений традиционными методами (устьичная проводимость и LWP); таким образом, измерения проводили на 96 делянках с учётом генотипов, повторностей и вариантов. В число генотипов фасоли обыкновенной входили восемь родительских линий многородительской популяции MAGIC и четыре линии потомства этой популяции. Восемь родителей отобрали на основании ранее полученных фенотипических данных о засухоустойчивости целого растения [37]. Они представляли широкое разнообразие мезоамериканского одомашненного генофонда, включая три основные экогеографические расы [39]. Все генотипы выращивали с июня по октябрь 2021 г. на полевой базе Plant SciencesКалифорнийского университета в Дэвисе (38,534° с. ш., 121,775° з. д.) в двух вариантах — орошаемом (контроль) и с терминальной засухой — с тремя повторными делянками на генотип. Семена высевали 4 июня. Размер каждой делянки составлял 3,05 м в длину (север–юг) и 1,52 м в ширину (восток–запад); на ней размещали два ряда с междурядьем 66 см. От соседних делянок её отделяли незасеянные полосы почвы длиной 1,22 м (север–юг) или шириной 1,52 м (восток–запад). По границе поля высевали буферный ряд для учёта краевых эффектов. На начальных этапах роста оба варианта поливали посредством наземного капельного орошения, а после формирования посевов переходили на подпочвенное капельное орошение на глубине 50 см. Терминальную засуху создавали прекращением полива соответствующего варианта 26 июля. Для подсушивания растений перед уборкой полив контрольных делянок также прекратили 1 сентября. Наземные физиологические измерения — устьичной проводимости, предрассветного и полуденного LWP, наземных гиперспектральных характеристик и влажности почвы — выполняли в ходе трёх полевых кампаний.

Кампания 1 проходила 5–9 июля и обеспечивала исходное сравнение до прекращения орошения делянок с засухой; кампания 2 — 9–13 августа, через две недели после введения терминальной засухи; кампания 3 — 23–26 августа, через четыре недели после её введения.

На каждой делянке 16 исследуемых генотипов до появления всходов устанавливали в почву доступную трубку длиной 1,5 м, изготовленную из оцинкованной стальной электромонтажной трубы с пластиковой заглушкой на нижнем конце. Влажность почвы на глубинах 20, 50, 80, 100, 120 и 140 см определяли нейтронным влагомером с детектором обратного рассеяния нейтронов (503 ELITEHydroprobe, InstroTek Inc., Роли, Северная Каролина, США). Исходное стандартное число импульсов измеряли над поверхностью почвы на высоте 1 м. Затем нейтронный зонд последовательно опускали по доступной трубке на каждую глубину и регистрировали число импульсов. Относительную влажность почвы рассчитывали как отношение числа импульсов в почве к стандартному числу; более высокое отношение соответствовало более высокому содержанию влаги. В каждой кампании все измерения выполняли в течение одного дня с 10 до 13 ч.

Устьичную проводимость листа (gₛ) измеряли на одном листе каждого из 5–8 растений на делянке в 8, 10, 12 и 14 ч; в каждый день пятидневной кампании обследовали приблизительно одну пятую всех делянок. Использовали порометр Delta-T AP4 (Delta-T Devices Ltd, Лондон, Великобритания), который калибровали перед каждым циклом измерений.

LWP измеряли у двух листьев с каждой делянки, отобранных до рассвета (не ранее чем за 30 мин до восхода солнца) и в полдень (между 13 и 14 ч), с помощью камеры давления Шоландера (PMS Instrument Company, Олбани, Орегон, США). Не позднее чем через 2 с после срезания острым секатором каждый лист помещали в пакет Ziploc, предварительно увлажнённый выдохом, удаляли из пакета избыток воздуха, герметично закрывали и сразу переносили в холодильный контейнер со льдом. Затем образцы доставляли в лабораторию и измеряли в течение 3 ч.

Беспилотные летательные аппараты (БПЛА, или дроны) использовали для систематического измерения объёма растительного покрова, нормализованного разностного вегетационного индекса (NDVI) и температуры растительного покрова на всех полевых делянках во время каждой кампании. Методику и аппаратуру модифицировали по Parker et al. [40]. Объём растительного покрова оценивали по разности между цифровыми моделями поверхности растительного покрова и почвы, а также по площади и высоте растительности [40]. Мультиспектральную камеру Micasense RedEdge-M (ныне AgEagle Aerial Systems Inc., Уичито, Канзас, США) и тепловизионную камеру Zenmuse XT-R устанавливали на DJI Matrice 100 (DJI Inc., Шэньчжэнь, Китай). Полётные задания программировали и загружали в БПЛА с помощью DJI Ground Station Pro. Для измерения объёма и NDVI съёмку выполняли с высоты 30 м, для тепловизионной съёмки — с высоты 60 м. Продольное и поперечное перекрытие снимков составляло не менее 80 %. Снимки объединяли в ортомозаику поля в Pix4Dmapper Pro v4.6.4. Данные извлекали с помощью функций Create Grid и Raster Layer ZonalStatistics в QGIS v3.10.14.

Наземным ручным прибором HR-1024i (Spectra Vista Corporation, Покипси, Нью-Йорк, США) измеряли спектры отражательной способности в диапазоне 400–2400 нм (полная ширина на половине максимума 3,3–9,5 нм) на каждой делянке выбранной подгруппы с 11 до 13 ч один раз в неделю с 12 июля по 4 октября, начиная через неделю после кампании 1 и продолжая во время и после кампаний 2 и 3. Все измерения выполняли при ясном безоблачном небе. Верхнюю часть растительного покрова измеряли с расстояния 1 м волоконно-оптическим датчиком с полем зрения 4°. На каждой делянке получали три репрезентативных измерения отражённой энергетической яркости. Каждые примерно 15 делянок (около 10 мин) измеряли облучённость, направляя входную оптику на обращённую вверх белую эталонную панель Spectralon с отражательной способностью 99,9 %. Отражательную способность рассчитывали делением энергетической яркости, отражённой растительностью, на результат предшествующего сканирования белого эталона (облучённость). Из анализа исключали диапазоны 990–1020 нм из-за характерных для прибора горячих пикселей, а также 1340–1445 и 1790–1955 нм из-за поглощения атмосферной водой.

Башенную систему дистанционного зондирования PhenoSpec использовали для непрерывного мониторинга гиперспектральной отражательной способности (400–900 нм; полная ширина на половине максимума 1,34 нм) с 16 июля по 15 октября. Подробное описание PhenoSpec приведено в Wong et al. (на рецензировании). Систему разместили на башне высотой 10 м приблизительно в центре поля. Радиус обзора ограничили 72,7 м (250 футов), чтобы обеспечить подходящие углы наблюдения, качество оптических данных и пространственный охват. Это позволило измерять 672 делянки-цели (по 336 на вариант), причём 178 генотипов были представлены в обоих вариантах; в их число входили 27 из 96 делянок, выбранных для интенсивных прямых измерений устьичной проводимости и LWP. На вершине башни PhenoSpec включала RGB-камеру AXIS Q8685-E PTZ (Axis Communications AB, Лунд, Швеция), наводимую на отдельные делянки фасоли и обеспечивавшую панорамирование на 360°, углы обзора от земли до неба от −45° до 90° и 30-кратное оптическое увеличение. Над камерой располагался закрытый соосный двухкоординатный сканирующий телескопический блок (ThorlabsInc., Нью-Джерси, США) для одновременного измерения спектральной отражательной способности с полем зрения 0,7°; диаметр пятна на цели составлял 12–86 см в зависимости от расстояния. Телескоп соединялся волоконно-оптическим кабелем с расположенным у основания башни термостатируемым корпусом, в котором находился спектрометр гиперспектральной энергетической яркости FLAME(Ocean Insights, Флорида, США). Полный цикл из 723 сканирований, включая цели и небесные эталоны, при длительности каждого не менее 5 с занимал около 3 ч. Эталонные сканирования облучённости неба выполняли через каждые 15 целей — не более чем примерно за 40 с от сканирования цели; при этом диффузор с эффективностью пропускания около 12 % увеличивал поле зрения до 180°.

Для расчёта отражательной способности энергетическую яркость цели делили на значение ближайшего по времени эталонного сканирования облучённости неба (в пределах приблизительно 40 с). Делянки с неудовлетворительными всходами вследствие повреждения растительноядными животными отбраковывали по NDVI, рассчитанному как (R₈₀₀ − R₆₈₀)/(R₈₀₀ + R₆₈₀), где R₈₀₀ и R₆₈₀ — отражательная способность при 800 и 680 нм соответственно; NDVI характеризовал степень озеленения делянок фасоли. Во время кампании 2 применяли порог NDVI 0,8, исключая из анализа плохо взошедшие делянки, в спектральной сигнатуре которых присутствовал фон почвы. Чтобы минимизировать влияние суточных изменений и геометрии «Солнце—датчик» на спектральный сигнал, анализировали только полуденные спектры, полученные с 11 до 15 ч (Wong et al., на рецензировании). Наконец, спектры отражательной способности усредняли за 4–5 дней каждой кампании, чтобы надёжно представить спектральную сигнатуру делянки.

Для прогнозирования полуденной устьичной проводимости (цикл измерений в 12 ч), а также предрассветного и полуденного LWPприменяли PLSR-моделирование гиперспектральных данных наземного ручного прибора и PhenoSpec (рисунок 1), далее называемых соответственно наземными и башенными данными. Моделирование выполняли в R [41] с пакетом «pls» [42], а модели калибровали согласно рекомендациям Burnett et al. [43]. Наземные PLSR-модели калибровали по данным всех трёх кампаний (рисунок 1A, C), тогда как башенные — только по данным кампаний 2 и 3 (рисунок 1B, D), поскольку во время кампании 1 растения находились на ранней стадии развития и в спектрах PhenoSpec присутствовал сигнал фона почвы. Данные наземного прибора случайным образом разделяли на калибровочную и проверочную выборки в отношении 70:30 % (n = 168 и 72 точки соответственно). Для башенного прибора разделение было невозможно из-за малого числа проверочных делянок в поле зрения башни (n = 29), поэтому все данные использовали одновременно для калибровки и проверки. По проверочной выборке рассчитывали коэффициент детерминации (R²) и среднеквадратичную процентную ошибку (RMSPE) относительно наземных физиологических данных. Для наземных спектров строили две PLSR-модели: по полному диапазону 400–2400 нм (GroundFullrange) и по ограниченному диапазону 400–900 нм, соответствующему башенному прибору (GroundVISNIR).

Для фенотипирования реакции разных генотипов на засуху рассчитывали среднее значение по повторным делянкам каждого варианта и кампании. Затем определяли относительную процентную разность по формуле 100 × (D − C)/[(D + C)/2], где D и C — значения для варианта с засухой и контрольного варианта соответственно у данного генотипа. Тепловые карты строили по наблюдаемым значениям (устьичная проводимость, LWP, определённые с БПЛА NDVI, температура и объём растительного покрова) и значениям, предсказанным моделью GroundVISNIR PLSR, которая в целом показала наилучшее качество. Башенные PLSR-модели не использовали из-за малого размера выборки, представлявшей исследуемую подгруппу генотипов (n = 29). Кластеризацию физиологических показателей и генотипов выполняли отдельно для каждой тепловой карты — по кампаниям и для наблюдаемых либо предсказанных PLSR значений.

Относительная влажность почвы, измеренная нейтронным зондом обратного рассеяния, в кампании 1 была сходной между вариантами и глубинами, но различалась между ними в кампаниях 2 и 3 (рисунок 2A). Устьичная проводимость также различалась между вариантами в кампаниях 2 и 3, особенно в 12 и 14 ч, и была ниже при засухе (рисунок 2B). И предрассветный, и полуденный LWPв варианте с засухой в кампаниях 2 и 3 были более отрицательными (рисунок 2C); при этом полуденный LWP сильнее варьировал между генотипами в обоих вариантах, чем предрассветный LWP (рисунок 2C).

Полученные с БПЛА данные NDVI, температуры и объёма растительного покрова демонстрировали сходные закономерности: отсутствие различий в кампании 1 и различия между вариантами в кампаниях 2 и 3 (рисунок 2D–F). Для большинства показателей изменчивость при засухе в кампаниях 2 и 3 была выше, чем в контроле.

Прогнозы PLSR по гиперспектральной отражательной способности были наиболее точными для устьичной проводимости (R² = 0,21–0,55; RMSPE 16–23 %), затем для предрассветного LWP (R² = 0,20–0,37; RMSPE 19–29 %) и полуденного LWP (R² = 0,25–0,42; RMSPE17–31 %) (рисунок 3). По значениям R² наземные модели GroundVISNIR и GroundFullrange в целом превосходили башенную модель для всех трёх признаков. Качество GroundVISNIR и GroundFullrange заметно различалось в зависимости от прогнозируемого признака; следовательно, использование полного спектра 400–2400 нм не обязательно улучшало прогноз. GroundVISNIR лучше прогнозировала предрассветный водный потенциал (рисунок 3B), GroundFullrange — полуденный LWP (рисунок 3C), а устьичную проводимость обе модели прогнозировали сходным образом (рисунок 3A).

С помощью кластеризации тепловых карт реакцию каждого генотипа на засуху — относительно контрольного варианта — фенотипировали по наблюдаемым физиологическим данным (рисунок 4A–C) и физиологическим показателям, предсказанным PLSR(рисунок 4D–F).

На этих тепловых картах более отрицательные значения соответствуют более сильному снижению показателя при засухе относительно контроля; следовательно, относительная процентная разность, близкая к нулю, означает минимальную реакцию на засуху и указывает на более высокую устойчивость. В кампаниях 2 и 3 наблюдаемые физиологические данные давали сходную кластеризацию генотипов и показателей. Наибольшую генотипическую изменчивость относительной процентной разности демонстрировали устьичная проводимость, предрассветный LWP и объём растительного покрова. В кампании 3 кластер в верхней части тепловой карты, где относительная разность близка к нулю, включал генотипы фасоли обыкновенной M3.94 и Pinto San Rafael и фасоли тепари G40068, TEP22 и Big Fields White (рисунок 4C). На тепловых картах PLSR наибольшей генотипической изменчивостью характеризовалась устьичная проводимость, за ней следовал предрассветный LWP (рисунок 4E, F). Для кампании 3 PLSR-модель обеспечивала сходную с наблюдаемой тепловой картой кластеризацию генотипов с относительной разностью, близкой к нулю, однако дополнительно включала генотипы фасоли обыкновенной L88-63 и SER 118 и фасоли тепари G40158 (рисунок 4E, F).

В этом исследовании дистанционно полученные данные гиперспектральной отражательной способности наземного и башенного приборов использовали в PLSR-моделях для оценки водного статуса и реакции на засуху у 16 разнообразных генотипов фасоли, различавшихся по засухоустойчивости.

Наземные PLSR-модели эффективно прогнозировали устьичную проводимость и предрассветный LWP. Возможности башенных моделей были ограничены размером выборки — числом совпадающих проверочных делянок, — однако результаты показали перспективность перехода к башенной системе автоматизированного непрерывного гиперспектрального мониторинга. Кроме того, фенотипирование реакции на засуху по наблюдаемому водному статусу и значениям, предсказанным PLSR, дало сходную кластеризацию. Это свидетельствует о перспективности гиперспектральных PLSR-моделей как инструмента высокопроизводительного фенотипирования для физиологически обоснованного отбора в селекционных программах.

Моделирование гиперспектральной отражательной способности методом PLSR использует чувствительные спектральные области для прогнозирования широкого набора характеристик растений, включая параметры фотосинтеза, содержание пигментов и биохимический состав листьев у разных видов и трансгенных линий [28,30]. Для фенотипирования реакции на засуху непосредственно измеряли устьичную проводимость и LWP — показатели, чувствительные к содержанию воды и стрессу [44,45], — и прогнозировали их по гиперспектральным данным. Наземные PLSR-модели хорошо прогнозировали устьичную проводимость (рисунок 3A), что согласуется с предыдущими исследованиями сои и пшеницы [32,46,47]. Оценки важности переменных в проекции (VIP) показали, что при калибровке существенную роль играли зелёная область, красный край и NIR (рисунок S7). Эти области связаны с изменениями содержания пигментов — хлорофилла и каротиноидов — и структуры растительного покрова [22,33,48]. Хотя спектральная изменчивость непосредственно не чувствительна к газообмену листа и, следовательно, к устьичной проводимости, PLSR-модели используют сопутствующие изменения пула хлорофилла, состава каротиноидов и структурных характеристик, например угла наклона и увядания листьев.

В отличие от устьичной проводимости, дистанционная оценка LWP исторически представляла трудную задачу [49], поскольку этот показатель определяется рядом разнородных факторов, включая гидравлику растения, скорость транспирации и влажность почвы [50]. Недавние исследования показали возможность прогнозирования LWP методом PLSR [51,52]. Наши наземные результаты подтверждают эту возможность, хотя качество прогноза было ниже, чем для устьичной проводимости (рисунок 3). Спектральные данные для прогноза предрассветного LWP собирали в другое время суток — в полдень. Это рассогласование может означать, что спектральная изменчивость отражает физиологические свойства, слабо меняющиеся между предрассветным и полуденным временем; возможным объяснением также является биофизическая корреляция между предрассветным и полуденным водным потенциалом. Оценки VIP для предрассветного LWP были сходны с оценками для устьичной проводимости, но характеризовались более высокими пиками в зелёной и более низкими — в NIR-области (рисунок S7), то есть, вероятно, сильнее отражали изменения пулов хлорофилла и каротиноидов, чем структуры растительного покрова. Напротив, полуденный LWP и спектральную отражательную способность измеряли в близкое время суток. Это был единственный показатель, для которого GroundFullrange превосходила GroundVISNIR. Оценки VIP отдавали выраженное предпочтение NIR, а GroundFullrange дополнительно использовала SWIR; следовательно, модели задействовали изменения структуры растительного покрова и, возможно, мезофилла [22,24]. Следует отметить, что RMSPE для полуденного LWP была сравнительно высокой — 27–31 %.

Вероятно, калибровку ограничивала слабая изменчивость полуденного LWP между генотипами и вариантами (рисунок 2C). Это могло быть связано с высокой полуденной температурой — обычно выше 35 °C в Центральной долине Калифорнии — и низким давлением водяного пара окружающего воздуха, обусловливавшими высокую испарительную потребность и низкий водный потенциал как в контроле, так и при засухе. Сопоставление GroundVISNIR, GroundFullrange и Tower показывает возможности и ограничения разных спектральных областей и их масштабирования (рисунок 3). В целом наилучшей была GroundVISNIR, кроме полуденного LWP, для которого лучшей оказалась GroundFullrange (рисунок 3C). Таким образом, польза включения SWIR при калибровке PLSR зависит от переменной [30], а физиологические показатели, непосредственно связанные с водным статусом, могут выиграть от его включения. Сравнение GroundVISNIR с башенной моделью демонстрирует возможность увеличения расстояния наблюдения с 1 до 10 м. К сожалению, число делянок выбранных генотипов в зоне обзора башни было невелико (n = 29), что ослабило калибровку. Тем не менее близость линий наилучшего соответствия для разных моделей указывает на перспективность башенной системы для прогнозирования признаков растений; это следует проверить на большем числе делянок в поле зрения башни. VIP-веса наземных моделей были выше в видимой области, тогда как башенная модель отдавала предпочтение NIR (рисунок S8). Это отражает зависимость спектров от пространственного масштаба: башенная PLSR-модель, вероятно, более чувствительна к структуре растительного покрова в NIR [27], а наземные модели с расстоянием 1 м — к изменениям хлорофилла и каротиноидов в видимой области.

Генотип-специфическую реакцию на засуху оценивали по непосредственно измеренным физиологическим показателям и переменным, полученным с БПЛА (рисунок 4).

Устьичная проводимость, предрассветный LWP и объём растительного покрова выявили значительную генотипическую изменчивость реакции на засуху относительно контроля (рисунок 2). Кластеризация тепловых карт, основанная главным образом на этих параметрах, позволила выделить группы генотипов по реакции на засуху. В кампании 2, соответствовавшей стадии налива бобов (R8 [53]), выявили три группы (рисунок 4B). Первая, с менее выраженной физиологической реакцией на засуху, то есть меньшей процентной разностью, включала три линии фасоли обыкновенной экогеографической расы Mesoamerica из влажных низменностей, выведенные на засухоустойчивость (L88-63, SER 118 и SEA 5), потомство MAGIC M3.94 и образец фасоли тепари G40068 [54,55]. Вторая группа, с более выраженной реакцией, включала четыре образца экогеографической расы Durango, адаптированные к сухим высокогорьям [39], и три генотипа потомства MAGIC. Третья группа, также со слабой физиологической реакцией, включала три генотипа фасоли тепари — Big Fields White, G40159 и TEP 22 — и сорт фасоли обыкновенной Pinto San Rafael, адаптированный к засушливым высокогорьям Северной Мексики [56]. В кампании 3, соответствовавшей стадии созревания R9 [53], выделили две основные группы (рисунок 4C). В группу со слабой реакцией входили три генотипа фасоли тепари — G40068, Big Fields White и TEP 22, — сорт Pinto San Rafael и потомство MAGIC M3.94. Вторая группа характеризовалась более выраженной реакцией, прежде всего по устьичной проводимости, объёму растительного покрова и предрассветному LWP. В целом две кампании после введения засухи подтвердили, что фасоль тепари обычно более засухоустойчива, чем фасоль обыкновенная: в условиях засухи она сохраняла более высокую интенсивность газообмена, менее отрицательный предрассветный водный потенциал и больший объём растительного покрова. Фасоль тепари происходит из полузасушливых и засушливых областей и в среднем обладает высокой засухоустойчивостью, используя механизмы избегания засухи и толерантности к ней [38,57]. В частности, её тонкая корневая система способна проникать в почву к ограниченным запасам воды [58]. Интересно, что несколько селекционных линий фасоли обыкновенной из низменностей — расы Mesoamerica SER 118, SEA 5 и M3.94 — и сорт Pinto San Rafael демонстрировали физиологическую реакцию, сходную с фасолью тепари; это поддерживает селекцию обоих видов на повышенную устойчивость к терминальной засухе.

Однако необходимо количественно оценить урожайность, чтобы установить, является ли такая физиологическая реакция преимуществом или ограничением приспособленности при засухе. В данном исследовании урожайность фасоли измерить не удалось: ранний сильный дождь сделал поле недоступным и привёл к порче бобов. Кроме того, следует подробнее изучить влияние генотипических различий фенологии, то есть сроков цветения и созревания, поскольку фенология может определять часть реакции на засуху.

Мы стремились уменьшить это влияние, приурочив кампании 2 и 3 соответственно к общим стадиям налива бобов и созревания. Кластеризация тепловых карт по устьичной проводимости и водному потенциалу, предсказанным гиперспектральными PLSR-моделями, выявила группы генотипов, сходные с группами по наблюдаемым данным (рисунок 4E, F). В группу со слабой физиологической реакцией вошли генотипы фасоли тепари G40068, Big Fields White и TEP 22 и фасоли обыкновенной Pinto San Rafael, SER 118 и M3.94, что соответствовало тепловым картам наблюдаемых данных.

В кампании 2 группы реакции на засуху дополнительно включали другие генотипы фасоли обыкновенной и фасоли тепари (рисунок 4E). Это может быть обусловлено различиями в тяжести засухи между кампаниями 2 и 3: в кампании 2 спектральная дифференциация вследствие засухи была слабее, что влияло на качество PLSR. В целом результаты показывают, что гиперспектральные данные и PLSR-моделирование можно применять для фенотипирования комплекса признаков с целью выявления засухоустойчивых видов и генотипов. Точность может быть повышена включением дополнительных признаков, связанных с реакцией на засуху, и увеличением выборки для улучшения калибровки. При имеющихся ресурсах и допустимых уровнях ошибки необходимо находить баланс между размером исследуемой популяции и выборки для наземной проверки [59]. Башенное дистанционное зондирование для высокопроизводительного фенотипирования в будущем может позволить распространить прогнозы с 16 генотипов, обследованных наземным прибором, на всю популяцию генотипов.

Ключевое преимущество дистанционного зондирования состоит в возможности сравнительно быстро обследовать множество делянок и тем самым собирать данные с более высокой временной частотой.

В сочетании с интенсивными наблюдательными кампаниями, в которых собирают физиологические данные, дистанционно полученные PLSR-модели можно экстраполировать за пределы дат кампаний и исследуемой подгруппы генотипов [60]. В настоящем исследовании наземные данные дистанционного зондирования собирали еженедельно. На рисунке 5 PLSR-модели экстраполированы для недельного прогнозирования устьичной проводимости и водного потенциала на протяжении всего вегетационного сезона — с середины июля по октябрь. После введения терминальной засухи в августе устьичная проводимость и предрассветный LWPдемонстрировали выраженное расхождение между вариантами (рисунок 5A, B). Для полуденного водного потенциала расхождение было меньше, что соответствовало наблюдаемым данным (рисунки 2C и 4C). Поскольку спектральные данные охватывали период, значительно выходящий за пределы проверочных кампаний, большая часть позднесезонных наблюдений, включая частичное старение растений, находилась вне диапазона калибровки; вследствие этого изменчивость предсказанных признаков возрастала (рисунок 5). Поэтому прогнозы на рисунке 5 следует рассматривать как пример будущих возможностей непрерывного, например ежедневного, дистанционного физиологического мониторинга; после сентября они характеризуются высокой неопределённостью [61,62]. Примечательно, что после прекращения орошения контрольных делянок в сентябре PLSR-модель устьичной проводимости зафиксировала снижение и в контроле, хотя на данных этих дат модель не обучалась.

Высокопроизводительное фенотипирование с использованием гиперспектрального дистанционного зондирования обеспечивает масштабируемый и объективный подход к быстрому скринингу комплекса признаков растений в разнообразных популяциях и может содействовать выбору стратегий управления и селекционному отбору. Исследование показывает возможность применения гиперспектральных данных для оценки связанных с водным статусом физиологических характеристик растений при засухе и последующего фенотипирования реакции на неё. Прогнозируя методом PLSR несколько показателей водного статуса — устьичную проводимость и водный потенциал — с хорошей точностью, мы выявили потенциально засухоустойчивые генотипы фасоли обыкновенной и фасоли тепари и подтвердили результат физиологическими измерениями in situ. Преимущество гиперспектральных PLSR-моделей заключается в возможности экстраполировать дистанционные прогнозы за пределы прямых измерений, использованных при калибровке, в том числе на более крупные популяции и периоды вне отдельных полевых кампаний. Гиперспектральные PLSR-модели и другие методы машинного обучения можно калибровать по широкому набору биохимических и физиологических признаков растений [28,30], что открывает значительные возможности дистанционного зондирования в точном земледелии и экологическом мониторинге.

Авторы благодарят Cecilia Langlois, Kayli Vest, Devin McHugh и Logan Brissette за помощь в полевых работах. Финансирование: работа поддержана Национальным институтом продовольствия и сельского хозяйства Министерства сельского хозяйства США (грант № 2020-67013-30913 и проекты Hatch 1016439 и 1016402), а также Национальным научным фондом (грант 1951244). Вклад авторов: T.N.B., T.S.M., M.E.G. и P.G. сформулировали концепцию и разработали эксперимент. A.P. руководила полевыми работами. C.Y.S.W., M.E.G., M.A.P., T.A.P., T.S.M. и T.N.B. участвовали в сборе данных. C.Y.S.W., T.A.P. и T.N.B. анализировали результаты. T.N.B. и T.S.M. осуществляли руководство проектом. C.Y.S.W. подготовил первоначальный текст рукописи. Все авторы участвовали в её доработке. Конфликт интересов: авторы заявляют об отсутствии конкурирующих интересов.

Данные будут предоставляться по запросу.

Рисунок S1. Генотип-специфическое относительное содержание влаги в почве на глубинах 20, 40, 80, 120 и 140 см в трёх полевых кампаниях.

Рисунок S2. Генотип-специфическая реакция устьичной проводимости на засуху в 8, 10, 12 и 14 ч в трёх полевых кампаниях.

Рисунок S3. Генотип-специфическая реакция водного потенциала листа на засуху до рассвета (6 ч) и в полдень (13 ч) в трёх полевых кампаниях.

Рисунок S4. Генотип-специфическая реакция полуденного NDVI, определённого с БПЛА, на засуху в трёх полевых кампаниях.

Рисунок S5. Генотип-специфическая реакция полуденной температуры растительного покрова, определённой с БПЛА, на засуху в трёх полевых кампаниях.

Рисунок S6. Генотип-специфическая реакция полуденного объёма растительного покрова, определённого с БПЛА, на засуху в трёх полевых кампаниях.

Рисунок S7. Важность переменных в проекции (VIP) каждой PLSR-модели по источникам данных: башенная система (левый столбец), GroundVISNIR (средний столбец) и GroundFullrange (правый столбец); и по прогнозируемым показателям: устьичная проводимость (верхний ряд), предрассветный водный потенциал листа (средний ряд) и полуденный водный потенциал листа (нижний ряд).

Рисунок S8. Сравнение VIP PLSR-моделей башенного и ручного приборов, приведённых на рисунке 4, для (A) устьичной проводимости, (B) предрассветного водного потенциала и (C) полуденного водного потенциала.

1. Tilman D, Balzer C, Hill J, Befort BL. Global food demand and the sustainable intensification of agriculture. Proc Natl Acad Sci USA. 2011;108:20260–20264.

2. Tuberosa R. Phenotyping for drought tolerance of crops in the genomics era. Front Physiol. 2012;3:347.

3. Araus JL, Cairns JE. Field high-throughput phenotyping: The new crop breeding frontier. Trends Plant Sci. 2014;19:52–61.

4. Chawade A, van Ham J, Blomquist H, Bagge O, Alexandersson E, Ortiz R. High-throughput field-phenotyping tools for plant breeding and precision agriculture. Agronomy. 2019;9:258.

5. Furbank RT, Tester M. Phenomics—Technologies to relieve the phenotyping bottleneck. Trends Plant Sci. 2011;16:635–644.

6. Watt M, Fiorani F, Usadel B, Rascher U, Muller O, Schurr U. Phenotyping: New windows into the plant for breeders. Annu Rev Plant Biol. 2020;71:689–712.

7. Chaves MM, Oliveira MM. Mechanisms underlying plant resilience to water deficits: Prospects for water-saving agriculture. J Exp Bot. 2004;55:2365–2384.

8. Jones HG. Monitoring plant and soil water status: Established and novel methods revisited and their relevance to studies of drought tolerance. J Exp Bot. 2007;58:119–130.

9. Cotrozzi L, Peron R, Tuinstra MR, Mickelbart MV, Couture JJ. Spectral phenotyping of physiological and anatomical leaf traits related with maize water status. Plant Physiol. 2020;184:1363–1377.

10. Grzybowski M, Wijewardane NK, Atefi A, Ge Y, Schnable JC. Hyperspectral reflectance-based phenotyping for quantitative genetics in crops: Progress and challenges. Plant Commun. 2021;2:100209.

11. Yang W, Feng H, Zhang X, Zhang J, Doonan JH, Batchelor WD, Xiong L, Yan J. Crop phenomics and high-throughput phenotyping: Past decades, current challenges, and future perspectives. Mol Plant. 2020;13:187–214.

12. Farella MM, Fisher JB, Jiao W, Key KB, Barnes ML. Thermal remote sensing for plant ecology from leaf to globe. J Ecol. 2022;110(9):1996–2014.

13. Gautam D, Pagay V. A review of current and potential applications of remote sensing to study the water status of horticultural crops. Agronomy. 2020;10:140.

14. Gaulton R, Danson FM, Ramirez FA, Gunawan O. The potential of dual-wavelength laser scanning for estimating vegetation moisture content. Remote Sens Environ. 2013;132:32–39.

15. Junttila S, Holopainen M, Vastaranta M, Lyytikäinen-Saarenmaa P, Kaartinen H, Hyyppä J, Hyyppä H. The potential of dual-wavelength terrestrial lidar in early detection of Ips typographus (L.) infestation—Leaf water content as a proxy. Remote Sens Environ. 2019;231:111264.

16. Zhang F, Zhou G. Estimation of vegetation water content using hyperspectral vegetation indices: A comparison of crop water indicators in response to water stress treatments for summer maize. BMC Ecol. 2019;19:18.

17. Berger K, Machwitz M, Kycko M, Kefauver SC, Van Wittenberghe S, Gerhards M, Verrelst J, Atzberger C, van der Tol C, Damm A, et al. Multi-sensor spectral synergies for crop stress detection and monitoring in the optical domain: A review. Remote Sens Environ. 2022;280:113198.

18. Homolová L, Malenovský Z, Clevers JGPW, García-Santos G, Schaepman ME. Review of optical-based remote sensing for plant trait mapping. Ecol Complex. 2013;15:1–16.

19. Machwitz M, Pieruschka R, Berger K, Schlerf M, Aasen H, Fahrner S, Jiménez-Berni J, Baret F, Rascher U. Bridging the gap between remote sensing and plant phenotyping— Challenges and opportunities for the next generation of sustainable agriculture. Front Plant Sci. 2021;12:749374.

20. Gates DM, Keegan HJ, Schleter JC, Weidner VR. Spectral properties of plants. Appl Opt. 1965;4(1):11–20.

21. Penuelas J, Pinol J, Ogaya R, Filella I. Estimation of plant water concentration by the reflectance water index WI (R900/R970). Int J Remote Sens. 1997;18:2869–2875.

22. Ustin SL, Gitelson AA, Jacquemoud S, Schaepman M, Asner GP, Gamon JA, Zarco-Tejada P. Retrieval of foliar information about plant pigment systems from high resolution spectroscopy. Remote Sens Environ. 2009;113:S67–S77.

23. Xiao J, Chevallier F, Gomez C, Guanter L, Hicke JA, Huete AR, Ichii K, Ni W, Pang Y, Rahman AF, et al. Remote sensing of the terrestrial carbon cycle: A review of advances over 50 years. Remote Sens Environ. 2019;233:111383.

24. Zeng Y, Hao D, Huete A, Dechant B, Berry J, Chen JM, Joiner J, Frankenberg C, Bond-Lamberty B, Ryu Y, et al. Optical vegetation indices for monitoring terrestrial ecosystems globally. Nat Rev Earth Environ. 2022;3:477–493.

25. Wold S, Ruhe A, Wold H, Dunn IWJ. The collinearity problem in linear regression. The Partial Least Squares (PLS) approach to generalized inverses. SIAM J Sci Stat Comput. 1984;5:735–743.

26. Wold S, Sjöström M, Eriksson L. PLS-regression: A basic tool of chemometrics. Chemom Intell Lab Syst. 2001;58:109–130.

27. Doughty CE, Asner GP, Martin RE. Predicting tropical plant physiology from leaf and canopy spectroscopy. Oecologia. 2011;165:289–299.

28. Ely KS, Burnett AC, Lieberman-Cribbin W, Serbin SP, Rogers A. Spectroscopy can predict key leaf traits associated with source–sink balance and carbon–nitrogen status. J Exp Bot. 2019;70:1789–1799.

29. Hornero A, Zarco-Tejada PJ, Quero JL, North PRJ, Ruiz-Gómez FJ, Sánchez-Cuesta R, Hernandez-Clemente R. Modelling hyperspectral- and thermal-based plant traits for the early detection of Phytophthora-induced symptoms in oak decline. Remote Sens Environ. 2021;263:112570.

30. Meacham-Hensold K, Fu P, Wu J, Serbin S, Montes CM, Ainsworth E, Guan K, Dracup E, Pederson T, Driever S, et al. Plot-level rapid screening for photosynthetic parameters using proximal hyperspectral imaging. J Exp Bot. 2020;71:2312– 2328.

31. Serbin SP, Dillaway DN, Kruger EL, Townsend PA. Leaf optical properties reflect variation in photosynthetic metabolism and its sensitivity to temperature. J Exp Bot. 2012;63:489–502.

32. Silva-Perez V, Molero G, Serbin SP, Condon AG, Reynolds MP, Furbank RT, Evans JR. Hyperspectral reflectance as a tool to measure biochemical and physiological traits in wheat. J Exp Bot. 2018;69:483–496.

33. Gitelson AA, Merzlyak MN, Lichtenthaler HK. Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm. J Plant Physiol. 1996;148:501–508.

34. Luo Y, El-Madany TS, Filippa G, Ma X, Ahrens B, Carrara A, Gonzalez-Cascon R, Cremonese E, Galvagno M, Hammer TW, et al. Using near-infrared-enabled digital repeat photography to track structural and physiological phenology in Mediterranean tree–grass ecosystems. Remote Sens. 2018;10:1293.

35. Curran PJ. Remote sensing of foliar chemistry. Remote Sens Environ. 1989;30:271–278.

36. Kokaly RF, Asner GP, Ollinger SV, Martin ME, Wessman CA. Characterizing canopy biochemistry from imaging spectroscopy and its application to ecosystem studies. Remote Sens Environ. 2009;113:S78–S91.

37. Berny Mier y Teran JC, Konzen ER, Palkovic A, Tsai SM, Gepts P. Exploration of the yield potential of Mesoamerican wild common beans from contrasting eco-geographic regions by nested recombinant inbred populations. Front Plant Sci. 2020;11:346.

38. Beebe SE, Rao IM, Blair MW, Acosta-Gallegos JA. Phenotyping common beans for adaptation to drought. Front Physiol. 2013;4:35.

39. Singh SP, Gepts P, Debouck DG. Races of common bean (Phaseolus vulgaris, Fabaceae). Econ Bot. 1991;45:379–396.

40. Parker TA, Palkovic A, Gepts P. Determining the genetic control of common bean early-growth rate using unmanned aerial vehicles. Remote Sens. 2020;12:1748.

41. R Development Core Team. R: A language and environment for statistical computing. 2022.

42. Mevik B-H, Wehrens R. The PLS package: Principal component and partial least squares regression in R. J Stat Softw. 2007;1(2):2007.

43. Burnett AC, Anderson J, Davidson KJ, Ely KS, Lamour J, Li Q, Morrison BD, Yang D, Rogers A, Serbin SP. A best-practice guide to predicting plant traits from leaf-level hyperspectral data using partial least squares regression. J Exp Bot. 2021;72(18):6175–6189.

44. Bartlett MK, Scoffoni C, Sack L. The determinants of leaf turgor loss point and prediction of drought tolerance of species and biomes: A global meta-analysis. Ecol Lett. 2012;15:393–405.

45. Buckley TN. How do stomata respond to water status? New Phytol. 2019;224:21–36.

46. El-Hendawy S, Al-Suhaibani N, Alotaibi M, Hassan W, Elsayed S, Tahir MU, Mohamed AI, Schmidhalter U. Estimating growth and photosynthetic properties of wheat grown in simulated saline field conditions using hyperspectral reflectance sensing and multivariate analysis. Sci Rep. 2019;9:16473.

47. Sobejano-Paz V, Mikkelsen TN, Baum A, Mo X, Liu S, Köppl CJ, Johnson MS, Gulyas L, García M. Hyperspectral and thermal sensing of stomatal conductance, transpiration, and photosynthesis for soybean and maize under drought. Remote Sens. 2020;12:3182.

48. Blackburn GA. Hyperspectral remote sensing of plant pigments. J Exp Bot. 2007;58:855–867.

49. Ustin SL, Riaño D, Hunt ER. Estimating canopy water content from spectroscopy. Isr J Plant Sci. 2012;60:9–23.

50. Farooq M, Hussain M, Wahid A, Siddique KHM. Drought stress in plants: An overview. In: Aroca R, editor. Plant responses to drought stress: From morphological to molecular features.Berlin, Heidelberg: Springer; 2012. p. 1–33.

51. Mertens S, Verbraeken L, Sprenger H, Demuynck K, Maleux K, Cannoot B, De Block J, Maere S, Nelissen H, Bonaventure G, et al. Proximal hyperspectral imaging detects diurnal and drought-induced changes in maize physiology. Front Plant Sci. 2021;12:640914.

52. Rapaport T, Hochberg U, Shoshany M, Karnieli A, Rachmilevitch S. Combining leaf physiology, hyperspectral imaging and partial least squares-regression (PLS-R) for grapevine water status assessment. ISPRS J Photogramm Remote Sens. 2015;109:88–97.

53. Fernández F, Gepts P, López GM. Etapas de desarrollo de la planta de fríjol común (Phaseolus vulgaris L.).Cali, Colombia: Centro Internacional de Agricultura Tropical (CIAT); 1986.

54. Beebe SE, Rao IM, Cajiao C, Grajales M. Selection for drought resistance in common bean also improves yield in phosphorus limited and favorable environments. Crop Sci. 2008;48:582–592.

55. Singh SP, Terán H, Gutiérrez JA. Registration of SEA 5 and SEA 13 drought tolerant dry bean germplasm. Crop Sci. 2001;41:276–277.

56. Acosta Gallegos JA, Jiménez Hernández Y, Montero Tavera V, Guzmán Maldonado SH, Anaya López JL. San Rafael, nueva variedad de frijol pinto de reacción neutral al fotoperiodo para el centro de México. Rev Mexicana Cienc Agric. 2016;7:717–722.

57. Martinez-Rojo J, Gurusamy V, Vandenberg A, Bett KE. Tolerance to sub-zero temperatures in Phaseolus acutifolius and development of interspecies hybrids with P. vulgaris. Annu Rep Bean Improvement Co-operative. 2007;40:9–10.

58. Butare L, Rao I, Lepoivre P, Polania J, Cajiao C, Cuasquer J, Beebe S. New genetic sources of resistance in the genus Phaseolus to individual and combined aluminium toxicity and progressive soil drying stresses. Euphytica. 2011;181:385–404.

59. Lane HM, Murray SC. High throughput can produce better decisions than high accuracy when phenotyping plant populations. Crop Sci. 2021;61:3301–3313.

60. Zhi X, Massey-Reed SR, Wu A, Potgieter A, Borrell A, Hunt C, Jordan D, Zhao Y, Chapman S, Hammer G, et al. Estimating photosynthetic attributes from high-throughput canopy hyperspectral sensing in sorghum. Plant Phenomics. 2022;2022:9768502.

61. Miller JR, Turner MG, Smithwick EAH, Dent CL, Stanley EH. Spatial extrapolation: The science of predicting ecological patterns and processes. Bioscience. 2004;54:310–320.

62. Peters DPC, Herrick JE. Strategies for ecological extrapolation. Oikos. 2004;106:627–636.