Menilai keragaman fenotipik dan metrik berbasis sensor untuk respons kekeringan pada tanaman kedelai

Abstrak
Stres kekeringan dapat menjadi faktor pembatas hasil yang signifikan dalam produksi kedelai ( Glycine max [L.] Merr), yang memerlukan perbaikan genetika toleran kekeringan untuk melindungi hasil dan meningkatkan ketahanan di bawah stres. Panel beragam yang terdiri dari 450 aksesi introgresi tanaman kedelai kelompok kematangan 0–III dan pemeriksaan disaring di pembibitan kekeringan non-irigasi selama 3 tahun pada tahun 2020–2022 di Muscatine, IA. Pengukuran berbasis visual dan sensor dikumpulkan melalui sensor merah hijau biru, hiperspektral, dan multispektral melalui platform berbasis kendaraan darat dan udara tak berawak. Berbagai macam keragaman fenotipik diamati dan aksesi layu tajuk lambat diidentifikasi dalam tiga tahap fisiologis untuk diperkenalkan ke program pemuliaan Midwest AS bagian atas. Seleksi yang berkonsentrasi pada produksi area tajuk di bawah kekeringan memiliki beberapa tumpang tindih dengan seleksi layu lambat dan juga menyediakan sumber daya tambahan bagi pemulia. Indeks vegetasi mampu meniru seleksi pemulia untuk layu, dengan indeks vegetasi merah hijau biru mencapai hingga 87,5% kesamaan dalam dua tahun. Analisis rasio spektrum reflektansi karotenoid juga menunjukkan potensi dalam memilih aksesi yang sebanding dengan pilihan pemulia. Aksesi dengan skor layu yang rendah secara konsisten selama beberapa tahun menyediakan sumber daya yang berharga untuk pemuliaan toleran kekeringan.

Ringkasan Bahasa Sederhana
Stres kekeringan merupakan faktor penting yang membatasi hasil kedelai ( Glycine max [L.] Merr.), yang membutuhkan pengembangan varietas kedelai yang toleran terhadap kekeringan. Informasi mengenai respons kekeringan pada kedelai yang berumur genjah terbatas dalam repositori plasma nutfah USDA. Panel besar yang terdiri dari 450 aksesi kedelai yang beragam disaring di pembibitan kekeringan tanpa irigasi selama tiga tahun di Iowa Timur, AS. Data visual dan beberapa sensor dikumpulkan melalui platform berbasis darat dan drone. Indeks vegetasi, RGBVI, berkorelasi signifikan dengan seleksi pemulia. Kami melaporkan aksesi dengan tingkat layu tajuk rendah dan luas tajuk yang besar di bawah kekeringan yang merupakan sumber potensial toleransi kekeringan untuk mengembangkan varietas kedelai yang toleran terhadap kekeringan.

Singkatan
CWM
indeks massa air tanaman
DAP
hari setelah tanam
DVI
perbedaan indeks vegetasi
GCI
indeks klorofil hijau
LS Berarti
kuadrat terkecil berarti
MG
kelompok kematangan
Penyakit Menular Seksual (NDVI)
indeks vegetasi perbedaan yang dinormalkan
NMDI
indeks kekeringan multi-band yang dinormalisasi
PI
introgresi tanaman
PSRI
indeks pantulan penuaan tanaman
RARS
analisis rasio spektrum reflektansi b
RARSc.Bahasa Indonesia:
analisis rasio pantulan spektrum karotenoid
RDVI
indeks vegetasi perbedaan yang dinormalisasi ulang
Bahasa Inggris: RGB
merah, hijau, biru
Bahasa Indonesia: RGBVI
indeks vegetasi merah hijau biru
Pesawat tanpa awak
kendaraan udara tak berawak
VREI2
Indeks tepi merah Vogelmann 2
Bahasa Indonesia: Ke-VI
indeks vegetasi
1. PENDAHULUAN
Kedelai ( Glycine max [L.] Merr.) adalah tanaman yang menguntungkan bagi ekonomi AS dengan benih dan produk akhir berkontribusi, rata-rata, sekitar $124 miliar terhadap ekonomi AS dan hingga 8% produk domestik bruto di negara bagian seperti Iowa di mana produksi kedelai menyumbang persentase besar terhadap ekonomi negara bagian (LMC International, 2023 ). Produksi kedelai Amerika Utara berisiko mengalami hasil rendah yang terkait dengan kekeringan karena waktu dan frekuensi pola kekeringan yang umum di Amerika Utara (Santini et al., 2022 ). Kekeringan menempati urutan ketiga di antara peristiwa lingkungan senilai miliaran dolar yang berdampak pada Amerika Serikat dari tahun 1980 hingga 2020 (NOAA, 2024 ). Pada tahun 2012, kekeringan besar menyebabkan lebih dari $11 miliar pembayaran asuransi tanaman federal ke negara bagian Midwest AS (Smith & Matthews, 2015 ). Laporan tentang kehilangan hasil panen kedelai akibat kekeringan menunjukkan penurunan hasil panen sekitar 40% tanpa irigasi (Carter & Rufty, 1992 ; Specht et al., 1999 ) dan hingga 74% tergantung pada faktor lingkungan, seperti suhu (Jumrani & Bhatia, 2018 ). Karena kerentanan ini, pemulia kedelai harus mengembangkan galur yang tahan kekeringan untuk wilayah Midwest AS bagian atas untuk menjaga hasil panen dan keuntungan pertanian.

Penilaian bervariasi mengenai keragaman toleransi kekeringan yang ada pada kultivar modern (Hwang et al., 2015 ). Dalam pencarian berbagai sumber toleransi kekeringan di North Carolina pada 1980-an, galur introgresi tanaman (PI) PI 416937 dari Jepang layu lebih lambat di ladang dibandingkan dengan 300 aksesi kelompok kematangan (MG) VI–VII lainnya (Carter & Rufty, 1992 ), serta kultivar modern, dan memiliki penalti hasil yang lebih rendah di bawah tekanan defisit air (Sloane et al., 1990 ). Kemudian di Missouri, dua PI MG III dari Cina (PI 567690 dan PI 567731) layu lebih lambat daripada 250 galur PI MG III lainnya, memiliki hasil yang jauh lebih tinggi di bawah kekeringan, tetapi memiliki hasil yang jauh lebih rendah di bawah kondisi irigasi (Pathan et al., 2014 ). Galur layu lambat menunjukkan pengurangan hasil yang lebih rendah dan hasil yang lebih tinggi dalam kondisi kekeringan daripada galur layu cepat (Pathan et al., 2014 ; Ye et al., 2020 ; Zhou et al., 2020 , 2021 ). Lebih jauh lagi, 50% keturunan dari PI 416937, yang disilangkan dengan kultivar Carolina Utara yang telah beradaptasi, mengungguli kultivar-kultivar terkemuka pada saat itu. Khususnya, beberapa galur keturunan ini, ketika ditanam dalam kondisi kekeringan, menghasilkan hasil yang sebanding dengan galur lain yang ditanam di bawah irigasi. (Carter & Rufty, 1992 ).

Beberapa skala layu tajuk visual telah dikembangkan sejak 1980-an. Satu sistem yang banyak digunakan berkisar dari 0 hingga 100, di mana skor yang meningkat mencerminkan tingkat keparahan layu yang lebih besar dari tidak ada gejala yang terlihat hingga kematian tanaman. Skala terperinci ini menangkap perubahan bertahap pada daun yang menggulung, layu tajuk, turgiditas tangkai daun, dan akhirnya gugurnya daun serta kematian (Chamarthi et al., 2021 ; King et al., 2009 ; Kaler et al., 2017 ). Skala ordinal yang setara menyederhanakan rentang ini ke skor dari 0 hingga 5, menyelaraskan setiap nilai ordinal dengan perubahan layu tajuk dari tidak ada gejala yang terlihat hingga kematian tanaman yang selaras dengan skala 0–100 (Charlson et al., 2009 ). Sistem alternatif mendefinisikan lima skor kategoris berdasarkan proporsi daun yang layu, mulai dari tidak ada gejala yang terlihat hingga layu parah. Dalam pendekatan ini, skor sering dikelompokkan menjadi dua kategori layu lambat atau layu cepat berdasarkan skor layu rata-rata di bawah atau di atas 2,5 (Ye et al., 2020 ; Zhou et al., 2020 ).

Banyak aksesi layu lambat yang disebutkan di atas adalah galur kedelai yang matang kemudian, jadi penyaringan tambahan diperlukan untuk mengidentifikasi sumber toleransi kekeringan pada kedelai yang matang lebih awal. Meningkatkan toleransi kekeringan pada kedelai dapat menjadi rumit karena beberapa faktor, termasuk variabilitas antar dan intra-penilai dari skor visual, pengaruh kematangan kedelai pada respons kekeringan, dan jendela terbatas untuk mengumpulkan peringkat dalam waktu ideal dalam sehari. Waktu kekeringan pada tahap pertumbuhan yang berbeda dapat mengurangi hasil dalam berbagai cara. Stres vegetatif dapat menghambat tinggi, stres reproduksi awal dapat mengurangi jumlah polong, dan stres selama tahap reproduksi selanjutnya dapat menurunkan jumlah biji atau berat biji (Desclaux et al., 2000 ; Zhou et al., 2021 ). Lebih jauh lagi, layu tajuk yang lebih parah umumnya terjadi dari pukul 1:00 siang hingga 3:00 siang (King et al., 2009 ) yang mengakibatkan jendela pendek untuk mengumpulkan peringkat visual di pembibitan penyaringan kekeringan yang besar. Di bawah tekanan waktu ini, sistem fenotipe berthroughput tinggi menawarkan dua keuntungan dibandingkan penilaian layu visual tradisional: pengumpulan data yang lebih cepat dan kemampuan untuk mengumpulkan wawasan baru menggunakan sensor yang mendeteksi panjang gelombang di luar penglihatan manusia (Singh et al., 2021 ). Metode cepat dan otomatis untuk penyaringan kekeringan dapat meningkatkan metode seleksi untuk toleransi kekeringan dalam program pemuliaan (Zhou et al., 2022 ).

Penelitian ini bertujuan (1) untuk menyaring panel besar kedelai MG 0–III untuk layu tajuk lambat dan (2) untuk menguji kinerja seleksi berbagai fitur sensor berthroughput tinggi dan metode seleksi untuk aplikasi dalam program pemuliaan.

2 BAHAN DAN METODE
2.1 Penyaringan lapangan kekeringan
2.1.1 Desain lapangan
Pembibitan uji kekeringan tadah hujan didirikan di Muscatine Island Research Farm di Fruitland, IA (41°21′ LU, 91°08′ BB) di atas pasir kasar Fruitfield dan digunakan untuk penyaringan kekeringan pada tahun 2020, 2021, dan 2022. Petak lahan ditanami pada tanggal 1 Juni 2020, 1 Juni 2021, dan 28 Mei 2022 dengan kepadatan tanam 43 biji/m2 . Petak lahan berupa petak dua baris, 1,52 m dengan jarak baris 76 cm dan lorong 0,91 m. Aksesi kedelai disusun sebagai rancangan blok lengkap acak dengan tiga kali ulangan sebanyak 450 galur. Subset yang terdiri dari 12 galur ini ditanam dalam tiga kali ulangan di bawah irigasi pivot sejauh 470 m dari lahan tadah hujan untuk dijadikan kontrol irigasi dalam pengujian tahun 2022 untuk mengetahui penyebab alternatif layu tajuk. MG dalam panel berkisar dari MG 0 hingga IV dengan 66 MG 0, 95 MG I, 136 MG II, 151 MG III, dan dua galur MG IV. Dalam panel beranggotakan 450 orang, 411 aksesi berasal dari subset koleksi inti mini dari koleksi Inti Plasma Nutfah Kedelai USDA, 31 merupakan anggota panel SoyNAM (Diers et al., 2018 ; Song et al., 2017 ), dan delapan galur berfungsi sebagai pengecekan kematangan dan pengecekan hasil: IA1022, IA2102, IA3024, IA4005, LD07-3395Bf, MN1410, U11-917032, U11-920017. Aksesi PI yang digunakan dalam studi ini mewakili keragaman kedelai yang dapat ditanam di Iowa, dan garis lintang serupa di Midwest AS, dan berasal dari 28 negara di Amerika Utara, Eropa, Asia, dan Afrika (Gambar S1 ).

2.1.2 Pengumpulan data
Bahasa Indonesia: Pada tahun 2020, data dikumpulkan selama 2 hari, 80–81 hari setelah tanam (DAP) pada tanggal 20 dan 21 Agustus, 77–78 DAP pada tahun 2021 pada tanggal 17 dan 18 Agustus, dan 81 DAP pada tahun 2022 pada tanggal 17 Agustus. Data presipitasi diunduh dari stasiun Iowa Environmental Mesonet NWS COOP IA5837 milik Iowa State University (Iowa Environmental Mesonet, 2024b ), dan ringkasan harian data kelembapan tanah (kandungan air volumetrik tanah [VWC]) diunduh dari stasiun Jaringan Kelembapan Tanah FRUI4 milik Iowa State University, yang terletak sekitar 3 m dari batas uji kekeringan di area ladang tanpa tutupan vegetasi untuk mencegah tutupan vegetasi atau jenis tanaman memengaruhi data kelembapan tanah (Iowa Environmental Mesonet, 2024a ).

Gejala stres kekeringan visual yang mengukur tingkat keparahan layu tajuk dicatat antara pukul 12:00 siang dan 2:00 siang oleh satu penilai ahli untuk mencegah variabilitas antar penilai menggunakan skala 0–5 yang sering dikutip (Charlson et al., 2009 ; King et al., 2009 ). Kelas 0–5 digeser, untuk memfasilitasi analisis, ke skala 1–6 dengan (1 = tidak layu ; 2 = layu ringan dan menggulung di bagian atas tajuk ; 3 = daun menggulung agak parah di tajuk atas, layu sedang pada daun di seluruh tajuk, sedikit kehilangan turgiditas tangkai daun ; 4 = layu parah pada daun di seluruh tajuk dengan kehilangan turgiditas tangkai daun tingkat lanjut ; 5 = tangkai daun layu parah dan daun mati di sebagian besar tajuk ; 6 = kematian tanaman ). Tahap pertumbuhan kedelai rata-rata per plot dicatat pada tahun 2021 dan 2022 (Fehr & Caviness, 1977 ). Plot pada tahap pertumbuhan R8 tidak disertakan dalam analisis data. Karena uji coba plot kecil, hasil tidak dikumpulkan dalam uji coba kekeringan di Muscatine, IA, pada tahun 2020–2022 untuk mencegah bias tetangga yang beragam pada hasil plot kecil. Namun, subset dari 257 galur sebelumnya diuji untuk hasil dalam plot empat baris, 4,57 m dengan lorong 0,91 m di Iowa pada tahun 2016 dan 2017 yang berjumlah enam lingkungan lapangan, dan benih dipanen dari dua baris tengah (Parmley et al., 2019 ).

Ide Inti

Bahasa Indonesia: Untuk mengeksplorasi rentang luas reflektansi spektral melalui platform darat dan udara, data sensor hiperspektral, multispektral, dan merah, hijau, biru (RGB) dikumpulkan antara pukul 10:00 pagi dan 2:00 siang (Tabel 1 ). Reflektansi hiperspektral berbasis darat dari 350 hingga 2500 nm, dengan resolusi spektral 1 nm yang merata-ratakan 10 pengukuran di satu baris setiap plot, ditangkap melalui ASD FieldSpec 4 Hi-Res (Malvern Panalytical) menggunakan pegangan pistol yang dipegang di posisi nadir 1 m di atas tajuk tanaman (Parmley et al., 2019 ). Pengumpulan data berbasis wahana udara nir awak (UAV) mencakup citra RGB dan multispektral. Citra RGB udara dikumpulkan melalui DJI Phantom 4 Advanced (SZ DJI Technology Co., Ltd.) pada ketinggian 30 m dengan tumpang tindih depan 85% dan tumpang tindih samping 75%. Sensor Phantom RGB adalah CMOS 20 MP, 1 inci dengan panjang fokus 24 mm. Citra multispektral dikumpulkan melalui Matrice 600 Pro UAV (SZ DJI Technology Co., Ltd.) pada jarak 30 m dengan tumpang tindih 80% dengan sistem kamera Micasense RedEdge-Mx Dual yang terpasang (AgEagle Aerial Systems Inc.). Titik kontrol darat diposisikan di sudut, batas utara, selatan, timur, dan barat, serta titik kontrol pusat. Koordinat GPS dari setiap titik kontrol darat dikumpulkan melalui Emlid Reach RS + RTK GNSS (EMLID Tech Kft.).

2.1.3 Pengolahan data
Citra udara RGB dan multispektral yang dikumpulkan melalui UAV di pembibitan kekeringan di Muscatine, IA, dijahit menjadi orthomosaic terpisah dalam perangkat lunak Pix4D, memanfaatkan koordinat GPS dari GCP untuk rekonstruksi yang lebih akurat. Batas plot digariskan dan plot diekstraksi menggunakan kode Python khusus yang dihubungkan dengan ArcGIS (Carroll et al., 2023 ). Masker kanopi dikembangkan melalui jalur pipa yang bergantung pada sensor yang memisahkan piksel kanopi dari piksel tanah, dan reflektansi kanopi rata-rata diekstraksi (Jones et al., 2024 ). Indeks vegetasi (VI) yang menargetkan kesehatan tanaman, status air tanaman, dan komponen fisiologis yang terkait dengan fotosintesis dihitung dari reflektansi hiperspektral (Tabel S1 ), citra multispektral udara (Tabel S2 ), dan data citra RGB udara (Tabel S3 ) menggunakan perangkat lunak statistik R (Tim Inti R, 2023 ). Jika memungkinkan, perkiraan VI dihitung menggunakan pita multispektral yang tersedia. Luas tajuk juga dihitung per plot dari citra udara RGB dengan mengubah jumlah piksel tajuk per plot menjadi sentimeter persegi per plot.

2.1.4 Analisis data
Dalam setiap tahun, residual studentized dihitung menggunakan paket “stats” di R (Tim Inti R, 2023 ) dan outlier dengan residual studentized di atas 3,8 dihilangkan dari set data (Lund, 1975 ). Transformasi log diterapkan pada indeks reflektansi penuaan tanaman (PSRI), analisis rasio spektrum reflektansi b (RARSb), analisis rasio spektrum reflektansi karotenoid (RARSc), dan indeks kekeringan multi-pita ternormalisasi (NMDI) (PSRI_hyperspectral, RARSb_hyperspectral, RARSc_hyperspectral, dan NMDI_hyperspectral) di semua tahun data Muscatine, IA, untuk mengatasi heteroskedastisitas.

Untuk membatasi bias seleksi akibat kematangan dan variasi tahap pertumbuhan selama stres kekeringan, aksesi dibagi ke dalam kategori tahap perkembangan (pembungaan, perkembangan polong, dan perkembangan biji) berdasarkan data tahap pertumbuhan rata-rata dari tahun 2021 hingga 2022. Pembungaan, perkembangan polong, dan perkembangan biji masing-masing mencakup tahap pertumbuhan R1–R3 (53 aksesi), R4–R5 (253 aksesi), dan R6–R7 (144 aksesi). Tujuan membagi PI ke dalam tahap perkembangan adalah untuk secara tepat berfokus pada rentang tahap pertumbuhan yang lebih sempit yang sesuai dengan tahap fisiologis selama stres kekeringan.

Heritabilitas arti luas ( H 2 ) dihitung dalam tahun, Persamaan ( 1 a), dan lintas tahun, Persamaan ( 2a ), menggunakan heritabilitas arti luas Piepho dalam fungsi H2cal dalam paket “inti” di R (Lozano-Isla et al., 2024 ). Heritabilitas arti luas juga dihitung dalam tahap perkembangan untuk mengevaluasi efek adaptasi pada heritabilitas arti luas menggunakan Persamaan ( 2a ). Rata-rata kuadrat terkecil (LS Means) dihitung dalam tahun, Persamaan ( 1b ), dan lintas tahun, Persamaan ( 2b ), untuk fitur spektral hiperspektral, multispektral, dan berbasis RGB menggunakan paket “emmeans” di R (Lenth et al., 2023 ).

Di manaπ
adalah peluang untuk mengamati skor layu kurang dari atau sama dengan
(
= 1, 2, … 5) untuk genotipe i pada replikasi j , dan tahun k , dimana θ l tidak menurun. Tahun danθ
dianggap efek tetap, dan semua efek lainnya dianggap efek acak.
2.1.5 Perbandingan metode seleksi visual dan berbasis sensor
Korelasi momen-produk Pearson dihitung antara fitur sensor dan skor layu menggunakan fungsi cor.test di R untuk mengidentifikasi fitur yang paling berkorelasi untuk evaluasi lebih lanjut (Tim Inti R, 2023 ). Kami menggunakan korelasi ini untuk memilih 30% VI teratas dari sensor multispektral, hiperspektral, dan RGB yang berkorelasi signifikan dengan skor layu di semua tahun. Makalah kami melaporkan temuan pada VI yang berkorelasi signifikan ini.

Seleksi visual menggunakan intensitas seleksi 10% untuk memilih 45 aksesi berkinerja tinggi (yaitu, skor layu rendah) di setiap tahun individu dan di seluruh 3 tahun. Aksesi dipilih dalam setiap tiga tahap perkembangan menurut jumlah aksesi di setiap kelompok. Seleksi didasarkan pada mode kondisional skor layu visual dari model ordinal. Untuk membandingkan kinerja fenotipe sensor throughput tinggi dengan peringkat visual, metode seleksi berbasis sensor tambahan yang dapat diterapkan dalam program pemuliaan dipertimbangkan dan dibandingkan menggunakan 45 seleksi berbasis visual sebagai kebenaran dasar. Metode seleksi yang diuji mencakup 30% VI yang paling berkorelasi dari sensor multispektral, hiperspektral, dan RGB serta luas tajuk (Tabel 2 ). Untuk mengevaluasi akumulasi biomassa di bawah kekeringan, akurasi seleksi 10% juga digunakan untuk memilih tajuk terbesar dalam setiap tahap perkembangan seperti yang dijelaskan di atas untuk seleksi skor layu visual.

Catatan
Pada kolom “Formula”, p merujuk pada panjang gelombang pantulan spektral dari data hiperspektral; biru, hijau, merah, tepi merah, nir, dsb. merujuk pada 10 pita pantulan spektral dari sensor ganda tepi merah, dan di bawahnya; merah, hijau, biru merujuk pada tiga pita citra udara RGB.
a Menandakan bahwa perkiraan multispektral ini mencakup tiga VI dari bagian VI hiperspektral (CWMI, CWMII, dan CWMIII).

3 HASIL DAN PEMBAHASAN
3.1 Dampak kekeringan dan variabilitas kelembaban tanah
Menurut US Drought Monitor, Muscatine, IA, mengalami kondisi kering abnormal D0 antara 18 Agustus 2020 dan 17 Agustus 2021. Sementara minggu tanggal 16 Agustus 2022 tidak mencatat kondisi kering abnormal, bagian barat daya Muscatine County mengalami kondisi kering abnormal D0. Karena jenis tanah Fruitfield Coarse Sand di pembibitan penyaringan kekeringan, kelembapan tanah menurun dengan cepat setelah presipitasi berakhir (Gambar 1 ). Di setiap titik pengumpulan data, kadar air volumetrik tanah berada pada atau di bawah titik layu permanen untuk tanah bertekstur pasir (Ratliff et al., 1983 ). Kandungan air volumetrik tanah pada kedalaman 30,5 cm berkisar antara 1,3% hingga 1,2% selama pengumpulan data tahun 2020, dari 2,6% hingga 2,5% pada tahun 2021, dan sebesar 3,2% pada tahun 2022. Skor layu visual rata-rata sebesar 4,084 pada tahun 2020, 3,25 pada tahun 2021, dan 2,84 pada tahun 2022 mencerminkan gradien ini dalam kandungan air volumetrik tanah lintas tahun (Tabel S4–S6 ), di mana kandungan air volumetrik yang lebih rendah dikaitkan dengan gejala layu tajuk yang lebih parah. Plot kontrol irigasi ditempatkan 470 m dari lahan tadah hujan pada tahun 2022, dan tidak ada tanda-tanda stres atau layu tajuk yang terlihat pada kedelai irigasi, yang mengonfirmasi bahwa gejala layu tajuk disebabkan oleh stres kekeringan di pembibitan penyaringan kekeringan tadah hujan.

Skor layu rata-rata lebih tinggi pada aksesi MG sebelumnya (Gambar 2 ). Misalnya, pada tahun 2020, skor layu adalah 5,4 pada MG 0, 4,51 pada MG I, 3,83 pada MG II, dan 3,48 pada MG III. Pada tahun 2021 dan 2022, tren serupa diamati (Gambar S2 ). Namun, berbagai macam layu tajuk masih diamati dalam setiap MG. Interaksi antara kematangan dan stres kekeringan telah menunjukkan bahwa stres kekeringan selama vegetatif dan pembungaan awal dapat mengurangi panjang ruas, tinggi tanaman, dan jumlah bunga yang akhirnya menghasilkan polong (Desclaux et al., 2000 ), kemungkinan karena stres selama perluasan ovarium yang menyebabkan aborsi benih (Westgate & Peterson, 1993 ). Kekeringan yang memengaruhi tanaman selama perkembangan polong dapat menggugurkan lebih banyak polong muda per ruas sehingga mengurangi jumlah polong per tanaman (Desclaux et al., 2000 ), yang merupakan indikator hasil yang diketahui (Riera et al., 2021 ). Kekeringan selama pengisian biji dapat menyebabkan polong datar ketika stres kekeringan terjadi sebelum tahap batas aborsi biji, serta penurunan berat biji yang mungkin terjadi karena waktu pengisian biji yang lebih pendek karena kekeringan (Desclaux et al., 2000 ). Meskipun ada tren umum menuju peningkatan layu tajuk dengan meningkatnya tahap pertumbuhan dalam penelitian ini, variasi genetik untuk skor layu dalam setiap tahap perkembangan menunjukkan potensi peningkatan plasma nutfah dan khususnya untuk pemilihan galur parental yang berguna untuk pemuliaan dalam kedelai MG 0–III.

3.2 Hubungan ciri dan heritabilitas dalam arti luas
Lima VI (dari citra multispektral) berkorelasi signifikan dengan skor layu visual termasuk indeks klorofil hijau (GCI), indeks massa air tanaman (CWM), indeks klorofil tepi merah, indeks vegetasi perbedaan ternormalisasi (NDVI), dan indeks vegetasi perbedaan ternormalisasi (RDVI) (Gambar 2 , 3 ). Sepanjang 3 tahun data, lima VI berbasis reflektansi hiperspektral dipilih termasuk indeks massa air tanaman III (CWMIII), indeks massa air tanaman II (CWMII), indeks massa air tanaman I (CWMI), RARSc yang disesuaikan log, dan indeks tepi merah Vogelmann 2 (VREI2). Untuk sensor RGB, indeks vegetasi merah hijau biru (RGBVI) adalah fitur yang paling berkorelasi signifikan. Dari 12 fitur yang dipilih, area tajuk memiliki korelasi terendah (−0,45), yang tidak dipengaruhi oleh latar belakang aksesi yang beragam atau elit.

Bahasa Indonesia: Sebagai respons terhadap kekeringan, trifoliat kedelai sering menggulung dan tangkai daun kehilangan turgiditas, memperlihatkan bagian bawah trifoliat yang berwarna hijau keabu-abuan yang lebih terang—perubahan yang juga diamati secara visual dalam studi ini. Perubahan warna hijau keabu-abuan yang lebih terang yang dilaporkan ini akibat layu tajuk yang berhubungan dengan kekeringan juga telah dideteksi melalui analisis nilai saturasi citra drone RGB (Zhou et al., 2020 ). RGBVI, versi modifikasi dari indeks vegetasi hijau merah, yang awalnya digunakan untuk estimasi fenologi, sensitif terhadap perubahan warna dan telah efektif dalam memperkirakan biomassa tanaman (Bendig et al., 2015 ; Tucker, 1979 ). CWM dikembangkan untuk mendeteksi massa air tanaman (dalam kg m 2 ) pada jagung melalui reflektansi spektral (Winterhalter et al., 2011 ), dan studi ini mendukung utilitas untuk mendeteksi stres kekeringan pada kedelai. RDVI dikembangkan untuk menggabungkan kekuatan NDVI (Rouse et al., 1973 ) dan indeks vegetasi perbedaan (DVI)—salah satu VI awal karena NDVI kurang terpengaruh oleh sudut daun, sedangkan DVI meminimalkan tanda-tanda latar belakang yang umum pada kanopi yang lebih kecil karena indeks luas daun yang lebih rendah, menjadikan RDVI ideal untuk memperkirakan radiasi aktif fotosintesis yang diserap pada kanopi yang lebih kecil (Roujean & Breon, 1995 ), yang umum terjadi pada kondisi stres kekeringan. Kekeringan dapat memengaruhi kinerja sistem fotosintesis secara signifikan dan mengubah kadar klorofil a, klorofil b, dan karotenoid (Basal et al., 2024 ), yang dapat menjelaskan mengapa tiga VI terkait pigmen (GCI, RARSc, dan VREI2) juga menunjukkan korelasi tinggi dengan skor layu. Semua VI yang sangat berkorelasi ini, kecuali RGBVI, memanfaatkan wilayah tepi merah dan NIR yang juga ditemukan berhubungan dengan deteksi dini layu tajuk pada kedelai (Jones et al., 2024 ).

Skor layu visual heritabilitas dalam arti luas ( H
) berkisar dari 0,655 pada tahun 2021 hingga 0,884 pada tahun 2022. Heritabilitas arti luas layu tajuk visual telah dilaporkan berkisar dari 0,46 hingga 0,85 dalam beberapa populasi MG III–VII (Abdel-Haleem et al., 2012 ; Charlson et al., 2009 ; Hwang et al., 2015 ; Zhou et al., 2020 ). Rata-rata, heritabilitas arti luas VI lebih tinggi pada tahun 2020 dan terendah pada tahun 2021. Di antara VI terpilih yang paling berkorelasi, heritabilitas arti luas lebih tinggi dari 0,61 di semua tahun individu yang menunjukkan proporsi varians genotipe yang lebih tinggi yang dijelaskan oleh VI ini (Tabel S4–S6 ). Dalam tahap perkembangan, heritabilitas arti luas skor layu sebanding dengan nilai yang dilaporkan sebelumnya di atas. Estimasi heritabilitas arti luas adalah 0,78 untuk pembungaan, 0,68 untuk perkembangan polong, dan 0,56 untuk perkembangan biji. Heritabilitas arti luas yang lebih tinggi meningkatkan akurasi seleksi, sehingga meningkatkan kemungkinan mengidentifikasi galur unggul dan memfasilitasi perolehan genetik dalam program pemuliaan (Rutkoski, 2019 ). Untuk tahun 2021 dan 2022, di mana data multispektral tersedia, VI multispektral memiliki heritabilitas yang lebih tinggi daripada fitur hiperspektral. Pada tahun 2020 dan 2022, citra RGB memiliki heritabilitas yang lebih tinggi daripada skor layu visual; namun, tren ini tidak konsisten pada tahun 2021 (Tabel 3 ). Pengumpulan sifat berbasis UAV mengurangi waktu pengumpulan data skor layu visual berbasis lapangan sebanyak sembilan kali (misalnya, dari 3 jam menjadi 20 menit) dibandingkan dengan peringkat visual dan sekitar tiga kali (misalnya, dari 3 menjadi 1 jam) untuk pengumpulan data hiperspektral. Secara keseluruhan, heritabilitas fitur berbasis udara (termasuk RGB dan multispektral) lebih tinggi daripada fitur reflektansi hiperspektral berbasis darat, yang dapat disebabkan oleh berkurangnya waktu pengumpulan data untuk citra udara. Karena data hiperspektral berbasis darat lebih memakan waktu, hal ini dapat menyebabkan peningkatan varians non-genetik karena variasi temporal dalam fenotipe skor layu yang berpotensi menyebabkan heritabilitas yang lebih rendah.

Catatan : Data multispektral tidak tersedia pada tahun 2020.
Singkatan: CWM, indeks massa air tanaman; CWMI, indeks massa air tanaman I; CWMII, indeks massa air tanaman II; CWMIII, indeks massa air tanaman III; GCI, indeks klorofil hijau; NDVI, indeks vegetasi perbedaan ternormalisasi; RARSc, analisis rasio spektrum reflektansi karotenoid; RDVI, indeks vegetasi perbedaan ternormalisasi; RECI, indeks klorofil tepi merah; RGBVI, indeks vegetasi merah hijau biru; VREI2, indeks tepi merah Vogelmann.

3.3 Pemilihan visual dan kinerja fitur
Dengan menggunakan intensitas seleksi 10% setiap tahun dan di seluruh data tahun gabungan, 45 aksesi kedelai dipilih dari tiga tahap perkembangan berdasarkan skor layu visual. Seleksi dalam setiap tahap perkembangan menghasilkan seleksi representatif di seluruh kematangan dengan lima galur PI dipilih dari kategori pembungaan, 25 dari perkembangan polong, dan 15 dari perkembangan biji dengan total 45 aksesi dipilih. Delapan aksesi dipilih berulang kali berdasarkan skor layu rendah di setiap tahun individu dan tahun gabungan, dan diselidiki lebih lanjut. Aksesi ini termasuk PI 253651C, PI 437356, PI 54591, PI 91349, PI 91102, PI 603560, PI 479719, dan PI 475810 (Tabel S7 ). PI 253651C dipilih dari kategori stadium pembungaan, PI 475810 dipilih dari perkembangan biji, dan enam aksesi sisanya dipilih dari stadium perkembangan polong. Empat dari pilihan ini (PI 479719, PI 91102, PI 437356, dan PI 475810) menandai aksesi MG I dan MG II pertama yang dilaporkan dengan skor layu tajuk rendah di bawah tekanan kekeringan. Dengan menggunakan intensitas seleksi 10% dalam setiap stadium perkembangan, 45 galur dengan luas tajuk terbesar berdasarkan citra drone RGB dipilih (Tabel S8 ). Dari 45 galur ini, 22% juga dipilih di antara 45 galur layu lambat.

Dari studi sebelumnya, hasil rata-rata untuk subset 257 aksesi dari panel ini adalah 2172,21 kg/ha yang dikumpulkan di 6 kombinasi tahun/lokasi pada tahun 2016 dan 2017 (Parmley et al., 2019 ). Delapan galur yang dipilih berulang kali melaporkan hasil LS Means berkisar antara 1970,46 hingga 2508,46 kg/ha. Pada penyelidikan lebih lanjut, korelasi Pearson yang tidak signifikan diamati antara skor layu dan hasil (0,12) serta luas tajuk di bawah kekeringan dan hasil (−0,03) di enam kombinasi tahun/lokasi. Simulasi pada jagung dan kedelai menunjukkan bahwa pemuliaan untuk hasil tinggi di bawah kekeringan dapat menghasilkan genotipe dengan kinerja tinggi di lingkungan yang kekurangan air dan ideal (Cooper et al., 2014 ; Jubery et al., 2019 ; TR Sinclair et al., 2010 ). Sementara sifat-sifat seperti layu lambat, penutupan stomata awal, dan fiksasi N 2 yang tangguh dapat meningkatkan hasil panen di sebagian besar lahan kedelai AS, sifat-sifat seperti pemanjangan akar yang cepat dapat berdampak negatif pada hasil panen di beberapa lingkungan (T. Sinclair et al., 2007 ; TR Sinclair et al., 2010 ).

Tiga galur pemeriksa (CL0J173-6-8, LG05-4832, dan 5M20-2-5-2) termasuk di antara 45 galur yang dipilih untuk skor layu rendah di bawah kekeringan dari data gabungan 2020–2022 dan menunjukkan hasil LS Means yang tinggi di enam lokasi (4398,22, 4008,16, 4061,96 kg/ha). Dengan penyelidikan hasil lebih lanjut di bawah kekeringan, galur-galur ini dapat menjadi titik awal untuk mengembangkan ideotipe yang berdaya hasil tinggi, tangguh, dan toleran kekeringan, atau bertindak sebagai pemeriksa dalam uji coba pemuliaan lanjutan. Uji coba ini tidak mengumpulkan data hasil karena keterbatasan ukuran plot kecil. Evaluasi hasil di masa mendatang harus difokuskan pada pengujian galur terpilih yang layu lambat dan galur yang dipilih untuk peningkatan luas tajuk dalam kondisi kekeringan. Membandingkan kinerja hasil antara kedua strategi seleksi ini dapat membantu mengidentifikasi sumber toleransi kekeringan yang berbeda dalam panel MG awal ini.

Selanjutnya, tujuannya adalah untuk mengevaluasi efektivitas teknologi berbasis sensor dalam mereplikasi proses seleksi visual pemulia dengan menguji kemampuan sensor untuk memilih galur yang sama yang dipilih secara visual oleh pemulia berdasarkan skor layu. Untuk mempelajari korespondensi antara seleksi skor layu dan seleksi berbasis VI, delapan aksesi yang dipilih berulang kali diselidiki secara rinci dan dianggap sebagai data dasar untuk evaluasi akurasi sensor.

Membandingkan kinerja VI tunggal, RGBVI_rgb memilih tumpang tindih tertinggi dari delapan aksesi yang dipilih secara visual, memilih hingga 87,5% dari aksesi yang dipilih berulang kali pada tahun 2020 dan 2021 (Tabel 4 ). Hal ini tidak terduga karena RGBVI_rgb seharusnya memiliki tumpang tindih yang tinggi dengan skor layu karena keduanya mengambil fitur yang serupa, seperti bagian bawah daun kedelai yang lebih terang karena pengeritingan (Zhou et al., 2020 ) dan warna kuning dari penuaan daun. Tumpang tindih pemilihan RGB yang lebih tinggi dibandingkan dengan VI berbasis hiperspektral dan multispektral menyoroti pentingnya wilayah berbasis visual dalam menilai layu tajuk pada kedelai. RGBVI_multispektral memiliki korelasi yang sangat rendah dengan skor layu. Karena data sensor multispektral memiliki resolusi yang lebih rendah, resolusi citra untuk data RGB dapat memainkan peran penting dalam akurasi pemilihan, dan tergantung pada tujuan penelitian, sensor yang ideal dapat dipilih. RARSc_hyperspectral juga mampu mengidentifikasi hingga 75% aksesi yang dipilih berulang kali oleh pemulia. Penerapan intensitas seleksi 10% pada RGBVI_rgb dan RARSc_hyperspectral sepanjang 2020–2022 memilih enam dari delapan seleksi berulang berbasis visual dan sekitar 40% dari daftar lengkap 45 seleksi berbasis visual (Gambar 4 ). Akurasi serupa telah ditemukan dalam penelitian yang mengeksplorasi klasifikasi kekeringan kedelai (Jones et al., 2024 ; Zhou et al., 2020 , 2021 , 2022 ).

Singkatan: CWM, indeks massa air tanaman; CWMI, indeks massa air tanaman I; CWMII, indeks massa air tanaman II; CWMIII, indeks massa air tanaman III; GCI, indeks klorofil hijau; NDVI, indeks vegetasi perbedaan ternormalisasi; RARSc, analisis rasio spektrum reflektansi karotenoid; RDVI, indeks vegetasi perbedaan ternormalisasi; RECI, indeks klorofil tepi merah; RGBVI, indeks vegetasi merah hijau biru; VREI2, indeks tepi merah Vogelmann.

4 KESIMPULAN
Beberapa penelitian telah mengeksplorasi toleransi kekeringan pada kedelai MG awal. Untuk menjembatani kesenjangan ini bagi pemulia tanaman untuk mengembangkan varietas toleran yang beradaptasi dengan Midwest AS bagian atas, penelitian ini menyaring panel besar yang terdiri dari 450 aksesi kedelai untuk mengetahui keragaman respons kekeringan melalui skor layu tajuk visual dan sensor tanah dan UAV. Delapan aksesi berulang kali diidentifikasi dalam 10% aksesi teratas dengan skor layu terendah, yang menunjukkan kemungkinan sumber toleransi kekeringan. Seleksi berdasarkan luas tajuk memilih 22% aksesi yang tumpang tindih yang dipilih untuk skor layu rendah. Bersama-sama galur ini dapat memberi pemulia galur parental potensial untuk dimasukkan ke dalam program pemuliaan dan potensi untuk penyelidikan lebih lanjut untuk hasil tinggi di bawah tekanan kekeringan. VI hiperspektral, multispektral, dan berbasis RGB dievaluasi untuk mengetahui kemampuannya meniru seleksi berulang dari pemulia, yang menghasilkan hingga 87,5% kesepakatan seleksi antara RGBVI dan seleksi visual pemulia. Dengan mengintegrasikan temuan ini, petani dapat memperoleh manfaat dari varietas kedelai yang lebih tahan kekeringan dengan mengurangi layu tajuk dan meningkatkan kinerja tanaman dalam kondisi kekeringan di Midwest AS.