越来越多的人认为无法高效实施高通量的田间表型是限制育种中遗传增益的关键因素。

田间表型：植物经历的真实（即野外）条件下的表型评估。

遗传增益：通过人工选择每单位时间每年实现的性能增加量。

田间表型分析必须融入到更广泛的环境中，而不仅仅是选择正确的性状特征、表型分析工具、评估平台或基本的数据管理方法。表型分析不仅意味着以资源有效的方式开展，还需要适当的试验管理和空间变异处理、定义目标环境中普遍存在的关键约束条件、以及开发更全面的数据管理，包括作物建模。

Trends in Plant Science 2018年3月在线发表了综述 “Translating High-Throughput Phenotyping into Genetic Gain”，将为表型研究者提供一个广泛的视野，指导研究人员如何最好地实施田间表型分析。此文还概述如何以有效的方式弥合育种者和“表型育种者”之间的差距。

由上图可知，高通量的表型分析直接影响三个方面：更精确的遗传筛选、鉴定新的遗传变异以及改进对TPEs （target populations of environments，目标群体环境因子）的筛选以帮助更好的做遗传决策。此外，高通量表型分析也间接影响了育种规模以及育种周期。

最常用于评估大田作物苗期特征的不同遥感工具的总结

利用红 - 绿 - 蓝（RGB）图像进行田间表型分析的应用实例

作者利用相机获取的图像，进一步分析，获得了田间玉米不同类别的特征：作物特征的计数、植物/作物生长的监测和发育以及三维重建。

不同应用场景&不同尺度的表型平台

这些平台使用了基于不同光谱范围的遥感工具，包括 RGB相机（VIS）、多光谱和高光谱传感器和相机、光探测和测距（LiDAR）传感器、热传感器和相机（TIR / LWIR）以及不同类别的雷达。

>> 小结 <<

表型分析和作物生长模型的不断发展，使育种者能够获取有关植物适应性方面的生理决定因素的信息，从而精确选择适合目标环境的品种。在不同的层面上，使用大数据将有助于完善新品种的对生长环境的需求，以了解基因分型×环境×管理（G×E×M）互作。

事实上，最近欧洲的一项研究表明，如何将来自重要目标环境下，当前以及预期（气候变化驱动）环境变量的作物模型与多地点试验及其相关遗传学的产量数据相结合，可以检测到特定的数量性状基因与特定的生长条件有关。预计这种信息的综合利用可以提高重要目标环境下遗传增益。

José Luis Araus, Shawn C. Kefauver, Mainassara Zaman-Allah, Mike S. Olsen, and Jill E. Cairns. Translating High-Throughput Phenotyping into Genetic Gain. Trends in Plant Science, 2018.