Тъй като изменението на климата засилва междугодишната променливост на времето, селекционерите на растения са под натиск да оценяват повече генотипове в различни среди, като същевременно поддържат разходите за фенотипизиране управляеми. Оскъдното тестване – оценяване само на подмножество от генотипове за всяко местоположение – предлага практично решение, но изисква надеждни предсказващи модели за попълване на липсващите данни. Ново проучване, публикувано в Научни доклади демонстрира, че високопроизводителното фенотипизиране (HTP) от изображения от дронове може да служи като мощен заместител на геномната информация в такива сценарии. Изследователи, работещи с 256 картофени клона в три шведски среди (две локации през периода 2020–2021 г.), извлекли интегрирани във времето индекси на растителност, покривност на короната и височина на растенията от RGB изображения, базирани на безпилотни летателни апарати. Използвайки анализ на главните компоненти (PCA) върху тези характеристики, получени от изображенията, те конструирали „екологично ядро“ (E-kernel), което количествено определя сходството между тестовите места и сравнява неговата предсказваща ефективност със стандартната матрица на геномните връзки (G-kernel) при нива на разреденост на данните, вариращи от 10% до 66%.
Резултатите са поразителни: в сценарии с две среди и 50% пълнота на данните, E-зърното значително превъзхожда както G-зърното, така и тяхната комбинация по всички признаци, повишавайки точността на прогнозиране за общия добив на клубени с 60% и за фракцията с размер 50–60 mm с 62%. При 33% пълнота, съдържанието на нишесте е единственият признак с r² > 0.5 и само E-зърното постига това ниво. Геномното ядро се оказва по-стабилно само при изключителна разреденост (10–20%), докато конвенционалните метеорологични ковариати показват ограничена способност за разграничаване между близки местоположения. Важно е да се отбележи, че комбинирането на G и E зърна не подобрява прогнозите, което предполага припокриване на информация. Авторите признават ограниченията – скромен размер на извадката и изтичане на данни от околната среда – но подчертават, че базираните на изображения зърна от околната среда са рентабилни, мащабируеми и особено ценни за бавно развиващи се култури като тетраплоиден картоф. Този подход предлага прагматичен път за ускоряване на генетичния растеж в програми за селекция с ограничени ресурси, особено за признаци, свързани с добива, като същевременно намалява тежестта на фенотипирането чрез многократно използваеми HTP данни.
