Prediction of soybean seed yield and seed composition at a plot scale before harvesting has potential uses in breeding programs for early-season selection and harvesting decisions. Reflectance information from hyperspectral bands have been mainly used for predicting yield and other crop variables. However, an analysis comparing the prediction accuracy among different crop variables such as LAI, biomass, seed yield and seed protein and oil, when using hyperspectral bands as predictors, is lacking. Our objective is to rank the prediction accuracy among different crop variables using hyperspectral bands captured at different timepoints during the growing season. Our hypothesis is based on a physiological framework where crop variables that are closely associated with light interception (i.e., LAI) would be best predicted by the hyperspectral signal (350 nm–2500 nm) than variables that involve more physiological processes (i.e., biomass, seed yield and seed protein and oil) for their determination. The dataset used for testing this hypothesis involved different genotypes, environments, and management practices. We used Partial Least Squares regression with cross-validation to test the association between the observed variables and the hyperspectral bands. Our results showed that LAI can be best predicted using reflectance information, and suggest that hyperspectral bands are necessary but not sufficient to improve the prediction of other crop variables such as biomass, seed yield, and seed composition traits.

收获前在地块范围内预测大豆种子产量和种子组成在育种计划中具有潜在用途，可用于早季选择和收获决策。来自高光谱波段的反射信息主要用于预测产量和其他作物变量。然而，当使用高光谱波段作为预测因子时，缺乏对不同作物变量（如 LAI、生物量、种子产量和种子蛋白质和油）的预测准确性进行比较的分析。我们的目标是使用在生长季节不同时间点捕获的高光谱波段对不同作物变量之间的预测准确性进行排名。我们的假设基于一个生理框架，其中与光拦截密切相关的作物变量（即，LAI) 最好通过高光谱信号 (350 nm–2500 nm) 进行预测，而不是涉及更多生理过程的变量（即生物量、种子产量和种子蛋白质和油）用于其测定。用于测试这一假设的数据集涉及不同的基因型、环境和管理实践。我们使用带有交叉验证的偏最小二乘回归来测试观察变量与高光谱波段之间的关联。我们的结果表明，可以使用反射率信息最好地预测 LAI，并表明高光谱波段是必要的，但不足以改善对其他作物变量（如生物量、种子产量和种子组成性状）的预测。种子产量和种子蛋白质和油）进行测定。用于测试这一假设的数据集涉及不同的基因型、环境和管理实践。我们使用带有交叉验证的偏最小二乘回归来测试观察变量与高光谱波段之间的关联。我们的结果表明，可以使用反射率信息最好地预测 LAI，并表明高光谱波段是必要的，但不足以改善对其他作物变量（如生物量、种子产量和种子组成性状）的预测。种子产量和种子蛋白质和油）进行测定。用于测试这一假设的数据集涉及不同的基因型、环境和管理实践。我们使用带有交叉验证的偏最小二乘回归来测试观察变量与高光谱波段之间的关联。我们的结果表明，可以使用反射率信息最好地预测 LAI，并表明高光谱波段是必要的，但不足以改善对其他作物变量（如生物量、种子产量和种子组成性状）的预测。我们使用带有交叉验证的偏最小二乘回归来测试观察变量与高光谱波段之间的关联。我们的结果表明，可以使用反射率信息最好地预测 LAI，并表明高光谱波段是必要的，但不足以改善对其他作物变量（如生物量、种子产量和种子组成性状）的预测。我们使用带有交叉验证的偏最小二乘回归来测试观察变量与高光谱波段之间的关联。我们的结果表明，可以使用反射率信息最好地预测 LAI，并表明高光谱波段是必要的，但不足以改善对其他作物变量（如生物量、种子产量和种子组成性状）的预测。