數(shù)千種基因型的產量關鍵性狀進行快速田間測量的需求是作物育種的主要障礙，最近，葉片的高光譜反射數(shù)據(jù)已被用于訓練機器學習模型，使用偏最小二乘回歸 (PLSR) 來快速預測小麥和其他物種的光合和葉子性狀的遺傳變異，然而，已發(fā)布的 PLSR 光譜模型的應用受到輸入的固定光譜波段的限制，并且需要為每個特征和波段單獨定制模型，此外，短波紅外區(qū)域的反射光譜的使用需要昂貴的多探測器光譜儀。訓練一個能夠適應來自不同光譜波段的模型，可能會將這種模型擴展到更便宜的傳感器。在這里，作者比較了使用各種深度學習方法和集成模型的PLSR的預測準確性，每個模型都使用先前發(fā)布的數(shù)據(jù)集進行訓練和測試。
整個數(shù)據(jù)集的平均值、標準偏差、最小和最大反射率測量值，用于構建以圖形表示的模型。
作者證明了PLSR預測的小麥葉片光合作用相關性狀的準確性可以通過基于深度學習的模型和集成模型來提高，而不會過度擬合。此外，這些模型可以在不顯著影響準確性的情況下靈活地應用于整個光譜范圍。
這里使用的一維擴張CNN模型參數(shù)，即濾波器大小為5，第一層的擴張因子為1，第二層的擴張因子為2。圖中顯示了單個輸出神經元（紅色圓圈）的擴展感受野（所有綠色圓圈）。 所以，這個例子中的每個輸出神經元都依賴于13個輸入元素
提供了一個改進的方法，可以從葉片高光譜反射率預測小麥葉片和光合性狀，而且不需要全波段和高成本的葉片光譜儀。作者提供了一個網絡服務用于部署這些算法，從各種光譜數(shù)據(jù)集預測小麥的生理性狀，對小麥產量預測和作物育種具有重要意義。
來源：Plant Methods.Wheat physiology predictor: predicting physiological traits in wheat from hyperspectral reflectance measurements using deep learning.Robert T. Furbank, Viridiana Silva-Perez, John R. Evans, Anthony G. Condon, Gonzalo M. Estavillo, Wennan He, Saul Newman, Richard Poiré, Ashley Hall & Zhen He
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00806-6
鄂公網安備42018502003245號 網站地圖
