学术中心
机器学习在农业中的应用
发布时间:
2020-12-30
来源:
本站
作者:
PhenoTrait
全球人口的不断增长以及气候变化给农业带来了重大挑战。大多作物新品种都是在特定环境下培育的,周期长,新品种适应不断变化的气候难以实现(Abberton等人,2016年)。因此,迫切需要开发新的方法,加快培育高效、抗逆作物品种的速度。近几十年来,作物育种经历了许多变化,从应用分子标记到转基因作物,以及最近的基因组编辑作物(Scheben等人,2017年)。然而,我们对复杂性状的基因组基础缺乏了解限制了这些方法的应用。在新的基因组测序和表型组学技术产生大量数据的情况下,更加需要新方法将这种爆炸式数据转化为改良的作物品种。
农业数据生命周期概述
深度学习早已不是新鲜事物,但是其在机器人技术、智能汽车、智能家居和农业中的应用近几年才取得了重大进展。深度学习的突破并不是由深度学习方法的重大进步推动的,而是由大型标签训练数据的可用性增加以及计算硬件(尤其是图形处理器(GPU))的进步推动的。随着农业表型和基因型数据的不断增加,应用深度学习加速作物育种和农业生产力势不可挡。本文对深度学习在农业中的应用进行了综述。
来源:
Philipp E. Bayer David Edwards. Machine learning in agriculture: from silos to marketplaces. Plant Biotechnology Journal. https://doi.org/10.1111/pbi.13521.
推荐新闻
本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。
让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。
育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。
生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。
视频展示