基于高光谱波段信息对大豆不同作物变量的预测性能比较:从叶面积到种子成分


发布时间:

2021-09-15

来源:

本站

作者:

PhenoTrait

  在大豆收获前预测种植小区内的产量和种子成分有助于早期育种品种的筛选和收获。众所周知,高光谱波段的反射率信息已经被广泛应用于预测作物产量与其他作物变量。然而,在建立基于高光谱波段的预测模型时,缺少对大豆叶面积指数LAI、生物量、种子产量、蛋白质含量和含油量等作物变量预测精度的对比分析。该研究的目标是:(1)利用在不同生长时间点获取的高光谱波段信息对大豆不同作物变量进行预测;(2)根据预测结果的精度对作物变量进行排序;(3)通过对比分析排序结果验证理论假设,即植物生理过程中出现相对较早的作物变量更能被高光谱信号精准预测。

  在该研究的数据分析部分,不同的基因型、生长环境和管理措施下的高光谱波段值与作物变量观测值被用来建立了偏最小二乘回归(PLSR)分析模型。基于交叉验证法评估了5个不同作物变量(LAI、生物量、种子产量、蛋白质含量和含油量)的预测精度,确定了LAI是最能准确预测的作物变量。研究结果表明高光谱反射率信息作为单一数据源可以准确地预测与光截获相关的作物变量,但是不足以提升植物生理过程下游的其他复杂的作物变量的预测精度。文章中指出,在其他作物变量预测过程中引入更多的有价值的作物变量有助于改善模型预测精度。本研究为如何利用高光谱数据对LAI进行预测以及改善与光截获无关的作物变量预测精度提供了研究思路。

 

  图1 大豆发育阶段示意图

  (包括叶面积指数、生物量、产量和组成成分的测定时间点以及高光谱数据获取时间点)

 

  图2 不同作物变量的偏最小二乘回归(PLSR)结果

 

  图3 LAI、生物量R1、生物量R4、种子产量、种子蛋白质和种子含油量的预测值与观测值的对比图

 

  来源: Chiozza, MV, Parmley, KA, Higgins, RH, el al. Comparative prediction accuracy of hyperspectral bands for different soybean crop variables: From leaf area to seed composition. Field Crops Research, Volume 271, Article number: 108260, September 2021. https://doi.org/10.1016/j.fcr.2021.108260.

  

  编辑: 张金诺

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

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。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

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。

作物生理表型测量基础原理

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。