学术中心

全部分类
您现在的位置:
首页
/
/
/
小麦生理预报器:利用深度学习从高光谱反射率测量中预测小麦生理性状

小麦生理预报器:利用深度学习从高光谱反射率测量中预测小麦生理性状

  • 分类:植物表型资讯
  • 作者:PhenoTrait
  • 来源:本站
  • 发布时间:2021-11-21 06:10
  • 访问量:

【概要描述】 本文提供了一个网页应用程序,可供研究人员上传光谱数据并预测小麦生理性状。该研究证明基于深度学习的集成模型可以在不过度拟合的情况下提高PLSR模型预测小麦光合作用及相关叶片性状的准确性。此外,这些模型可以灵活地应用于不同的光谱范围,而不会显著影响精度。

小麦生理预报器:利用深度学习从高光谱反射率测量中预测小麦生理性状

【概要描述】 本文提供了一个网页应用程序,可供研究人员上传光谱数据并预测小麦生理性状。该研究证明基于深度学习的集成模型可以在不过度拟合的情况下提高PLSR模型预测小麦光合作用及相关叶片性状的准确性。此外,这些模型可以灵活地应用于不同的光谱范围,而不会显著影响精度。

  • 分类:植物表型资讯
  • 作者:PhenoTrait
  • 来源:本站
  • 发布时间:2021-11-21 06:10
  • 访问量:
详情

  通过提高光合性能来提高产量已成为现代作物育种的主要目标。优良种质的选择及相关性状的基因定位工作亟需高通量的筛选工具。基于深度机器学习的叶片高光谱反射率可以快速、准确地预测与小麦叶片光合性能相关的生理性状。已发表的偏最小二乘回归(PLSR)光谱模型的应用由于输入光谱波长范围的固定性受到限制。本文比较了各种深度学习方法和集成模型对PLSR光谱模型预测的准确性,旨在训练一种可以灵活应用于不同光谱范围的模型,并且将其应用到更经济的传感器上。

 

  本文使用Silva-Perez等人发表的小麦叶片反射光谱数据,比较了不同的机器深度学习算法,以提高对CO2同化率(A)、最大Rubisco羧化速度(Vcmax)、电子传导速率(J)、单位面积叶片干重(LmA)、单位面积叶片氮含量(N area)等生理性状的预测。将每个特征数据随机分成几组,其中70%用于训练,10%用于验证,20%用于测试。

 

  图1. 用于构建模型的数据集的平均值、标准差、最小和最大反射率测量值

 

  本文采用多层感知器(MLP)、长短记忆递归神经网络(LSTM)、一维卷积神经网络(1D-CNN)三种用于模拟输入序列的神经网络结构对小麦生理性状进行预测,结果显示多任务深度学习集成模型R2值为0.79,PLSR模型产生的R2值为0.74。单位面积叶片氮含量(N area)和单位面积叶片干重(LmA)较难预测;光合参数(Vcmax25)、电子传导速率(J)和CO2同化率(A)的模型性能有了相当大的改善。

 

  图2.使用CNN集成(第1行)、多任务1-DCNN(第2行)和PLSR(第3行)模型在测试集上预测和观察到的关键性状之间的相关性

 

  当Vis/NIR模型(400-1000 nm)与全光谱模型(400-2400 nm)比较时,结果显示N area对短波红外数据的缺失最不敏感,R2值约为0.836-0.931。其他4个性状(尤其是电子传导速率J)的预测精度在短波红外区域受到的光谱调整影响较大,但相关性仍在可接受的范围。表明这些模型的应用可以扩展到波长范围更有限的光谱传感器上。

 

  图3.利用一维卷积神经网络(1D-CNN)模型的测试集对调整输入光谱范围的关键性状预测的相关性

 

  本文提供了一个网页应用程序,可供研究人员上传光谱数据并预测小麦生理性状。该研究证明基于深度学习的集成模型可以在不过度拟合的情况下提高PLSR模型预测小麦光合作用及相关叶片性状的准确性。此外,这些模型可以灵活地应用于不同的光谱范围,而不会显著影响精度。

 

  来源:Furbank, R.T., Silva-Perez, V., Evans, J.R. et al. Wheat physiology predictor: predicting physiological traits in wheat from hyperspectral reflectance measurements using deep learning. Plant Methods 17, 108 (2021). https://doi.org/10.1186/s13007-021-00806-6

  

  编辑:李红叶

关键词:

扫二维码用手机看

推荐新闻

高通量植物表型平台建设注意事项
高通量植物表型平台建设注意事项
发布时间 : 2022-05-20 11:45:57
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。
查看详情
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
作物生理表型测量基础原理
发布时间 : 2022-05-13 10:56:43
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。
查看详情
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。
AI育种,从这里起步
AI育种,从这里起步
发布时间 : 2022-05-09 12:21:00
植物表型本身就是一个跨学科领域,自带AI基因。而植物表型服务的对象就是育种和种植。AI通过植物表型赋能育种,是AI育种的重要发展方向之一。让我们用表型之“瞳”,赋农业之“慧”。
查看详情
植物表型本身就是一个跨学科领域,自带AI基因。而植物表型服务的对象就是育种和种植。AI通过植物表型赋能育种,是AI育种的重要发展方向之一。让我们用表型之“瞳”,赋农业之“慧”。
致即将毕业的你
致即将毕业的你
发布时间 : 2021-04-20 15:29:43
如果您有意向,不要彷徨不要犹豫,赶快将您的简历发到邮箱hr@phenotrait.com吧。
查看详情
如果您有意向,不要彷徨不要犹豫,赶快将您的简历发到邮箱hr@phenotrait.com吧。

视频展示

植物表型架起从数字农业到智慧农业的桥梁
00:30:11
所属分类:
视频展示
发布时间:
2020/12/10
关键词:

专题报道

搜索
确认
取消

联系我们

慧诺瑞德(北京)科技有限公司

地址:北京市海淀区西三旗街道建材城中路12号院8号楼2门 
电话:010-62925490829288548292886482928874
传真:010-62925490-802
Email:
info@phenotrait.com

邮编:100096

在线留言

关注我们

这是描述信息

植物表型圈

这是描述信息

植物表型资讯

慧诺瑞德(北京)科技有限公司版权所有      京ICP备15043840号    网站建设:中企动力   北二分     法律声明