基于图像的种子架构特征的表型化和使用大豆机器学习模型预测种子重量

科学领域:

• 农业学和作物科学 农业学和作物科学
• 植物育种 植物育种
• 数字图像分析 数字图像分析

背景情况:

• 大豆种子的重量对于收获指数和产量优化至关重要.
• 图像传感器的进步使种子特征的非破坏性,实时预测成为可能.
• 基于图像的特征分析提供了一个快速的替代传统的表型.

研究的目的:

• 用数字图像分析来预测大豆百种子重量 (HSW).
• 为了评估各种机器学习算法的性能,用于HSW预测.
• 为了确定优越的大豆基因型,用于育种计划.

主要方法:

• 从164种大豆基因型中提取基于图像的种子结构特征 (i-特征).
• 使用七个机器学习算法 (SLR,MLR,RF,SVR,LR,RR,EN) 进行预测建模.
• 应用主要组件分析 (PCA) 和等级聚类来识别优越的基因型.

主要成果:

• 随机森林 (RF) 和多重线性回归 (MLR) 模型显示出最高的预测准确性 (R2=0.98和0.94).
• 基于图像的关键预测特征包括面积大小 (AS),长度 (L),宽度 (W) 和IS和CG (DS) 之间的距离.
• 基因型IC538070被确定为种子大小和重量优越的.

结论:

• 使用ML进行基于图像的特征预测对于估计大豆HSW有效.
• 射频和MLR模型为大豆育种计划提供了强大的工具.
• 识别出优越的基因型和特征可以加速大豆改进工作.