用自动化高光谱成像在米中量化生理特征变异.
To-Chia Ting1, Augusto C M Souza2, Rachel K Imel1
1Agronomy Department, Purdue University, West Lafayette, IN, United States.
Frontiers in plant science
|October 6, 2023
概括
超光谱成像准确地预测了和碳对的比例在树上. 最佳的模型性能需要仔细的校准集设计和超参数优化,以实现精确的植物表型.
科学领域:
- 植物生理学 植物生理学
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
背景情况:
- 高通量植物表型设施越来越多地使用高光谱成像 (HSI) 来推断植物特征.
- HSI提供了一种非破坏性的方法,用于评估米 (Oryza sativa) 等作物的生理参数.
研究的目的:
- 评估HSI衍生的树冠数据对预测不同加入的生理特征的有效性.
- 评估HSI在分类处理组和预测叶子水平 (N) 和碳对比 (C:N) 的准确性.
主要方法:
- 收集了来自23个基因多样化的米种群在不同气条件下的HSI树冠数据.
- 使用的支持矢量机器用于治疗组分类和部分最小平方回归 (PLSR) 与RReliefF波长选择N和C:N预测.
- 优化了PLSR-RReliefF超参数,并根据校准集设计评估了模型性能.
主要成果:
- HSI成功地以≥83%的准确性对治疗组进行分类.
- PLSR模型准确地预测了叶子N (R2 = 0.797) 和C:N (R2 = 0.592).
- 在一个子群中训练的模型预测了另一种子群的特征,但在不同的处理中没有. 通过300-400波长和至少62个校准样本,可以实现最佳性能.
结论:
- 树冠水平的HSI数据对于估计不同品种的叶子水平N和C:N是有价值的.
- 校准集设计和超参数优化对于开发强大的基于HSI的植物表型模型至关重要.
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.2K
15:30A Telemetric, Gravimetric Platform for Real-Time Physiological Phenotyping of Plant–Environment Interactions
Published on: August 5, 2020
11.6K
