使用VIS/NIR光谱在大豆基因型的谷物产量和工业特征的分类中使用高通量表型化
Dthenifer Cordeiro Santana1, Izabela Cristina de Oliveira1, João Lucas Gouveia de Oliveira2
1Federal University of Mato Grosso do Sul (UFMS), Chapadão do Sul 79560-000, MS, Brazil.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|February 3, 2024
概括
可见和近红外传感器帮助大豆种植者通过分析叶子光谱特征来改善谷物特征. 机器学习算法根据光谱数据准确地分类了大豆基因型,选择的光谱带提高了分类准确度.
科学领域:
- 农业科学 农业科学
- 植物育种 植物育种
- 频谱学是一种光谱学.
背景情况:
- 使用可见和近红外传感器进行高通量表型识别,可以深入了解叶子的光谱特征及其与谷物性质的关系.
- 这种方法有助于大豆种植者指导育种计划,以增强特定的谷物特征,如蛋白质和纤维含量.
研究的目的:
- 根据谷物产量和工业特征对大豆基因型进行分类.
- 使用叶子反射率数据识别高准确度的机器学习算法,用于基因型分类.
- 为算法确定最佳的输入数据,以提高分类性能.
主要方法:
- 一个实地实验涉及32种大豆基因型在一个随机块设计与三个复制.
- 超光谱成像捕捉了叶子反射率 (450-824 nm) 在出现后60天.
- 机器学习算法 (SVM,J48,RF,ANN,DT,LR) 分析了光谱数据 (WL和SB) 和谷物特征数据.
主要成果:
- 根据谷物产量和工业特征成功分类大豆基因型.
- 支持矢量机 (SVM) 和J48算法展示了卓越的分类性能.
- 使用选定的光谱带作为输入数据显著提高了算法的分类准确性.
结论:
- 叶子光谱反射率是大豆谷物产量和工业特征的可行预测指标.
- 机器学习,特别是SVM和J48,有效地根据光谱数据对大豆基因类型进行分类.
- 优化光谱带选择可以提高这些模型对大豆育种的预测能力.
