大豆生物质的高通量表型化:使用无人机遥感和深度学习模型进行传统特征估计和新型隐性特征提取
Mashiro Okada1, Clément Barras1, Yusuke Toda1
1Graduated School of Agricultural and Life Sciences, The University of Tokyo, Tokyo, Japan.
Plant phenomics (Washington, D.C.)
|September 10, 2024
概括
我们使用无人机遥感和深度学习来估计大豆生物质特征,加速作物繁殖. 这种方法可以准确地预测表型,并确定改进大豆品种的遗传控制特征.
科学领域:
- 农业科学 农业科学
- 植物育种 植物育种
- 遥感技术 遥感技术 遥感技术
背景情况:
- 高通量表型化通过降低成本和时间来加速作物育种.
- 大豆 (Glycine max) 育种需要有效的方法来评估与生物质相关的特征.
研究的目的:
- 开发深度学习模型,利用无人机遥感数据估计大豆生物质特征.
- 评估这些模型的准确性,并探索提取的潜伏特征在育种中的实用性.
主要方法:
- 利用卷积神经网络 (CNN) 与无人机衍生的RGB图像和数字表面模型.
- 训练模型使用5种生物质特征 (干重,茎长,节点,树枝,植物高度) 的手动测量表型.
- 通过10倍交叉验证评估模型准确性,并使用基因组预测评估潜在特征.
主要成果:
- 美国有线电视新闻网 (CNN) 的模型同时对所有5种生物质相关特征准确地估计了大豆表型.
- 深度学习有效地从遥感数据中提取相关特征.
- 低维的潜伏特征显示出遗传控制,表明有可能用于育种应用.
结论:
- 无人机遥感与深度学习相结合,为大豆的高通量表型化提供了强大的工具.
- 提取的潜伏特征对基因组预测和加速大豆遗传改进具有前景.
- 这种综合方法可以显著提高作物育种计划的效率.
