超光谱成像和人工智能增强了葡萄藤根茎对整个葡萄藤光合作用的影响的远程表型

科学领域:

• 葡萄种植和植物生理学
• 遥感和人工智能 遥感和人工智能

背景情况:

• 根茎对于管理非生物压力和增强葡萄藤生理学至关重要.
• 关键的光合作用参数,RuBP的最大碳素化速率 (V_cmax) 和最大电子输送速率 (J_max),是根茎影响的目标.
• 直接测量这些特征是耗时的,限制了选效率.

研究的目的:

• 开发一种高通量方法,用高光谱成像和人工智能来预测葡萄藤的光合作用特征.
• 评估根茎基因型和日长对后代光合作用性能的影响 (V_cmax和J_max).

主要方法:

• 利用高光谱成像 (400-1000 nm) 来捕捉葡萄树的光学特性.
• 开发了人工智能模型,包括1D卷积神经网络 (CNN),以预测V_cmax和J_max.
• 收集了两个生长季节的数据,用于五个根茎上的"Marquette"树苗,以及在不同日长下的自我移植的对照.

主要成果:

• 在根茎和日长之间观察到光合作用效率 (V_cmax和J_max) 的显著差异.
• 基于1D-CNN的模型实现了0.60的R²,用于预测V_cmax和J_max.
• 将天气和叶绿素数据纳入模型的准确性略有提高.

结论:

• 超光谱成像与人工智能相结合,为整个葡萄树的光合作用评估提供了一个强大的工具.
• 这种方法促进了根茎基因型的高通量选,以提高后代的光合作用潜力.
• 根茎选择可以优化,以提高葡萄藤的性能和应激弹性.