在玉米和大豆基因型中使用植被指数和计算智能进行高通量表型化.
Paulo E Teodoro1, Larissa P R Teodoro2, Fabio H R Baio2
1Federal University of Mato Grosso do Sul (UFMS), Chapadão do Sul, MS, Brazil. eduteodoro@hotmail.com.
Plant methods
|October 30, 2024
概括
高通量表型 (HTP) 植被指数 (VIs) 可以预测作物特征. 使用像SAVI,GNDVI,NDVI和NDRE这样的VI的人工神经网络 (ANN) 可以准确预测玉米和大豆的谷物产量和其他农业学变量.
科学领域:
- 农业科学 农业科学
- 植物育种 植物育种
- 遥感 遥感 遥感 遥感
背景情况:
- 提高作物育种效率需要对谷物产量 (GY) 等复杂农学特征进行准确的表型评估.
- 高通量表型 (HTP) 为数据采集提供了先进的方法,但了解其与传统农学变量之间的关系至关重要.
- 来自HTP数据的植被指数 (VIs) 有潜力间接评估作物表现.
研究的目的:
- 调查农业学变量与在玉米和大豆中通过遥感获得的VI之间的关联.
- 识别使用VI作为输入来预测GY的计算智能模型.
- 评估多重回归模型 (MLR) 和人工神经网络 (ANN) 的预测精度.
主要方法:
- 用多个生长季节的玉米和大豆基因型进行了比较的实地试验.
- 基于无人机 (UAV) 的多光谱成像被用来捕捉R1生长阶段的树冠反射.
- 计算了各种VI,并使用关联网络和路径分析分析了它们与农学特征 (例如植物高度,GY) 的关联. 为了预测,开发了MLR和ANN模型.
主要成果:
- 在玉米和大豆中,VI显示了农学变量的显著预测能力.
- 特定的VI,包括土壤调整的植被指数 (SAVI) 和绿色规范差异植被指数 (GNDVI),对玉米特征产生了强烈的直接影响.
- 规范差异植被指数 (NDVI) 和规范差异红边指数 (NDRE) 与大豆特征呈现积极关联.
- 人工神经网络 (ANN) 在预测农业学变量方面表现优于多重回归模型 (MLR),达到更高的准确性.
结论:
- 来自HTP的植被指数是预测玉米和大豆中关键农学变量的有效工具.
- 在使用VIs进行GY预测时,ANNs提供了比MLR更准确的方法.
- 对各种植物特征和光谱变量的进一步研究将增强对高级作物育种特征光谱关系的理解.


