一种基于混合深度学习的方法,通过环境选择来获得最佳的基因型

科学领域:

• 农业科学 农业科学
• 计算生物学 计算生物学
• 气候科学 气候科学

背景情况:

• 在不同的天气条件下准确预测作物产量对于开发耐气候作物品种至关重要.
• 基因型与环境的相互作用显著影响作物反应,但很难将其纳入育种计划.
• 机器学习提供了一种数据驱动的解决方案,通过计算基因型与环境相互作用来预测产量.

研究的目的:

• 开发和评估用于预测大豆产量的机器学习模型.
• 调查集合方法在提高产量预测准确度方面的有效性.
• 确定影响大豆产量预测的关键因素.

主要方法:

• 开发了两个卷积神经网络 (CNN) 模型:CNN模型和CNN-LSTM模型,使用大豆杂交产量的大量数据集.
• 应用了通用集合方法 (GEM) 来结合和优化基于CNN的模型.
• 对未见的基因型-位置组合和分析的特征重要性进行模型性能评估.

主要成果:

• 与单个CNN-LSTM和CNN模型相比,GEM整体方法显著提高了预测准确性 (RMSE和MAE).
• 位置,基因型和年份被确定为大豆产量的最关键预测因素.
• 整合州级土壤数据并没有显著提高模型的预测能力.

结论:

• 拟议的数据驱动的GEM模型为基因型选择提供了有价值的工具,特别是在测试年限有限的场景中.
• 机器学习,特别是组合方法,可以有效地模拟复杂的基因型-环境相互作用,用于产量预测.
• 关键的天气变量,如最大直接正常辐射和平均降水,对于准确的产量预测至关重要.