通过使用多来源的表型数据和超光谱成像,评估尼科苏尔在玉米上的生态毒理风险
Tianpu Xiao1, Li Yang1, Xiantao He1
1College of Engineering, China Agricultural University, Beijing 100083, China; The Soil-Machine-Plant key laboratory of the Ministry of Agriculture of China, Beijing 100083, China.
Ecotoxicology and environmental safety
|April 11, 2025
概括
现在可以使用高光谱成像和深度学习来准确,早期检测玉米中的除草剂毒性. 这种非侵入性方法显著改善了可持续农业的传统评估.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 遥感 遥感 遥感 遥感
背景情况:
- 玉米中的除草剂毒性带来了重大的农业管理挑战.
- 传统的毒性评估方法缺乏一致的准确性.
- 需要快速的,非侵入性的技术来早期检测除草剂损害.
研究的目的:
- 探索快速,非侵入性的技术来评估玉米中的除草剂毒性.
- 开发一个全面的毒性评估模型.
- 利用高光谱成像和深度学习用于早期毒性预测.
主要方法:
- 玉米品种经过两种度的尼科硫.
- 分析了生理,生化和生长反应.
- 使用高光谱成像与深度学习 (ToxicNet,ToxicNet-MS) 相结合.
- 与传统的机器学习和经典的深度学习模型进行比较.
主要成果:
- 一个全面的毒性模型显示与传统评估有很强的相关性 (r=0.95).
- 基于光谱的ToxicNet模型在早期毒性预测中实现了89.66%的准确性.
- 综合的ToxicNet-MS模型 (光谱数据,SPAD,含水量) 达到91.38%的准确性.
- 毒素网-MS在不同年份和季节表现出强大的概括性.
结论:
- 先进的高光谱成像和深度学习为早期的,非侵入性的玉米除草剂毒性评估提供了有希望的解决方案.
- 毒素网-MS模型显著优于现有方法.
- 这种方法支持可持续的农业实践和有效的作物管理.
