在来自巴西半干旱地区的Cowpea rhizobia中基于机器学习的固效率的预测
Jardel da Silva Souza1, Adriana Ferreira Martins2, Flávio Pereira de Oliveira2
1Faculty of Agricultural and Veterinary Sciences, São Paulo State University, Jaboticabal, SP, Brasil. jardel.souza@unesp.br.
机器学习使用可见的特征准确地预测牛草根菌的固效率. 这为温室检测提供了一个更快,更便宜的替代方案,用于在可持续农业中选择有效的生物化剂.
科学领域:
- 农业微生物学 农业微生物学
- 机器学习应用 机器学习应用
- 可持续农业 可持续农业
背景情况:
- 在牛 (Vigna unguiculata) 等豆类中优化固是可持续农业的关键.
- 传统上,选择高效的根茎菌生物化剂依赖于耗时的温室气体测试.
- 开发快速,具有成本效益的方法来评估树枝菌的效率是非常可取的.
研究的目的:
- 为了研究机器学习的潜力,以预测牛根茎菌中固效率.
- 为了确定可观察到的表型殖民地特征和固性能之间的相关性.
- 探索一种用于优化生物注射剂选择的新方法.
主要方法:
- 从巴西土壤中分离并对八种本土根茎菌株进行形态表征.
- 温室生物测试以评估积和固定效率的相对指数 (IRF%).
- 开发一个使用殖民地特征来预测总和IRF%的坡回归模型.
主要成果:
- 在预测和实际固值之间观察到强烈的相关性 (r = 0.95-0.96).
- 殖民地表型特征被证明是根茎菌株效率的可靠指标.
- 机器学习模型展示了显著的预测能力.
结论:
- 可见的殖民地特征可以作为有效的代理来预测树根菌固效率.
- 机器学习为传统生物测试方法提供了潜在的成本效益和节省时间的替代方案.
- 在可持续农业中广泛应用之前,建议使用更大的数据集和实地试验进行进一步的验证.
更多相关视频
20:01Single-plant, Sterile Microcosms for Nodulation and Growth of the Legume Plant Medicago truncatula with the Rhizobial Symbiont Sinorhizobium meliloti
Published on: October 1, 2013
12:22Transforming, Genome Editing and Phenotyping the Nitrogen-fixing Tropical Cannabaceae Tree Parasponia andersonii
Published on: August 18, 2019
相关概念视频
Key Elements for Plant Nutrition
Inorganic Nitrogen Assimilation
The Roles of Bacteria and Fungi in Plant Nutrition
Light Acquisition
The Calvin Benson Cycle
