机器学习模型用于预测形态特征,优化罗塞尔 (Hibiscus Sabdariffa L.) 的基因型和种植日期

科学领域:

• 农业科学 农业科学
• 计算生物学 计算生物学
• 遗传学 遗传学 是一个

背景情况:

• 准确预测罗塞尔的形态特征对于提高作物生产率和环境适应性至关重要.
• 了解基因型与环境的相互作用是有效的作物育种和管理的关键.

研究的目的:

• 开发和评估机器学习模型,用于预测Roselle的关键形态特征.
• 确定最佳的基因型和种植日期组合,以最大限度地提高特征值.

主要方法:

• 利用随机森林 (RF) 和多层感知器 (MLP) 算法,根据基因型和种植日期来建模特征.
• 从实地实验中生成的数据集,其中包括十个Roselle基因型和五个种植日期.
• 集成的射频模型与非主导排序遗传算法II (NSGA-II) 进行优化.

主要成果:

• 在预测形态特征方面,RF (R2 = 0.84) 优于MLP (R2 = 0.80).
• 种植日期被确定为影响特征变异的更重要的因素,而不是基因型.
• 确定了最佳条件:5月5日种植的Qaleganj基因型,每棵植物产生26个树枝,176天的生长期,116个子和1517个种子.

结论:

• 机器学习,特别是射频,有效地模拟了罗塞尔的复杂基因型与环境相互作用.
• 将ML与NSGA-II等进化算法集成为作物特征优化提供了一种强大的方法.
• 结果支持使用计算工具来提高作物改进和明智的农学决策.