通过超光谱和机器学习技术对银杏色素进行大规模的非破坏性冠状水平评估
Xin Yang1, Zihan Wei1, Lehao Li1
1State Key Laboratory of Tree Genetics and Breeding, Co-Innovation Center for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing, 210037, Jiangsu, China.
Plant methods
|October 17, 2025
概括
这项研究引入了一种非破坏性的高光谱成像和机器学习模型,用于准确预测金科比洛巴叶中的叶绿素和胡卜素含量. 这种方法支持高效,大规模的植物表型,用于繁殖和生长监测.
科学领域:
- 植物生理学 植物生理学
- 生物化学 生物化学
- 遥感 遥感 遥感 遥感
背景情况:
- 光合作用色素 (叶绿素a,b,胡卜素) 对于银杏的生长和生物活性化合物的合成至关重要.
- 传统的色素分析方法对于大规模,高通量表型化是不够的.
- 准确的色素监测对于评估生理状态和指导育种计划至关重要.
研究的目的:
- 开发一种非破坏性预测模型,用于甲基,乙基和甘草苗中的胡卜素含量.
- 利用高光谱成像和机器学习进行准确和可扩展的色素表型.
- 为高效的生殖基因质查和精密繁殖提供框架.
主要方法:
- 超光谱成像和生物化学色素量化来自不同遗传背景的3460个银杏树苗.
- 阶段优化包括预处理 (规范化),模型选择 (AdaBoost) 和特征波长选择 (SPA).
- 机器学习算法 (AdaBoost,PLSR,RF) 和光谱减小技术 (CARS,SPA) 的比较.
主要成果:
- 规范化预处理显著提高了模型准确性.
- 适应性提升 (AdaBoost) 算法实现了所有颜料的高预测精度 (R2>0.83,RPD>2.4).
- 连续预测算法 (SPA) 有效地减少了光谱维度,同时保持了预测能力.
结论:
- 开发的高光谱成像和机器学习框架使金科比洛巴的色素表型能够高效,准确和可扩展.
- 这种方法为大规模的生殖细胞查和精密育种提供了技术支持.
- 非破坏性色素分析对于监测植物健康和优化育种策略至关重要.
