在不同的管理实践下,模拟商业杂交的谷物生物化学组成特征

科学领域:

• 农业科学 农业科学
• 生物化学 生物化学
• 数据科学数据科学数据科学

背景情况:

• (Sorghum bicolor) 对于食品,料和生物燃料至关重要.
• 准确估计谷物生物化学特征,如原蛋白,氨酸,粉,粉和原油脂肪对于改进至关重要.
• 目前用于组合分析的实验室方法昂贵且耗时.

研究的目的:

• 确定一组最小的收获后测量方法,以准确估计谷生物化学成分.
• 为了降低与分析麦谷物质量特征相关的实验室成本.
• 为了利用机器学习来预测杂物中关键的谷物成分特征.

主要方法:

• 机器学习 (ML) 模型被用来预测谷物质量特征.
• 多年实地试验 (2023-2024) 的数据综合了农业学,生理学,无人机和环境数据.
• 使用和验证了LASSO,ElasticNet,贝叶斯和部分最小平方 (PLS) 模型.

主要成果:

• 拉索和ElasticNet模型在预测原蛋白 (R2 = 0.90) 和粉糖含量 (AMLS,R2 = 0.99;AMLG,R2 = 0.92) 中取得了高准确性.
• 贝叶斯山脊对蛋白质中的氨酸有效 (R2 = 0.64),PLS在粉含量预测方面表现出色 (R2 = 0.80).
• 光合作用效率和产量与谷物成分相关,而叶子温度和口腔导电性对粉糖含量表现出非线性影响.

结论:

• 基因型 × 管理相互作用显著影响麦谷物成分.
• 基于机器学习的模型是提高谷物质量预测和精准农业的宝贵工具.
• 这种方法可以通过优化收获后分析策略来降低实验室成本.