數(shù)千種基因型的產(chǎn)量關(guān)鍵性狀進(jìn)行快速田間測(cè)量的需求是作物育種的主要障礙，最近，葉片的高光譜反射數(shù)據(jù)已被用于訓(xùn)練機(jī)器學(xué)習(xí)模型，使用偏最小二乘回歸 (PLSR) 來(lái)快速預(yù)測(cè)小麥和其他物種的光合和葉子性狀的遺傳變異，然而，已發(fā)布的 PLSR 光譜模型的應(yīng)用受到輸入的固定光譜波段的限制，并且需要為每個(gè)特征和波段單獨(dú)定制模型，此外，短波紅外區(qū)域的反射光譜的使用需要昂貴的多探測(cè)器光譜儀。訓(xùn)練一個(gè)能夠適應(yīng)來(lái)自不同光譜波段的模型，可能會(huì)將這種模型擴(kuò)展到更便宜的傳感器。在這里，作者比較了使用各種深度學(xué)習(xí)方法和集成模型的PLSR的預(yù)測(cè)準(zhǔn)確性，每個(gè)模型都使用先前發(fā)布的數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。

整個(gè)數(shù)據(jù)集的平均值、標(biāo)準(zhǔn)偏差、最小和最大反射率測(cè)量值，用于構(gòu)建以圖形表示的模型。

作者證明了PLSR預(yù)測(cè)的小麥葉片光合作用相關(guān)性狀的準(zhǔn)確性可以通過(guò)基于深度學(xué)習(xí)的模型和集成模型來(lái)提高，而不會(huì)過(guò)度擬合。此外，這些模型可以在不顯著影響準(zhǔn)確性的情況下靈活地應(yīng)用于整個(gè)光譜范圍。


這里使用的一維擴(kuò)張CNN模型參數(shù)，即濾波器大小為5，第一層的擴(kuò)張因子為1，第二層的擴(kuò)張因子為2。圖中顯示了單個(gè)輸出神經(jīng)元（紅色圓圈）的擴(kuò)展感受野（所有綠色圓圈）。 所以，這個(gè)例子中的每個(gè)輸出神經(jīng)元都依賴(lài)于13個(gè)輸入元素

提供了一個(gè)改進(jìn)的方法，可以從葉片高光譜反射率預(yù)測(cè)小麥葉片和光合性狀，而且不需要全波段和高成本的葉片光譜儀。作者提供了一個(gè)網(wǎng)絡(luò)服務(wù)用于部署這些算法，從各種光譜數(shù)據(jù)集預(yù)測(cè)小麥的生理性狀，對(duì)小麥產(chǎn)量預(yù)測(cè)和作物育種具有重要意義。

來(lái)源：Plant Methods.Wheat physiology predictor: predicting physiological traits in wheat from hyperspectral reflectance measurements using deep learning.Robert T. Furbank, Viridiana Silva-Perez, John R. Evans, Anthony G. Condon, Gonzalo M. Estavillo, Wennan He, Saul Newman, Richard Poiré, Ashley Hall & Zhen He
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00806-6