測量高光譜反射率預測小麥的生理性狀

  數(shù)千種基因型的產(chǎn)量關(guān)鍵性狀進行快速田間測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)已被用于訓練機器學習模型，

使用偏最小二乘回歸 (PLSR) 來快速預測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，并且需要為每個特征和波段單獨定制模型，

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器光譜儀。訓練一個能夠適應(yīng)來自不同光譜波段的模型，

可能會將這種模型擴展到更便宜的傳感器。使用各種深度學習方法和集成模型的PLSR的預測準確性，

每個模型都使用先前發(fā)布的數(shù)據(jù)集進行訓練和測試。

                                               整個數(shù)據(jù)集的平均值、標準偏差、最小和最大反射率測量值，用于構(gòu)建以圖形表示的模型。

預測的小麥葉片光合作用相關(guān)性狀的準確性可以通過基于深度學習的模型和集成模型來提高，而不會過度擬合。

此外，這些模型可以在不顯著影響準確性的情況下靈活地應(yīng)用于整個光譜范圍。

一維擴張CNN模型參數(shù)，即濾波器大小為5，第一層的擴張因子為1，第二層的擴張因子為2。

圖中顯示了單個輸出神經(jīng)元（紅色圓圈）的擴展感受野（所有綠色圓圈）。 所以，這個例子中的每個輸出神經(jīng)元都依賴于13個輸入元素

提供了一個改進的方法，可以從葉片高光譜反射率預測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。

提供了一個網(wǎng)絡(luò)服務(wù)用于部署這些算法，從各種光譜數(shù)據(jù)集預測小麥的生理性狀，對小麥產(chǎn)量預測和作物育種具有重要意義。