Plant Methods | 基于深度学习和高光谱的小麦生理性状预测

对于作物育种而言，从数千种基因型中筛选出影响产量的关键性状，并快速地进行田间测量是最主要的一项研究瓶颈。该研究开发了一种深度学习模型，利用高光谱反射率数据来预测小麦叶片中与光合性能相关的生理性状。

01

为了加快预测小麦种群的光合及叶片性状的遗传变异进程，过往的研究将叶片高光谱反射率数据应用于偏最小二乘回归(PLSR)来训练机器学习模型。然而该应用对于输入的光谱波长范围具有固定要求，并且需要针对每个特征和波长范围单独定制模型，加上利用短波红外区的反射光谱需要昂贵的多探测器光谱仪，使得该模型难以得到广泛应用。

02

为了解决以上难题，研究团队开发了一个基于偏最小二乘回归(PLSR)和高光谱反射的机器学习框架，为验证该方法的准确性，研究将PLSR预测的结果与各种深度学习方法和集成模型进行比较。

整个数据集的平均值、标准差、最小和最大反射率测量值

03

实验结果显示，集成模型在所有性状上的表现都优于单独的PLSR模型，结果如下表。证明了深度学习和集成模型可以提高PLSR预测小麦光合和相关叶片性状的准确性。

此外，通过限制输入的光谱范围，研究得出五个性状的预测精度如下图所示，证明了该模型可以灵活地跨光谱范围应用，同时不会对预测精度造成显著的影响。

关键性状的输入值的光谱范围的影响

该研究提出了一种预测小麦生理性状的方法，可根据叶片高光谱反射率预测小麦叶片和光合特性，且不需要全光谱、高成本的叶片光谱仪，对小麦产量预测和作物育种具有重要意义。

doi:10.1186/s13007-021-00806-6