Identificación de variedades de arroz japónica tolerantes a la salina y alcalina mediante aprendizaje automático basado en espectroscopía Raman y análisis visual en Python
Autores: Liu, Rui; Tan, Feng; Wang, Yaxuan; Ma, Bo; Yuan, Ming; Wang, Lianxia; Zhao, Xin
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Identificación de variedades de arroz japónica tolerantes a la salina y alcalina mediante aprendizaje automático basado en espectroscopía Raman y análisis visual en Python
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Salino- alcalino
Arroz
Método de identificación
Espectroscopía Raman
Variedades japónicas
SVM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
El núcleo de la mejora de tierras salinas- alcalinas es plantar plantas adecuadas. Plantar arroz en tierras salinas- alcalinas no solo puede mejorar eficazmente el suelo salino- alcalino, sino también aumentar el rendimiento de grano. Sin embargo, los métodos tradicionales de identificación de variedades de arroz tolerantes a la salinidad- alcalinidad requieren investigaciones de campo tediosas y que consumen mucho tiempo basadas en indicadores de crecimiento por parte de los criadores de arroz. En este estudio, se utilizó el método de visualización del procesamiento de datos de Python para analizar la espectroscopia Raman del arroz japónica con el fin de estudiar un método de identificación simple y eficiente de variedades de arroz japónica tolerantes a la salinidad- alcalinidad. Tres variedades de arroz japónica tolerantes a la salinidad- alcalinidad y tres variedades de arroz japónica sensibles a la salinidad- alcalinidad fueron recolectadas de campos de control y tratados con salinidad- alcalinidad, respectivamente, y se obtuvieron los espectros Raman de 432 muestras. La etapa de preprocesamiento de datos utilizó el método de diferencia de filtrado para procesar los datos espectrales Raman y completar la reducción de interferencias y la extracción de crestas. En la etapa de selección de características, se utilizaron scipy.signal.find_peaks (SSFP), SelectKBest (SKB) y eliminación de características recursivas (RFE) para la selección de características de la máquina de datos espectrales. Según la dimensión de características obtenida por la selección de características de la máquina, la partición del conjunto de datos por K-fold CV, se establecieron los modelos típicos de regresión logística lineal (LR) y máquina de vectores de soporte no lineal típica (SVM) para la clasificación. Los resultados experimentales mostraron que el modelo de identificación SVM no lineal típico basado en la selección de características de la máquina RFE y la partición del conjunto de datos por seis fold CV tuvo la mejor tasa de identificación, que fue del 94%. Por lo tanto, el modelo de clasificación SVM propuesto en este estudio podría ayudar en la identificación inteligente de variedades de arroz japónica tolerantes a la salinidad- alcalinidad.
Descripción
El núcleo de la mejora de tierras salinas- alcalinas es plantar plantas adecuadas. Plantar arroz en tierras salinas- alcalinas no solo puede mejorar eficazmente el suelo salino- alcalino, sino también aumentar el rendimiento de grano. Sin embargo, los métodos tradicionales de identificación de variedades de arroz tolerantes a la salinidad- alcalinidad requieren investigaciones de campo tediosas y que consumen mucho tiempo basadas en indicadores de crecimiento por parte de los criadores de arroz. En este estudio, se utilizó el método de visualización del procesamiento de datos de Python para analizar la espectroscopia Raman del arroz japónica con el fin de estudiar un método de identificación simple y eficiente de variedades de arroz japónica tolerantes a la salinidad- alcalinidad. Tres variedades de arroz japónica tolerantes a la salinidad- alcalinidad y tres variedades de arroz japónica sensibles a la salinidad- alcalinidad fueron recolectadas de campos de control y tratados con salinidad- alcalinidad, respectivamente, y se obtuvieron los espectros Raman de 432 muestras. La etapa de preprocesamiento de datos utilizó el método de diferencia de filtrado para procesar los datos espectrales Raman y completar la reducción de interferencias y la extracción de crestas. En la etapa de selección de características, se utilizaron scipy.signal.find_peaks (SSFP), SelectKBest (SKB) y eliminación de características recursivas (RFE) para la selección de características de la máquina de datos espectrales. Según la dimensión de características obtenida por la selección de características de la máquina, la partición del conjunto de datos por K-fold CV, se establecieron los modelos típicos de regresión logística lineal (LR) y máquina de vectores de soporte no lineal típica (SVM) para la clasificación. Los resultados experimentales mostraron que el modelo de identificación SVM no lineal típico basado en la selección de características de la máquina RFE y la partición del conjunto de datos por seis fold CV tuvo la mejor tasa de identificación, que fue del 94%. Por lo tanto, el modelo de clasificación SVM propuesto en este estudio podría ayudar en la identificación inteligente de variedades de arroz japónica tolerantes a la salinidad- alcalinidad.