La medición de biomasa de alto rendimiento basada en sensor de imagen utilizando modelos de aprendizaje automático en arroz
Autores: Elangovan, Allimuthu; Duc, Nguyen Trung; Raju, Dhandapani; Kumar, Sudhir; Singh, Biswabiplab; Vishwakarma, Chandrapal; Gopala Krishnan, Subbaiyan; Ellur, Ranjith Kumar; Dalal, Monika; Swain, Padmini; Dash, Sushanta Kumar; Singh, Madan Pal; Sahoo, Rabi Narayan; Dinesh, Govindaraj Kamalam; Gupta, Poonam; Chinnusamy, Viswanathan
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
La medición de biomasa de alto rendimiento basada en sensor de imagen utilizando modelos de aprendizaje automático en arroz
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Tecnologías fenómicas
Fenotipado de alto rendimiento
Biomasa
Características derivadas de imágenes
Modelos de aprendizaje automático
Plantas de arroz
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Las tecnologías fenómicas han avanzado rápidamente en el pasado reciente para la fenotipificación de precisión de diversas plantas de cultivo. La fenotipificación de alto rendimiento utilizando sensores de imagen ha demostrado obtener datos más informativos de una gran población de genotipos que las metodologías tradicionales de fenotipificación destructiva. Proporciona datos precisos y de gran dimensión fenómica a una resolución espacial y temporal ultra-superior. La biomasa es un importante rasgo fenotípico de las plantas que puede reflejar el rendimiento agronómico de las plantas de cultivo en términos de crecimiento y rendimiento. Varios rasgos derivados de la imagen, como área, área proyectada de disparo, área proyectada de disparo con altura constante, bio-volumen estimado, etc., y modelos de aprendizaje automático (análisis univariado o multivariado) se han reportado en la literatura para su uso en la predicción no invasiva de la biomasa en diversas plantas de cultivo. Sin embargo, no se han reportado estudios sobre los mejores rasgos derivados de la imagen para una predicción precisa de la biomasa, especialmente para plantas de arroz completamente crecidas (70DAS). En este estudio actual, analizamos un subconjunto de líneas recombinantes de arroz (RILs) que fueron desarrolladas a partir de un cruce entre las variedades de arroz BVD109 x IR20 y cultivadas en condiciones de suelo suficiente (control) y deficiente en nitrógeno (estrés de N). Las imágenes de las plantas se adquirieron utilizando tres sensores diferentes (RGB, IR y NIR) justo antes del muestreo destructivo de las plantas para la estimación cuantitativa del peso fresco (FW) y seco (DW). Se extrajeron un total de 67 rasgos derivados de la imagen y se clasificaron en cuatro grupos, ., rasgos geométricos, de color, IR y NIR. Identificamos un rasgo de rasgo multimodal, la relación de la intensidad gris de PSA y NIR estimada de los sensores RGB y NIR, como un rasgo novedoso para predecir la biomasa en arroz. Entre los 16 modelos de aprendizaje automático probados para predecir la biomasa, el modelo de red neuronal regularizado bayesiano (BRNN) mostró el máximo poder predictivo (R = 0.96 y 0.95 para FW y DW de biomasa, respectivamente) con el menor error de predicción (RMSE y valor de sesgo) tanto en entornos de control como de estrés de N. Así, la biomasa puede predecirse con precisión midiendo parámetros novedosos basados en imagen y modelos de aprendizaje automático basados en redes neuronales en arroz.
Descripción
Las tecnologías fenómicas han avanzado rápidamente en el pasado reciente para la fenotipificación de precisión de diversas plantas de cultivo. La fenotipificación de alto rendimiento utilizando sensores de imagen ha demostrado obtener datos más informativos de una gran población de genotipos que las metodologías tradicionales de fenotipificación destructiva. Proporciona datos precisos y de gran dimensión fenómica a una resolución espacial y temporal ultra-superior. La biomasa es un importante rasgo fenotípico de las plantas que puede reflejar el rendimiento agronómico de las plantas de cultivo en términos de crecimiento y rendimiento. Varios rasgos derivados de la imagen, como área, área proyectada de disparo, área proyectada de disparo con altura constante, bio-volumen estimado, etc., y modelos de aprendizaje automático (análisis univariado o multivariado) se han reportado en la literatura para su uso en la predicción no invasiva de la biomasa en diversas plantas de cultivo. Sin embargo, no se han reportado estudios sobre los mejores rasgos derivados de la imagen para una predicción precisa de la biomasa, especialmente para plantas de arroz completamente crecidas (70DAS). En este estudio actual, analizamos un subconjunto de líneas recombinantes de arroz (RILs) que fueron desarrolladas a partir de un cruce entre las variedades de arroz BVD109 x IR20 y cultivadas en condiciones de suelo suficiente (control) y deficiente en nitrógeno (estrés de N). Las imágenes de las plantas se adquirieron utilizando tres sensores diferentes (RGB, IR y NIR) justo antes del muestreo destructivo de las plantas para la estimación cuantitativa del peso fresco (FW) y seco (DW). Se extrajeron un total de 67 rasgos derivados de la imagen y se clasificaron en cuatro grupos, ., rasgos geométricos, de color, IR y NIR. Identificamos un rasgo de rasgo multimodal, la relación de la intensidad gris de PSA y NIR estimada de los sensores RGB y NIR, como un rasgo novedoso para predecir la biomasa en arroz. Entre los 16 modelos de aprendizaje automático probados para predecir la biomasa, el modelo de red neuronal regularizado bayesiano (BRNN) mostró el máximo poder predictivo (R = 0.96 y 0.95 para FW y DW de biomasa, respectivamente) con el menor error de predicción (RMSE y valor de sesgo) tanto en entornos de control como de estrés de N. Así, la biomasa puede predecirse con precisión midiendo parámetros novedosos basados en imagen y modelos de aprendizaje automático basados en redes neuronales en arroz.