利用无人机图像特征解释冬小麦籽粒产量变化的主变量选择

作者:谷丰光电 来源: 时间:2019-12-13 10:26:57 次数:

此次研究的预期结果表明,从这些变量中选择的一组与全部变量相比,可以在谷物产量预测上具有可比的预测精度,但可能会更好地分配在表型数据收集和处理方面的努力和资源。

自动化表型技术不断推进育种过程。然而,在整个生长季节收集各种次生性状并处理大量数据仍然需要付出大量的努力和时间。选择具有最大预测能力的最小数量的次级性状有可能减少表型努力。本研究的目的是选择从无人机图像中提取的主要特征和对解释冬小麦产量贡献最大的关键生长阶段。

无人机系统在2018年春季生长期采集了5个多光谱图像日期和7个RGB图像日期。从植被指数和株高图中,每个地块提取两类特征(变量),共计172个变量,包括像素统计和动态生长率。采用参数化算法LASSO回归(最小角度和收缩选择算子)和非参数化算法random forest进行变量选择。利用LASSO估计的回归系数和随机森林提供的排序重要性评分,确定各算法影响粮食产量的10个最重要的变量。

两种选择算法都对灌浆期前后与株高相关的变量给予了最高的重要性评分。算法还选取了生长前期、中期和衰老期的部分植被指数相关变量。与使用所有172个来自测量表型的变量进行产量预测相比,使用所选择的变量进行产量预测的结果更接近或更好。我们还注意到,在本研究中,不同遗传背景的NE系(r = 0.58-0.81)的预测精度高于其他系(r = 0.21-0.59)。


现场位置和布局。场地位于美国内布拉斯加州东部(左)。青色线表示飞行路线,黄色矩形表示研究的170个区域(右)。这幅地图是使用2018年4月27日收集的图像生成的


无人机系统(左)和DJI GS Pro应用程序的飞行参数设置(右)

通过基于uas的表型分析获得的超高分辨率的地块图像,我们现在能够获得更多的特征,例如在一个地块内的株高或植被指数的变化,而不仅仅是平均值,这可能对育种非常有用。然而,用这种方法可以导出太多的特性或变量。

此次研究的预期结果表明,从这些变量中选择的一组与全部变量相比,可以在谷物产量预测上具有可比的预测精度,但可能会更好地分配在表型数据收集和处理方面的努力和资源。

 

来源:Plant Methods.Principal variable selection to explain grain yield variation in winter wheat from features extracted from UAV imagery. Jiating Li, Arun-Narenthiran Veeranampalayam-Sivakumar, Madhav Bhatta, Nicholas D. Garst, Hannah Stoll, P. Stephen Baenziger, Vikas Belamkar, Reka Howard, Yufeng Ge & Yeyin Shi .https://plantmethods.biomedcentral.com/articles/10.1186/s13007-019-0508-7#auth-1