В селекции сои на урожайности помогут агродроны с ИИ для фенотипирования и динамического моделирования.
Соя, ценная и маржинальная масличная культура, имеет ограничения по урожайности по сравнению с такими культурами, как кукуруза и рис, что подчеркивает необходимость разработки более урожайных сортов. Чтобы ускорить работу селекционеров, китайские ученые предложили оптимизацию искусственного интеллекта для агродронов.
Портал AgroXXI.ru ознакомился с релизом Нанкинского сельскохозяйственного университета, Китай, в котором намечены перспективы соевых дронов для селекционеров. Исследование под названием «Фенотипирование полевых временных рядов анализа роста сои путем сочетания мультимодального глубокого обучения и динамического моделирования» также было опубликовано в журнале Plant Phenomics: «Взаимосвязь между ранним ростом полога сои и общей урожайностью остается недостаточно изученной, что указывает на значительный пробел в исследованиях. Хотя достижения в области высокопроизводительного фенотипирования, особенно с помощью технологии БПЛА, повысили эффективность мониторинга, они сталкиваются с проблемами в точности анализа данных, особенно в сегментации изображений.
Исследование включало сравнительную оценку точности по сравнению с устоявшимися моделями (например, FCN, UNet, SegNet) и анализ различных архитектур ResNet в качестве магистралей для RIFSeg-Net, что выявило превосходную производительность ResNet-50 с точки зрения точности.
Кроме того, с помощью модели SAM были извлечены отдельные листья сои, задача, требующая значительных вычислительных ресурсов, чтобы классифицировать 200 сортов сои на четыре отдельные группы на основе соотношения сторон листьев. Затем к этим группам было применено динамическое моделирование, в результате которого были выделены пять фенотипических параметров для изучения динамики развития растительного покрова, демонстрирующие значительные различия в покровном покрове между различными подгруппами сои.
Используя БПЛА для сбора данных с высокой временной точностью на протяжении репродуктивного цикла сои, эта методология превосходит традиционное ручное фенотипирование, позволяя проводить крупномасштабные полевые эксперименты с высокой производительностью. Объединение входных мультимодальных данных значительно повышает точность сегментации, позволяя автоматически фиксировать и отслеживать динамику растительного покрова.
Проведенные полевые эксперименты: БПЛА и датчики, использованные для сбора данных (а) и испытание с групповыми локациями (желтые прямоугольники) (b). NanJing Agricultural University.
Динамическое моделирование, подкрепленное функцией роста «S», устанавливает надежные параметры для характеристики различий генотипов, подчеркивая решающую роль ранней силы роста в результатах урожайности. Этот подход не только облегчает детальный фенотипический анализ, ориентированный на раннюю жизнеспособность, но также помогает идентифицировать ресурсы зародышевой плазмы сои с благоприятными характеристиками для выведения более продуктивных и устойчивых сортов.
В заключение, исследование демонстрирует потенциал фенотипирования БПЛА в сочетании с передовыми методами глубокого обучения и динамического моделирования для эффективного фенотипирования широкого спектра генотипов сои, предоставляя неоценимую информацию для выведения высокоурожайных сортов сои. Этот комплексный подход подчеркивает интеграцию передовых технологий и методологий в сельскохозяйственные исследования, тем самым устанавливая новый стандарт высокопроизводительного фенотипирования в полевых условиях».
Источник: NanJing Agricultural University.
Заглавное фото: Медведева Анна, AgroXXI.ru.
Интересна тема? Подпишитесь на наши новости в ДЗЕН | Канал в Telegram | Группа Вконтакте | Дзен.новости.