芒草是生物能源生产中最有前途的多年生作物之一，因为它能够以较小的环境足迹生产高产。这种多用途的草有很大的潜力可以表现得更好，因为与玉米或大豆等成熟的商品作物相比，通过育种对其进行改良的努力要少得多。
然而，如果要在芒草中发挥可持续和有弹性的生物质生产潜力，育种必须变得更快、更有效。该过程的一个关键瓶颈是能够测量田间数千种作物的生长情况并选择少数表现最佳的品种。这需要新的、复杂的技术来捕获和分析数据。
高级生物能源和生物产品创新中心(CABBI)的研究人员进行的一项研究表明，无人驾驶飞行器(UAV或无人机)与尖端机器学习方法相结合如何有助于在芒草育种计划中选择最佳候选基因型。该团队使用神经网络(模拟人脑和神经系统的计算机系统)来分析非常高分辨率的航拍图像，并在作物生长季节识别芒草的关键性状。
特别是，CABBI研究人员强调，与传统的神经网络相比，使用旨在分析三维(空间和时间的二维)数据的神经网络可以更好地估计作物性状(开花时间、高度和生物量)仅在空间中的两个维度上分析数据。这使他们能够利用有关田间数千株植物随时间变化的信息。此外，3D神经网络被证明能够自动执行图像分析过程的各个方面(即，在图像中寻找植物)，在许多其他情况下，这需要大量的人工干预，这会减慢处理速度。
这对于芒草等高产多年生草本尤为重要，在这些草本中，田间表型分析更具挑战性，也更有价值。
该研究发表在《遥感》上，由美国能源部资助的生物能源研究中心CABBI的博士后研究员SebastianVarela领导;AndrewLeakey，CABBI主任、教授兼植物生物学系主任，以及伊利诺伊大学厄巴纳分校作物科学系CarlR.Woese基因组生物学研究所(IGB)和数字农业中心教授-原野;ErikSacks，CABBI的原料生产副主题负责人，伊利诺伊州作物科学和IGB教授。
这是第一次尝试使用数字技术对大量遗传多样的芒草种群进行数据密集型监测。为了进行评估，研究人员使用无人机在生长季节拍摄了10次作物的高分辨率图像，以及数千种芒草基因型的地面数据，以确定它们的开花时间、高度和生物量产量。成像结合了提供数字表面模型的摄影测量和可以获得人眼不可见的图像的多光谱传感技术。
“这是朝着开发数字应用程序迈出的令人兴奋的一步，它可以以传统人工筛选成本的一小部分简化最佳候选基因型的选择，”Leakey说。“这只是CABBI正在开展的更广泛工作中的一个关键步骤，以提供所需的科学理解和技术进步，以使美国中部地区实现对环境有益和有利可图的生物能源成为现实”
Sacks说：“我们测量芒草性状(如产量和高度)的标准方法需要很长时间和大量劳动力，但这些新的成像方法更快、成本更低。使用更新的方法，我们可以评估更多的芒草种群。芒草花同样的钱——这将使我们能够更快地选择更好的育种系和品种。”
该研究的共同作者包括博士。学生XuyingZheng、本科生DylanP.Allen和研究技术员JeremyRuhter，均来自CABBI和作物科学;和博士学位。作物科学的学生JoyceN.Njuguna。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！