数千种基因型的产量关键性状进行快速田间测量的需求是作物育种的主要障碍，最近，叶片的高光谱反射数据已被用于训练机器学习模型，使用偏最小二乘回归 (PLSR) 来快速预测小麦和其他物种的光合和叶子性状的遗传变异，然而，已发布的 PLSR 光谱模型的应用受到输入的固定光谱波段的限制，并且需要为每个特征和波段单独定制模型，此外，短波红外区域的反射光谱的使用需要昂贵的多探测器光谱仪。训练一个能够适应来自不同光谱波段的模型，可能会将这种模型扩展到更便宜的传感器。在这里，作者比较了使用各种深度学习方法和集成模型的PLSR的预测准确性，每个模型都使用先前发布的数据集进行训练和测试。

整个数据集的平均值、标准偏差、最小和最大反射率测量值，用于构建以图形表示的模型。

作者证明了PLSR预测的小麦叶片光合作用相关性状的准确性可以通过基于深度学习的模型和集成模型来提高，而不会过度拟合。此外，这些模型可以在不显着影响准确性的情况下灵活地应用于整个光谱范围。


这里使用的一维扩张CNN模型参数，即滤波器大小为5，第一层的扩张因子为1，第二层的扩张因子为2。图中显示了单个输出神经元（红色圆圈）的扩展感受野（所有绿色圆圈）。 所以，这个例子中的每个输出神经元都依赖于13个输入元素

提供了一个改进的方法，可以从叶片高光谱反射率预测小麦叶片和光合性状，而且不需要全波段和高成本的叶片光谱仪。作者提供了一个网络服务用于部署这些算法，从各种光谱数据集预测小麦的生理性状，对小麦产量预测和作物育种具有重要意义。

来源：Plant Methods.Wheat physiology predictor: predicting physiological traits in wheat from hyperspectral reflectance measurements using deep learning.Robert T. Furbank, Viridiana Silva-Perez, John R. Evans, Anthony G. Condon, Gonzalo M. Estavillo, Wennan He, Saul Newman, Richard Poiré, Ashley Hall & Zhen He
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00806-6