2019.10.22-26第六届国际植物表型大会

文章来源:万搏体育官网 | 2019-10-30


序号
  海报作者姓名 区域
                       单位项目负责人联系方式             题目
                                                总介绍、背景   关键词



1



Hengbiao Zheng, Meng Zhou, Tao Cheng*, Yan Zhu*(程涛*,朱艳*)





南京




*国家信息农业工程技术中心(NETCIA);

南京农业大学。





zhenghb@njau.edu.cn




综合光谱和结构信息预测水稻籽粒无人机多光谱图像的产量

1、就效率和预测准确性而言,卫星图像和地面遥感传感器可能都不是小农户作物产量预测的理想选择;2、无人机(UAV)系统能够以较低的成本收集高时空分辨率的图像;3、在作物籽粒产量预测方面,多数研究采用光谱植被指数,但在高生物量水平下存在饱和问题,导致生长后期预测精度较低(Du和Noguchi,2017年; Kyratzis等,2017年);4、纹理分析已被证明具有处理植被指数饱和的能力(Sarker and Nichol 2011; Yue et al,2019);5、这项研究的目的是:(1)利用基于无人机的多光谱图像探索图像纹理在产量预测中的能力;(2)通过整合光谱和纹理信息来提高水稻产量预测精度。

无人机,产量预测,多光谱图像,纹理分析



2
Jonathan P.Dash, David Pont, Michael S.Watt, Grant D.Pearse, and Heidi S.Dungey

新西兰


Maxime Bombrun,Scion 49 Sala street,Rotorua, NewZealand.


Maxime.Bombrun@scionresearch.com


森林表型:世界上最大的表型实验室中的机器学习
表型分析是对生物的准确而精确的物理描述。 在林业中,由于生长周期长,结构的复杂性和森林的多变性,高精度表型是具有挑战性的。我们将CatBoost(一种梯度增强机器学习方法)应用在Kaingaroa森林中获取的大量数据。数据集包括62个变量和270万个观测值,这些观测值来自遥感(ALS调查),管理输入(造林和库存实地测量)和永久监测(气候站)。
森林表型,CatBoost机器学习方法



3
David Pont*, Heidi Dungey, Toby Stovold, Natalie Graham. Scion, 49 Sala Street, Rotorua, New Zealand .



*david.pont@scionresearch.com



单棵树的表型开放竞争,微位点和遗传效应



这种新颖的单个树表型分析方法可以进行竞争和微位点效应的划分,从而更准确地分离表型数据的遗传成分。这些方法为表型树的研究提供了一种有效的方法,支持精准林业,也适用于其他作物。


单棵树表型分析,精准林业



4

B. de Solan, F. Baret, A. Comar, N. M ascher, F. Joudel at,

F. Kazemipour, V.M athieu, D.Pin, G. D aubige




法国



ARVALIS-Institut du végétal, 3 rue Joseph et Marie Hackin, 75116 Paris, France

UMT CAPTE, 228 Route de I'Aérodrome, 84914 Avignon, France





便携且经济高效的表型系统
LITERAL是一种新的重要的表型系统。它解决了对灵活、低成本、高生产率的成像设备的需求,以监测田间试验或农民田间的小块土地。实际上,它集成了三个高分辨率RGB相机和可选的多光谱AIRPHEN相机。这组传感器提供了广泛的传感配置,以适应农作物的特异性。所有的传感器都连接在一个采集盒上,这个采集盒可以触发摄像头,存储数据,并与平板电脑进行通信。平板电脑可以通过用户友好的图形界面定义测量场景。测量场景描述每个传感器的配置、试验计划和每个小区中的测量数量。这样可以在现场轻松使用,并确保正确引用每个获取的图像和元数据。 单个电池为所有摄像机和采集盒供电,从而保证了全天疾病检测的电源。LITERAL表型分析系统,灵活、低成本、高生产率,RGB相机、多光谱相机,监测小块土地




5

A B.Potgieter 1, K Laws2, B George-Jaeggli1. 2, C Hunt2, W Guo4, S Reynolds Massey-Reed1,S.Chapman1,A Borrell1,E

Mace1, 2, G L.Hammer1, DR. Jordan 1





澳大利亚

日本

1QAAFI, The University of Queensland, St Lucia, QLD, Australia, 2Agri-Science Queensland, Department of Agriculture and Fisheries, Queensland, Australia, 3CSIRO Agriculture and Food Sciences, St.Lucia QLD, Australia, 4International Field Phenomics Research laboratory, The University of Tokyo, Tokyo, Japan1 QAAFI






利用遥感技术预测倒伏,以提高高粱育种试验的选择性


倒伏对植物育种者来说是一个巨大的挑战,因为在抗倒伏和粮食产量潜力之间存在权衡。倒伏是一个复杂的性状,可能是由于遗传环境或管理因素引起的。在灌浆前后出现水分胁迫时,倒伏会增加;倒伏(茎断)也发生在产量大的时候,然后植物缺水或养分从茎转移到谷粒。当前估算倒伏的方法包括对数千个地块的倒伏进行视觉评分,但记录这些视觉分数既耗时又花费昂贵。遥感为更快和更经济地评估倒伏提供了开发工具的途径。这项研究强调了从多光谱传感器和重构的点云数据获得的高分辨率空间和时间序列数据的使用预测倒伏的初步结果。




倒伏,植物育种,遥感





6



Mirella Sorrentino1,Giuseppe Colla2, Youssef Rouphael3, Klára Panzarová1





捷克

意大利


1PSI(Photon Systems Instruments).spol.s r.o., Drasov.Czech Republic. 2Department of Agriculture, Forestry, Nature and Energy.University of Tuscia,via San Camillo De Lellis snc, Olloo Viterbo, Italy;3Department of Agriculture, Università degli Studi di Napoli Federico ll, via Università 100,80055 Portici(NA).




生菜对干旱胁迫的反应:生长和光合性能的高通量自动表型
在250毫升的盆中装满100克水饱和的Kasmann 2基质,并放入托盘中。每个花盆播种一粒生菜种子(Aquino or Barlach)。托盘用透明盖盖好并放入生长箱(步入式FrtoScope FS-WD),温度保持在白天23℃夜晚19℃,相对湿度60%,光照12小时-12小时黑暗(250 uE白光,5.5uE远红光)。使用植物筛选“紧凑系统”的称重和浇水站,每隔两天给植物浇一次水。植物已分为对照植物(浇水良好)和胁迫植物(浇水不够)。浇水已达到参考重量。对照植物(田间持水量的70%),156g + l5 g(盆重)+ 1g(蓝垫重量)=172g;胁迫植物(田间持水量的40%)1O4 g + 15 g(盆重)+ Ig(蓝垫重量)= 120g。表型工作在同一天(I DoPh, 表型日)开始,并从植物顶部进行RGB测量(形态和生长分析),并进行叶绿素荧光测量(光合性能)以及称重和浇水。测量从早晨8点左右开始,一直持续到傍晚。将托盘以随机顺序手动加载到植物筛选 Compact系统中。将植物在黑暗的适应室内放置15分钟,然后在RGB2相机下的FluorCam下移动,最后移至称重和浇水系统。


生菜,干旱胁迫,高通量自动表型


7


哥伦比亚

德国

Sebastián Parra-Londo?o,Agricultural technical institute(ITA),Buga,Colombia RALF Uptmoor,Crop Production institute,Universit?t Rostock, Germany
高粱表型和基因组多样性的表征:适应非生物胁迫条件所涉及的性状和遗传成分最近,由于高粱具有很高的生物量潜力以及对许多生物和非生物胁迫的耐受性,因此高粱已成为中欧玉米的替代品,成为生物能源作物。由于中欧温带气候可能会对高粱生长产生负面影响,育种者正在努力寻找更适合的基因型。鉴定可能促进植物适应次优条件(如低温和营养物质缺乏)的性状和遗传成分对育种目标至关重要,它们可以通过描述作物物种的形态和遗传多样性来检测。
高粱,生物能源作物,性状和遗传成分






8


Sahameh Shafieel, Lars Martin Lied', Morten Lillemo', Pal From, Ingunn Burud', Jon Arne Dieseth2, Are Vindfallet3, Jose Crossa4, Osama Alshaykh5, Muath Alsheikh1,2







墨西哥

挪威

1 Norwegian University of Life Sciences, NO-1432 ?s, Norway

2 Graminor AS, Hommelstadvegen 60, NO-2322 Ridabu, Norway

3 Making view AS,Gr ?nnegate 83,NO-2317 Hamar

4 International Maize and Wheat Improvement Center(CIMMYT), Apdo Postal 6-641, 06600 Mexico City, Mexico

5 Department of Electrical and Computer Engineering, Boston University, Boston, Massachusetts 02215, USA







时间序列无人机测量的顺序正向选择与支持向量回归相结合来预测小麦籽粒产量





植物育种需要在不同的环境条件下对大量的小区进行稳健的评估。基于谷物产量的育种是一种耗时且昂贵的方法,因此在农业市场上迫切需要创新,快速和非接触式的新方法。本研究探讨了使用多光谱无人机(UAV平台)预测小麦籽粒产量的方法。使用顺序正向选择来选择相关特征,并将支持向量回归(SVR)作为回归模型来建立预测模型。





植物育种,多光谱无人机,顺序正向选择与支持向量回归




9

Y.Zhao1, A.B. Potgieter1. B. Y. Zheng2. K Laws3,B.George-Jaeggli1,3,S. Reynolds Massey-Reed1, S. C. Chapman2.4G. L. Hammer1

and D. R. Jordan1




澳大利亚

日本

1QAAFI. The University of Queensland, St Lucia QLD. Australia, 2CSIRO Agriculture and Food. St Lucia QLD. Australia 3Agri-Science Queensland Department of Agriculture and Fisheries. QLD, Australia. 4School of Agriculture and Food Sciences. The University of Queensland. St Lucia QLD. Australia.


开发用于从高分辨率多光谱照片中自动检测高粱植株和高粱穗的管道


植物的数量和植株穗数决定了谷类作物的产量。直观地计数植物和穗既费时,主观又昂贵。无人机(UAVS)捕获的多光谱图像为高效和准确的高通量表型分析提供了新的机会。红边和近红外光谱为检测植物和穗提供了重要信息。从大量的无人机照片中自动得出准确的反射率信息对于确定植物器官特性至关重要。


高粱,植株和穗检测,无人机,多光谱图像






10





Liemeng Xie1, Alexander Bucksch*1,2,3






1Dept. of Plant Biology, 2Warnell School of Forestry and Natural Resources, 3Inst. of Bioinformatics, University of Georgia






bucksch@uga.edu





植物形态揭示:性状测量统计的形态理论视角
问题:几乎每个人都用“我的植物看起来很幸福”这句话。最有可能的解释是植物的形状在水和肥料的作用下发生了变化。因此,植物形态对养分和水分有效性的反应是一个众所周知的现象。然而,我们很难看到地下根系根据养分和水分的有效性,改变了由根尖驱动的生长。通常可观察封装容器中的根,并祛除通常在田间发生的所有相互作用。因此,经过数十年的植物根系研究,在给定环境中根系结构如何以及为什么出现看似无止境的形状变化仍是一个谜。解决方案:作为回应,我们将表型谱作为一种新的定量理论引入,它通过根结构类型的新维度扩展了已建立的可塑性概念。一个基因型的表型谱由不同的根结构类型组成,每一种根结构类型都与不同的环境可塑性曲线有关。从理论上讲,如果每个根系统中所有位置的所有基本几何测量值都被采用,并且每个个体都被一个完整的根描述符概括,那么一个基因型群体的表型谱就出现了。 描述符具有相似的特征,对应于一种架构类型。结果:我们的新计算方法证明,在干旱和水源充足的条件下,表型范围内的养分可利用性具有可重复的适应性模式。 在三种常见豆基因型(DOR 364,L88-57,SEQ 7)的种群中观察到该模式。 相同的模式多年中均被观察到,并随着形态类型的不同而变化。




植物形态,基因型,表型


11
Marian Brestic1,Marek Zivcak1,Marek Kovar1, Lenka Botyanszka1,Viliam Barek1, Pavol Hauptvogel2

1 Slovak University of Agriculture in Nitra,Slovakia;

2 National Agricultural and Fod Centre,Research Institute of Plant Production, Piestany,Slovakia



marian.brestic@uniag.sk



利用高光谱反射和RGB分析小麦基因库的表型

预计集中在种质库中的遗传资源的表型可为育种计划提供有用的种质。小麦种质具有广泛的表型多样性,包括叶片性状。在我们计划的第一步中,我们从斯洛伐克NAFC-RIPP Piestany的数百种斯洛伐克种质库中选出了35种不同的冬小麦基因型,这些基因型极大地涵盖了多种叶片性状,尤其是叶绿素含量,叶片厚度 ,叶面积等。为了研究叶片性状与干旱胁迫响应之间的联系,我们已经认识到了表型。我们计划的主要长期目标是检验不同的技术和方法是否可以提供有用且可靠的信息,以评估集中在基因库中的小麦遗传资源。
遗传资源,表型,叶片性状,高光谱和RGB


   中文/En
XML 地图 | Sitemap 地图