Prediction of symbiotic nitrogen fixation in common bean ( <i>Phaseolus vulgaris</i> L.) using unmanned aerial system remote sensing
Notice bibliographique
Résumé
Abstract Common bean ( Phaseolus vulgaris L.) can fix atmospheric nitrogen (N) through symbiosis with Rhizobia species. This trait is often underutilized by growers and overlooked by breeders due to the laborious and costly evaluation techniques involved. There is a critical need for the development of new screening tools to enhance nitrogen fixation efficiency. Remote sensing techniques utilizing unmanned aerial systems offer a potential solution to this challenge, providing a high‐throughput phenotyping method for trait evaluation. In this study, we investigated the use of vegetation indices and machine learning (ML) methods in estimating symbiotic nitrogen fixation (SNF). Forty‐two black bean breeding lines from the Dry Bean Breeding Program at Michigan State University were grown and compared under both high and low N conditions. A random forest model developed to predict percent nitrogen derived from the atmosphere (%Ndfa) using remote sensing (RS) data resulted in an average accuracy of R 2 = 0.86. A 3‐year evaluation of these trials in Michigan demonstrated how seed yield under unfertilized conditions could be used as an indirect indicator of SNF ability. Two accurate prediction models for yield were developed using stepwise general linear modeling (StepwiseGLM) and Bayesian regularized artificial neural network (BRNeural Network) (stepwise general linear model r = 0.64; Bayesian regularized neural network r = 0.65). These results suggest that seed yield and RS data coupled with ML offer a promising tool to efficiently implement indirect selection for SNF in common bean.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».