Integrating Genomic Selection and Machine Learning for Predicting Maize Yield Under Drought
Notice bibliographique
Résumé
Drought stress severely constrains maize yields, posing a significant challenge to global food security. This study explores the integration of genomic selection (GS) and machine learning (ML) methods to improve the accuracy of maize yield prediction under drought conditions. First, we outline the principles of GS, highlighting its advantages over traditional breeding methods and its growing application in drought-tolerant breeding. Next, we explore the application of various ML algorithms (such as random forests, support vector machines, and deep learning) for crop yield prediction, along with their strengths and limitations in the context of genomics. We then propose strategies for integrating GS with ML, including hybrid modeling frameworks and context-specific optimization, and discuss recent trends and research advances. Particular emphasis is placed on drought-specific modeling approaches that incorporate stress-responsive traits and evaluate their predictive accuracy under water-deficit environments. A case study from sub-Saharan Africa illustrates the practical application of an integrated GS-ML prediction system and its implications for climate-resilient maize breeding. Despite this promising outlook, challenges remain, including data heterogeneity, model interpretability, and implementation barriers. This study summarizes the future prospects of advancing the integration of genomic selection and machine learning (GS-ML) through technological innovation and its potential to support global climate-smart maize breeding.
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 | 0,001 | 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 ».