点击蓝色字免费订阅，每天收到这样的好资讯
使用近地传感器和机器学习方法进行表型分析，可鉴定小麦叶枯病的相关症状，植物表型资讯介绍如下。
使用近地传感器进行表型分析，可以在受控条件和田间进行高精度植物性状测量。本文利用机器学习算法，对从光谱辐射计、红外温度计和叶绿素荧光测量获得的数据进行综合分析，以确定用于研究小麦叶枯病（STB）的最具预测性测量参数。研究发现，缺绿病和坏疽的随机森林（RF）模型确定了光系统II量子产率（QY）和营养指数（VIS）与叶片的生化组成相关联，可作为识别疾病症状的首选预测变量。研究人员用一个验证组（R20.80）和一个独立的测试组（R20.55）验证了缺绿症状的RF模型。通过研究结果可得出结论：光合系统II、叶绿素含量、类胡萝卜素和花青素水平以及叶表面温度的替代测量可成功用于检测STB。进一步实地验证这些结果将使这些预测变量应用于田间的STB检测。
10个冬小麦栽培品种在接受不同调控后的小麦叶枯病情况
染病后14、15、17和18天，10个冬小麦品种的植被指数、QY和叶温的主成分分析（PCA）
来源：
OdilbekovF, ArmonienéR, Henriksson T and ChawadeA, Proximal phenotyping and machine learning methods to identify Septoria tritici blotch disease symptoms in wheat, Front. Plant Sci. | doi: 10.3389/fpls.2018.00685