作物对高温与干旱耐受性的分类：一种深度卷积神经网络方法
机器学习
2019-12-06 v5 定量方法
应用统计
机器学习
摘要
干旱和高温等环境胁迫会造成农业大幅减产。因此，相较于不耐受这些胁迫的杂交种，耐受干旱与高温胁迫的杂交作物能够产出更稳定的产量。在 2019 年 Syngenta 作物挑战赛中，Syngenta 发布了若干大型数据集，记录了 2008 至 2017 年间种植于 1,560 个地点的 2,452 个玉米杂交种的产量表现，并要求参赛者将玉米杂交种分类为对干旱胁迫、高温胁迫以及干旱与高温复合胁迫耐受或敏感。然而，所提供的数据中并未对任何杂交种集合就任一类型胁迫标注耐受或敏感。在本文中，我们提出了一种解决该问题的无监督方法，该方法被评为 2019 年 Syngenta 作物挑战赛的获胜方案之一。我们的结果将 121 个杂交种标记为干旱耐受，193 个为高温耐受，29 个为对两种胁迫均耐受。
引用
@article{arxiv.1906.00454,
title = {Classification of Crop Tolerance to Heat and Drought: A Deep Convolutional Neural Networks Approach},
author = {Saeed Khaki and Zahra Khalilzadeh and Lizhi Wang},
journal= {arXiv preprint arXiv:1906.00454},
year = {2019}
}
备注
Won the Best Paper Award of the Second International Workshop on Machine Learning for Cyber-Agricultural Systems (Ames, IA, USA). One of the winning solutions to the 2019 INFORMS Syngenta Crop Challenge. Presented at 2019 INFORMS Conference on Business Analytics and Operations Research (Austin, TX, USA). Published in the Agronomy Journal