基于Micro-CT分析大豆种子结构表型及构建种子重量预测模型

作     者：刘长斌 李远鲲 郭民坤 樊江川 郭新宇 卢宪菊 LIU Changbin;LI Yuankun;GUO Minkun;FAN Jiangchuan;GUO Xinyu;LU Xianju

作者机构：农芯科技(北京)有限责任公司北京100097 北京市农林科学院信息技术研究中心/数字植物北京市重点实验室北京100097 

出 版 物：《大豆科学》 (Soybean Science)

年 卷 期：2025年第44卷第1期

页      面：11-21页

学科分类：09[农学] 0901[农学-作物学] 

基　　金：国家重点研发计划(2023YFD2301803) 北京市农林科学院作物表型组学协同创新中心(KJCX20240406) 

主　　题：Micro-CT 大豆 结构表型 重量预测 模型构建 机器学习 

摘      要：大豆是重要的粮油兼用作物,是植物蛋白质的重要来源,为明确大豆种子结构特征并构建种子重量预测模型,以42个不同大豆品种为材料,利用Micro-CT技术扫描测试样本,通过CT图像的处理解析,获取大豆种子的长度、宽度、厚度、体积、表面积、种胚体积、表面积及空腔体积特征,人工称重测定单粒重量指标。系统分析种子形态特征及其与重量的相关关系,并对不同品种进行聚类分析,通过对多项形态表型和重量指标进行主成分分析,确定主要贡献指标,基于机器学习算法构建重量预测模型。结果表明:种子形态特征与种子重量显著相关,但种子形状特征对重量无显著影响;42个大豆品种可以分为4类,其中第一类品种蒙豆375和蒙豆60的种子大小和重量指标均显著高于其他3类品种。利用随机森林模型和偏最小二乘回归方法构建的重量预测模型效果优于单一指标的简单线性回归效果。其中,随机森林回归模型训练集和测试集的R^(2)分别为0.80和0.66,RMSE分别为0.017和0.021 g,偏最小二乘回归模型训练集和测试集的R^(2)分别为0.75和0.72,RMSE分别为0.019和0.020 g。研究结果为大豆种子外部形态和内部结构的研究提供了新的技术和方法,为大豆品种分类、产量和品质性状的评价提供理论和技术参考。