文献

J-GLOBAL ID：202102239379152992   整理番号：21A0196098

機械学習法と作物成長モデルを組み合わせた統合アプローチを用いたイネ出穂日の予測【JST・京大機械翻訳】

Predicting Rice Heading Date Using an Integrated Approach Combining a Machine Learning Method and a Crop Growth Model

著者 (5件)： Chen Tai-Shen (Graduate School of Agricultural and Life Sciences, The University of Tokyo, Bunkyo, Japan) ,  Aoike Toru (Graduate School of Agricultural and Life Sciences, The University of Tokyo, Bunkyo, Japan) ,  Yamasaki Masanori (Food Resources Education and Research Center, Graduate School of Agricultural Science, Kobe University, Kasai, Hyogo, Japan) ,  Kajiya-Kanegae Hiromi (Graduate School of Agricultural and Life Sciences, The University of Tokyo, Bunkyo, Japan) ,  Iwata Hiroyoshi (Graduate School of Agricultural and Life Sciences, The University of Tokyo, Bunkyo, Japan)
資料名： Frontiers in Genetics (Web)  (Frontiers in Genetics (Web))
巻： 11  ページ： 599510  発行年： 2020年 
JST資料番号： U7071A  ISSN： 1664-8021  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 様々な環境条件での出穂日の正確な予測は,栽培管理における意思決定プロセスおよび環境に適応できる新しい栽培品種の育種プロセスを促進することが期待される。出穂期(DTH)は,複数の遺伝子および遺伝子型ごとの相互作用によって制御されることが知られている複雑な形質である。作物成長モデル(CGMs)は,環境中の植物の生物季節学発達を予測するために広く使用されている。しかし,それらは,通常,モデルのパラメータを較正するために実質的な実験データを必要とする。パラメータは主に遺伝子型特異的であり,通常各品種に対して別々に推定される。機械学習モデルによるCGMsの発生遺伝子型特異的パラメータと遺伝子型マーカーデータをリンクする統合アプローチを提案し,新しい環境における新しい遺伝子型の出穂日予測を可能にした。パラメータを推定するために,微分進化適応メトロポリスと呼ばれる先進Markov連鎖モンテカルロアルゴリズムによるBayesアプローチを実装し,出穂日と環境変数に関する大量のデータを使用して推定を行った。データは14年間7か所でテストした112品種/系統の播種と出穂日及び対応する環境変数(日長と日気温)から構成された。提案手法,CGM,および単一機械学習モデルの間のDTHの予測精度を比較した。結果は,極端な学習機械(実装された機械学習モデルの1つ)が,試験場所におけるテストされた遺伝子型の予測のためにCGMより優れていることを示した。提案手法は,未テスト位置における未テスト遺伝子型の予測において機械学習法より優れていた。また,共通親,コシヒカリと103品種/系統間の交雑に由来する103F_2分離集団におけるDTHの分布の予測における提案した方法の可能性を評価した。結果は,DTHの観測および予測分布の10,50および90パーセンタイルの高い相関係数(約0.8)を示した。本研究では,機械学習モデルとCGMの統合は,未試験の潜在環境における新しいイネ品種の出穂日を予測することができた。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モンテカルロ法 ,  相互作用 ,  気温 ,  *農作物 ,  遺伝子 ,  遺伝子型 ,  育種 ,  交雑 ,  品種 ,  栽培管理 ,  栽培品種 ,  コシヒカリ ,  *機械学習
準シソーラス用語： *出穂期 ,  予測精度 , 【Automatic Indexing@JST】

著者キーワード (5件)： 作物成長モデル ,  ベイズ推論 ,  微分進化適応大都市 ,  機械学習 ,  Markov連鎖モンテカルロ

分類 (3件)： 稲作  (FC03020C) ,  分子遺伝学一般  (EC02010J) ,  作物育種一般  (FC02010K)

引用文献 (43件)：

• BiauG.ScornetE. (2016). A random forest guided tour. Test 25 197-227.
• BogardM.RavelC.PauxE.BordesJ.BalfourierF.ChapmanS. C. (2014). Predictions of heading date in bread wheat (Triticum aestivum L.) using QTL-based parameters of an ecophysiological model. J. Exp. Bot. 65 5849-5865. doi: 10.1093/jxb/eru328 25148833
• BreimanL. (2001a). Random forests. Mach. Learn. 45 5-32. doi: 10.1023/A:1010933404324
• BreimanL. (2001b). Statistical modeling: the two cultures. Stat. Sci. 16 199-215. doi: 10.1214/ss/1009213726
• ChapmanS. C.CooperM.HammerG. L. (2002a). Using crop simulation to generate genotype by environment interaction effects for sorghum in water-limited environments. Aust. J. Agric. Res. 53 379-389. doi: 10.1071/AR01070

タイトルに関連する用語 (7件)： 機械学習 ,  作物 ,  成長モデル ,  統合 ,  イネ ,  出穂日 ,  予測