本文選題：高通量 + 表型測量��； 參考：《中國科學技術(shù)大學》2017年博士論文

【摘要】：隨著科技的進步,信息科學與生命科學的發(fā)展取得了舉世矚目的成績。信息科學同生命科學之間的相互交叉成為發(fā)展極其迅速的新型科學領(lǐng)域。該領(lǐng)域解決的主要問題之一是作物育種表型信息同基因信息之間的相互協(xié)作關(guān)系研究。這一問題是21世紀育種科學家急切需要解決的問題,對此問題的有效解決方案可以幫助育種科學家根據(jù)育種材料的遺傳基因信息預(yù)測作物的表型。然而,這是一項非常艱巨的任務(wù),特別是育種材料的表型信息是由成千上萬的復(fù)雜基因以及植物生長環(huán)境不斷地變化所控制的。大規(guī)模信息處理與高通量信息獲取是解決這一問題的重要方向,依托大規(guī)模的基因型數(shù)據(jù)與表型數(shù)據(jù)(觀察到的植物的表型)之間的相關(guān)性挖掘最終將能夠成功地預(yù)測品種表現(xiàn)。目前新一代測序技術(shù)的進步可以提供豐富的遺傳基因信息,然而科學高效的作物表型檢測能力卻發(fā)展緩慢,這種狀況直接導致研究基因型和表型信息相關(guān)性挖掘信息量的不平衡。高通量表型信息數(shù)據(jù)的缺失成為遺傳性關(guān)聯(lián)分析研究與基因組選擇的瓶頸。本文從育種大規(guī)模數(shù)據(jù)處理基礎(chǔ)理論及應(yīng)用方面、高通量表型信息獲取方面進行研究,最后給出高通量生物育種物聯(lián)網(wǎng)平臺的解決方案。1、創(chuàng)新地將模糊集理論中的包含度概念應(yīng)用到粗糙模糊集中形成新的粗糙模糊集模型,在此基礎(chǔ)上,提出進行批量式動態(tài)增加的聚類算法。算法極大地改善了構(gòu)建育種大數(shù)據(jù)倉庫的效率,達到大規(guī)模數(shù)據(jù)高效處理的目的;2、針對種質(zhì)資源數(shù)據(jù)庫構(gòu)建過程中大量種質(zhì)材料數(shù)據(jù)需要進行品質(zhì)分類的問題,提出利用堆棧稀疏自編碼k-means聚類算法對數(shù)據(jù)進行聚類的方法,并將聚類結(jié)果利用已知品質(zhì)標注的種質(zhì)資源數(shù)據(jù)進行類別標注,從而達到對育種數(shù)據(jù)品質(zhì)等級歸類的目的。區(qū)別于傳統(tǒng)k-means聚類算法,利用堆棧稀疏自編碼網(wǎng)絡(luò)進行關(guān)鍵數(shù)據(jù)特征提取,逐步降低樣本維度,構(gòu)建混合特征數(shù)據(jù),將其作為k-means聚類算法的初始中心,有效地避免了 k-means聚類算法中對初始中心選取敏感性問題。實驗數(shù)據(jù)表明,該聚類算法準確率相比傳統(tǒng)算法有明顯的提高;3、圍繞高通量作物表型信息獲取任務(wù),依托網(wǎng)格攝像頭矩陣圖像采集設(shè)備以及無人機(UVA)搭載可見光、多光譜獲取表型圖像數(shù)據(jù),然后利用圖像矯正以及正射影像生成技術(shù)獲取育種小區(qū)正射影像,創(chuàng)新性研究利用作物冠層綠色覆蓋度提取的圖像處理方法,結(jié)合基于圖像幾何映射的育種小區(qū)作物高度測量技術(shù),得到育種小區(qū)葉面積指數(shù)(LAI)的計算方法。從而高通量、低成本、高效準確地獲取作物表型信息包括:株高、出苗率、倒伏、長勢等;4、從平臺化構(gòu)建的角度研究高通量生物育種物聯(lián)網(wǎng)平臺建設(shè)的基本內(nèi)容以及目前主要進展,并對育種信息化基礎(chǔ)管理系統(tǒng)、育種農(nóng)業(yè)傳感器研究與開發(fā)、高通量作物田間表型視覺測量裝置研發(fā)以及育種表型快速檢測移動機器人四大平臺組成部分進行一一說明,重點介紹了高通量育種信息化管理系統(tǒng)與育種表型快速檢測移動機器人的主要功能和技術(shù)參數(shù)。
[Abstract]:This paper studies the relationship between the information science and life sciences . It is a very difficult task to solve this problem . It is an important task to solve this problem . The main functions and technical parameters of mobile robot with high flux breeding information management system and breeding phenotype are introduced .
【學位授予單位】：中國科學技術(shù)大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP391.41;TP311.13

【參考文獻】

相關(guān)期刊論文 前10條

1 高宇;高軍萍;李寒;鄭文剛;張婉明;;植物表型監(jiān)測技術(shù)研究進展及發(fā)展對策[J];江蘇農(nóng)業(yè)科學;2017年11期

2 郭慶華;吳芳芳;龐樹鑫;趙曉倩;陳琳海;劉瑾;薛寶林;徐光彩;李樂;景海春;儲成才;;Crop 3D—基于激光雷達技術(shù)的作物高通量三維表型測量平臺[J];中國科學:生命科學;2016年10期

3 楊美娟;黃坤艷;韓慶典;;小麥白粉病及其抗性研究進展[J];分子植物育種;2016年05期

4 方偉;馮慧;楊萬能;劉謙;;表型檢測中用于小麥株型研究的快速三維重建方法[J];中國農(nóng)業(yè)科技導報;2016年02期

5 樊龍江;王衛(wèi)娣;王斌;葉楚玉;舒慶堯;張輝;;作物育種相關(guān)數(shù)據(jù)及大數(shù)據(jù)技術(shù)育種利用[J];浙江大學學報(農(nóng)業(yè)與生命科學版);2016年01期

6 楊貴軍;李長春;于海洋;徐波;馮海寬;高林;朱冬梅;;農(nóng)用無人機多傳感器遙感輔助小麥育種信息獲取[J];農(nóng)業(yè)工程學報;2015年21期

7 王冰冰;;大數(shù)據(jù):植物育種的加速器[J];高科技與產(chǎn)業(yè)化;2015年05期

8 孫健;王敬國;劉化龍;謝冬微;鄭洪亮;趙宏偉;鄒德堂;欒非時;;鹽脅迫下水稻苗高和分蘗數(shù)的發(fā)育動態(tài)QTL分析[J];核農(nóng)學報;2015年02期

9 姚曉云;李清;劉進;姜樹坤;楊生龍;王嘉宇;徐正進;;不同環(huán)境下水稻株高和穗長的QTL分析[J];中國農(nóng)業(yè)科學;2015年03期

10 蘇成付;;分子標記輔助選擇育種發(fā)展策略[J];安徽農(nóng)業(yè)科學;2014年15期

相關(guān)博士學位論文 前3條

1 龔愛平;基于嵌入式機器視覺的信息采集與處理技術(shù)研究[D];浙江大學;2013年

2 黃春燕;基于高光譜遙感的棉花冠層特征參數(shù)的模擬模型研究[D];石河子大學;2008年

3 李學友;IMU/DGPS輔助航空攝影測量原理、方法及實踐[D];解放軍信息工程大學;2005年

相關(guān)碩士學位論文 前1條

1 姚春生;使用MODIS數(shù)據(jù)反演土壤水分研究[D];中國科學院研究生院（遙感應(yīng)用研究所）;2003年

，

本文編號：1935224