基于表型性状的玉米穗质量预测模型

摘要

为构建精准的玉米穗质量预测模型，并为玉米高产育种及精准田间管理提供一定的决策支持，以281个玉米重组自交系为材料，测定花期、株型、穗位叶和果穗4个类别共32个农艺性状，分别采用多元线性回归（MLR）、随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）构建穗质量预测模型，并在不同训练集比例下进行超参数调优以评估模型表现，通过集成策略生成集合均值模型，并对影响穗质量的关键影响因子进行解析。结果表明，各模型经超参数调优后表现各异，RF与SVM在训练集与测试集间保持较好的稳健性；ANN表现依赖样本规模，在50%～70%训练集比例下易过拟合，而在80%训练集时误差显著降低。MLR虽整体拟合度低于非线性模型，但仍展现出较好的预测能力。集合均值模型表现普遍优于或接近最优单一模型。在训练集比例为80%下，基于果穗性状（粒质量为主要贡献因子）构建的穗质量集合均值模型预测精度最高（R²为0.95，均方根误差为7.6 g，相对均方根误差为5%）。基于株高、雄花主轴长、穗位高等株型性状构建的模型预测精度一般（R²为0.34），但可用于生育早期的穗质量预测；仅基于开花期或穗位叶性状构建的模型预测能力有限（R²≤0.11）。

关键词

玉米 / 穗质量预测 / 农艺性状 / 机器学习 / 超参数调优 / 多模型集成