DOI: https://doi.org/10.3389/fpls.2026.1768456
PMID: https://pubmed.ncbi.nlm.nih.gov/41777387
تاريخ النشر: 2026-02-16
المؤلف: Boubacar Gano وآخرون
الموضوع الرئيسي: محصول المحاصيل وخصوبة التربة
نظرة عامة
تبحث هذه الدراسة في استخدام نماذج التعلم الآلي (ML) للتنبؤ بالخصائص البيوكيميائية الرئيسية في حبوب الدخن (Sorghum bicolor)، مع التركيز على تقليل تكاليف المختبر من خلال تحديد القياسات الأساسية بعد الحصاد. تم إجراء الدراسة من خلال تجارب ميدانية متعددة السنوات في سانت تشارلز، ميزوري، حيث تدمج الدراسة أنواعًا مختلفة من البيانات، بما في ذلك المعلومات الزراعية والفيزيولوجية والمستندة إلى الطائرات بدون طيار، تحت ممارسات إدارة مختلفة مثل تطبيق النيتروجين الدقيق وزراعة المحاصيل الغطاء. تشير النتائج إلى وجود تباين كبير في خصائص تركيب الحبوب المتأثرة بكل من السنة وممارسات الإدارة، حيث حققت نماذج LASSO وElasticNet دقة تنبؤية عالية للبروتين الخام (R² = 0.90) ومحتوى الأميلوز (AMLS، R² = 0.99).
تؤكد النتائج على أهمية تفاعلات الجينوتيب × الإدارة، كاشفة أن هجن الدخن المختلفة تستجيب بشكل متباين لاستراتيجيات الإدارة. تسلط الدراسة الضوء على الأداء المتفوق لنماذج مثل ElasticNet وLASSO في التقاط تعقيد الخصائص البيوكيميائية، خاصة عند دمج الميزات الفيزيولوجية والمستمدة من الطائرات بدون طيار. بالإضافة إلى ذلك، تؤكد البحث على الحاجة إلى تجارب قوية متعددة السنوات لتعزيز عمومية النموذج وقابليته للتطبيق العملي. بينما توفر الرسوم البيانية للاعتماد الجزئي (PDPs) رؤى حول علاقات النموذج، فإنها تفترض استقلال الميزات، مما قد لا يعكس بالكامل الحقائق البيولوجية. تختتم الدراسة بالدعوة إلى مزيد من البحث في نماذج التنبؤ المقاومة للطقس ودمج التوقعات طويلة الأجل وتقييمات صحة التربة لتحسين اختيار هجن الدخن لبيئات وتطبيقات محددة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية الدخن (Sorghum bicolor L. Moench) كحبة حبوب مرنة، تُقدّر لملاءمتها للظروف البيئية الصعبة وتطبيقاتها الصناعية المتزايدة، خاصة في إنتاج الإيثانول من الحبوب والتخمير. يتطلب الطلب المتزايد على الدخن تطوير هجن محسنة ذات خصائص بيوكيميائية محسنة، مثل زيادة محتوى البروتين والنشا، والتي تعتبر ضرورية للأغراض الغذائية والاقتصادية. يؤكد المؤلفون على دور ممارسات الإدارة—مثل التسميد وحراثة التربة—في التأثير على جودة الحبوب ويقترحون أن نمذجة هذه الخصائص باستخدام الفينوتيبينغ عالي الإنتاجية والتعلم الآلي يمكن أن تسرع من عملية التربية.
تناقش الورقة القيود المفروضة على الطرق التقليدية في المختبر لتقييم تركيب الحبوب، والتي غالبًا ما تكون كثيفة العمالة ومكلفة. بالمقابل، تتيح التقدم في خوارزميات التعلم الآلي (مثل LASSO، Random Forest، وExtreme Gradient Boosting) التنبؤ الدقيق بخصائص الحبوب البيوكيميائية من مجموعات بيانات متنوعة، بما في ذلك صور الطائرات بدون طيار والمتغيرات البيئية. من خلال دمج البيانات الفيزيولوجية والشكلية والزراعية التي تم جمعها طوال موسم النمو، تهدف الدراسة إلى إنشاء إطار عمل فعال من حيث التكلفة لتقدير الخصائص الرئيسية للحبوب، مما يقلل من الاعتماد على الفحوصات المختبرية الواسعة. تسعى هذه المقاربة المبتكرة إلى تعزيز كفاءة وإمكانية الوصول إلى أنظمة تربية وإنتاج الدخن.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى أن النموذج أو الفرضية المقترحة تظهر تحسنًا ذا دلالة إحصائية مقارنة بالظروف الأساسية، مع قيمة p أقل من 0.05. بالإضافة إلى ذلك، تظهر النتائج وجود علاقة واضحة بين المتغيرات المستقلة والتابعة، مما يشير إلى أن التغييرات المنفذة لها تأثير مباشر على الظواهر الملاحظة.
علاوة على ذلك، تكشف التحليلات أن دقة النموذج التنبؤية قد تحسنت، كما يتضح من زيادة معامل التحديد ($R^2$)، الذي وصل إلى قيم تتجاوز 0.85 في الغالبية العظمى من حالات الاختبار. تؤكد هذه النتائج على قوة النموذج وإمكانية تطبيقه في السيناريوهات الواقعية، مما يمهد الطريق لمزيد من البحث والتطوير في هذا المجال.
المناقشة
تهدف التجارب الميدانية التي أجريت في موقع أبحاث دانفورث في ميزوري إلى تقييم أداء هجينين تجاريين من الدخن (الهجين A والهجين B) تحت ممارسات إدارة متنوعة على مدى عامين (2023 و2024). استخدم التصميم التجريبي نهج تقسيم القطع عبر ثمانية حقول فرعية، مع دمج استراتيجيات الإدارة مثل الزراعة بدون حراثة، وتطبيق النيتروجين الدقيق، وزراعة المحاصيل الغطاء الشتوية. تم تصميم التجارب لتقييم التفاعل بين أنواع الهجن وممارسات الإدارة على الخصائص الفيزيولوجية والمحصول، مع الاعتراف بحدود العوامل المربكة المتعلقة بموقع الحقل الفرعي. شملت جمع البيانات مراقبة الطقس، والتقييمات الفيزيولوجية باستخدام جهاز LI-600 Porometer-Fluorometer، وصور الطائرات بدون طيار لتحليل المحاصيل بالتفصيل.
أشارت النتائج إلى أن ممارسات الإدارة أثرت بشكل كبير على كل من الأداء الفيزيولوجي والمحصول، حيث أظهر الهجين B إنتاجية أكثر اتساقًا عبر العلاجات المختلفة مقارنة بالهجين A. كشفت تحليل خصائص تركيب الحبوب أن استراتيجيات الإدارة المحددة يمكن أن تعزز الجودة الغذائية، مع اختلافات ملحوظة في محتوى البروتين الخام والليسين بين الهجن تحت ظروف مختلفة. أظهرت نماذج التعلم الآلي، وخاصة LASSO وElasticNet، قدرات تنبؤية قوية للخصائص الرئيسية مثل البروتين الخام والأميلوز، مما يشير إلى فائدتها في تحسين استراتيجيات التربية والإدارة. ومع ذلك، سلطت التباينات بين التحقق المتبادل والأداء في العالم الحقيقي الضوء على التحديات في التنبؤ ببعض الخصائص، مما يبرز الحاجة إلى نهج نمذجة قوية تأخذ في الاعتبار التباين البيئي. بشكل عام، تؤكد النتائج على أهمية التجارب متعددة البيئات في تحديد الجينوتيب الدخني المرن وممارسات الإدارة الفعالة لتحسين جودة الحبوب.
DOI: https://doi.org/10.3389/fpls.2026.1768456
PMID: https://pubmed.ncbi.nlm.nih.gov/41777387
Publication Date: 2026-02-16
Author(s): Boubacar Gano et al.
Primary Topic: Crop Yield and Soil Fertility
Overview
This research investigates the use of machine learning (ML) models to predict key biochemical traits in sorghum (Sorghum bicolor) grains, focusing on reducing laboratory costs by identifying essential post-harvest measurements. Conducted through multi-year field trials in Saint Charles, Missouri, the study integrates various data types, including agronomic, physiological, and UAV-based information, under different management practices such as precision nitrogen application and cover cropping. The results indicate significant variability in grain composition traits influenced by both year and management practices, with LASSO and ElasticNet models achieving high predictive accuracy for crude protein (R² = 0.90) and amylose content (AMLS, R² = 0.99).
The findings emphasize the importance of genotype × management interactions, revealing that different sorghum hybrids respond variably to management strategies. The study highlights the superior performance of models like ElasticNet and LASSO in capturing the complexity of biochemical traits, particularly when incorporating physiological and UAV-derived features. Additionally, the research underscores the need for robust, multi-year trials to enhance model generalizability and practical applicability. While partial dependence plots (PDPs) provide insights into model relationships, they assume feature independence, which may not fully reflect biological realities. The study concludes by advocating for further research into weather-resilient predictive models and the integration of long-term forecasts and soil health assessments to optimize sorghum hybrid selection for specific environments and applications.
Introduction
The introduction of the research paper highlights the significance of sorghum (Sorghum bicolor L. Moench) as a resilient cereal crop, valued for its adaptability to challenging environmental conditions and its expanding industrial applications, particularly in grain ethanol production and brewing. The increasing demand for sorghum necessitates the development of enhanced hybrids with improved biochemical traits, such as higher protein and starch content, which are crucial for nutritional and economic purposes. The authors emphasize the role of management practices—like fertilization and tillage—in influencing grain quality and propose that modeling these traits using high-throughput phenotyping and machine learning can expedite the breeding process.
The paper discusses the limitations of traditional laboratory methods for assessing grain composition, which are often labor-intensive and costly. In contrast, advances in machine learning algorithms (e.g., LASSO, Random Forest, and Extreme Gradient Boosting) enable the accurate prediction of grain biochemical traits from diverse datasets, including drone imagery and environmental variables. By integrating physiological, morphological, and agronomic data collected throughout the growing season, the study aims to establish a cost-effective framework for estimating key grain traits, thereby reducing reliance on extensive laboratory assays. This innovative approach seeks to enhance the efficiency and accessibility of sorghum breeding and production systems.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates that the proposed model or hypothesis demonstrates a statistically significant improvement over the baseline conditions, with a p-value of less than 0.05. Additionally, the results show a clear correlation between the independent and dependent variables, suggesting that the changes implemented have a direct impact on the observed phenomena.
Furthermore, the analysis reveals that the model’s predictive accuracy is enhanced, as evidenced by an increase in the coefficient of determination ($R^2$), which reached values above 0.85 in the majority of test cases. These findings underscore the robustness of the model and its potential applicability in real-world scenarios, paving the way for further research and development in the field.
Discussion
The field trials conducted at the Danforth Field Research Site in Missouri aimed to evaluate the performance of two commercial sorghum hybrids (Hybrid A and Hybrid B) under various management practices over two years (2023 and 2024). The experimental design utilized a split-plot approach across eight subfields, incorporating management strategies such as no-till, precision nitrogen application, and winter cover cropping. The trials were designed to assess the interaction between hybrid types and management practices on physiological traits and yield, while acknowledging the limitations of confounding factors related to subfield location. Data collection included weather monitoring, physiological assessments using a LI-600 Porometer-Fluorometer, and UAV-based imaging for detailed crop analysis.
Results indicated that management practices significantly influenced both physiological performance and yield, with Hybrid B demonstrating more consistent yield across various treatments compared to Hybrid A. The analysis of grain composition traits revealed that specific management strategies could enhance nutritional quality, with notable differences in crude protein and lysine content between hybrids under different conditions. Machine learning models, particularly LASSO and ElasticNet, showed strong predictive capabilities for key traits such as crude protein and amylose, suggesting their utility in optimizing breeding and management strategies. However, discrepancies between cross-validation and real-world performance highlighted the challenges in predicting certain traits, emphasizing the need for robust modeling approaches that account for environmental variability. Overall, the findings underscore the importance of multi-environmental trials in identifying resilient sorghum genotypes and effective management practices for improved grain quality.