Данная работа посвящена разработке модели прогнозирования фенотипов растений с использованием генетических и климатических данных, представленных в виде искусственных изображений. Представлен новый оптимизированный алгоритм, который эффективно кодирует значения факторов в эти изображения. Кроме того, был разработан метод извлечения ключевых признаков и создания словарей признаков на основе алгоритма оценки качества изображения, используя K-SVD алгоритм обучения словаря и разреженного кодирования. Реализация этого подхода к представлению данных совмещена с машинным обучением, в частности, с машинами опорных векторов (SVM), для регрессионного анализа с целью прогнозирования фенотипов растений. Проведенные нами исследования позволили применить полученную систему на практике к прогнозированию времени цветения нута, что демонстрирует ее эффективность. В ходе работы был использован полный набор данных для построения и валидации модели, а также успешно проведен анализ факторов, наиболее существенно влияющих на точность модели. В результате, модель показала впечатляющие результаты в прогнозировании времени цветения, что может послужить основой для будущих исследований и разработок в области сельскохозяйственной геномики.

This work is dedicated to the development of a model for predicting plant phenotypes using genetic and climatic data, presented in the form of artificial images. A new optimized algorithm is introduced, which effectively encodes the values of factors into these images. Additionally, a method for extracting key features and creating feature dictionaries based on the image quality assessment algorithm, using the K-SVD dictionary learning and sparse coding algorithm, has been developed. The implementation of this data representation approach is combined with machine learning, specifically, with Support Vector Machines (SVM), for regression analysis with the aim of predicting plant phenotypes. Our research has allowed the application of the resulting system in practice for predicting the flowering time of chickpea, demonstrating its effectiveness. The study used a complete dataset for model construction and validation, and successfully conducted an analysis of the factors most significantly affecting the accuracy of the model. As a result, the model showed impressive results in predicting flowering time, which can serve as a basis for future research and development in the field of agricultural genomics.

• Разработка модели прогнозирования фенотипа растений на основе разреженного разложения искусственных изображений, кодирующих генетические и погодные данные
  • Введение
  • 1. Постановка задачи
  • 2. Обзор существующих алгоритмов оценки качества изображений
  • 3. Разработка модели прогнозирования
  • 4. Результаты
  • Заключение
  • Выводы
  • Список использованных источников
  • Приложение 1. Блок-схема алгоритма оценки качества изображений
  • Приложение 2. Влияние исходных факторов на модель прогнозирования