1. A Perspective on Plant Phenomics: Coupling Deep Learning and Near-Infrared Spectroscopy
- Author
-
François Vasseur, Denis Cornet, Grégory Beurier, Julie Messier, Lauriane Rouan, Justine Bresson, Martin Ecarnot, Mark Stahl, Simon Heumos, Marianne Gérard, Hans Reijnen, Pascal Tillard, Benoît Lacombe, Amélie Emanuel, Justine Floret, Aurélien Estarague, Stefania Przybylska, Kevin Sartori, Lauren M. Gillespie, Etienne Baron, Elena Kazakou, Denis Vile, Cyrille Violle, Centre d’Ecologie Fonctionnelle et Evolutive (CEFE), Université Paul-Valéry - Montpellier 3 (UPVM)-École Pratique des Hautes Études (EPHE), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche pour le Développement (IRD [France-Sud])-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Montpellier (UM), Amélioration génétique et adaptation des plantes méditerranéennes et tropicales (UMR AGAP), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier, University of Waterloo [Waterloo], Département Systèmes Biologiques (Cirad-BIOS), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad), University of Tübingen, Institut des Sciences des Plantes de Montpellier (IPSIM), Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier, Écophysiologie des Plantes sous Stress environnementaux (LEPSE), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), ANR-17-CE02-0018-01 Exploration des réponses évolutives des plantes à des changements environnementaux à la lumière des théories écologiques : un test expérimental chez l’espèce modèle Arabidopsis thaliana – AraBreed, Centre National de la Recherche Scientifique (CNRS)European Commission, German Research Foundation (DFG)INST 37/696-1 FUGG, ANR-17-CE02-0018,AraBreed,Exploration des réponses évolutives des plantes à des changements environnementaux à la lumière des théories écologiques : un test expérimental chez l'espèce modèle Arabidopsis thaliana(2017), and European Project: 639706,H2020,ERC-2014-STG,CONSTRAINTS(2015)
- Subjects
multivariate analysis ,machine learning ,Arabidopsis thaliana ,[SDV]Life Sciences [q-bio] ,near-infrared spectroscopy (NIRS) ,trait-based ecology ,[SDV.BV]Life Sciences [q-bio]/Vegetal Biology ,functional traits ,Plant Science ,metabolomics - Abstract
International audience; The trait-based approach in plant ecology aims at understanding and classifying the diversity of ecological strategies by comparing plant morphology and physiology across organisms. The major drawback of the approach is that the time and financial cost of measuring the traits on many individuals and environments can be prohibitive. We show that combining near-infrared spectroscopy (NIRS) with deep learning resolves this limitation by quickly, non-destructively, and accurately measuring a suite of traits, including plant morphology, chemistry, and metabolism. Such an approach also allows to position plants within the well-known CSR triangle that depicts the diversity of plant ecological strategies. The processing of NIRS through deep learning identifies the effect of growth conditions on trait values, an issue that plagues traditional statistical approaches. Together, the coupling of NIRS and deep learning is a promising high-throughput approach to capture a range of ecological information on plant diversity and functioning and can accelerate the creation of extensive trait databases.
- Published
- 2022