利用卫星遥感和机器学习预测作物产量及DNA电路检测生物标志物

卫星遥感与作物产量预测

1. 植被指数与作物产量相关性
   • 植被指数如归一化差异植被指数（NDVI）和增强型植被指数（EVI）与作物产量存在强正相关。在众多植被指数中，NDVI和EVI与玉米产量的相关性最佳。
   • 通过对图像应用作物掩膜来计算NDVI和EVI图层。应用作物掩膜后，图像中可见的像素仅为所选作物种植区域。可视化县边界、NDVI图层和EVI图层有助于深入了解区域内作物的生长情况。
   • 对于玉米作物，6月初至9月底期间，使用NDVI和EVI指数能准确反映潜在产量，因为这期间能清晰测量作物种植和生长阶段的植被指数。
2. 图像合成与时间序列分析
   • 归约器函数将图像集合中的所有图像合成为一个代表图像的最小值、最大值、平均值或标准差的单一图像，本研究选择平均值。
   • 所有图像镶嵌后得到合成图像，归约器处理图像集合，并根据一年中每天的平均值获得单个合成图像用于时间序列图表。该图表显示了作物选定生长阶段的NDVI值，通过求平均值可得到该县的平均NDVI。
3. 回归模型构建与评估
   • 使用支持向量机线性回归模型构建产量与NDVI以及产量与EVI的简单线性相关模型。每年的平均NDVI/EVI值为自变量（x轴），每年的作物产量数据为因变量（y轴）。
   • 将多元回归模型的预测产量值与实际产量值进行比较以评估模型。结果显示预测值接近实际值，验证了模型的准确性。
4. 结果分析
   • R²总结表 ：不同州和年份的R²值总结提供了不同地区和作物的变化信息。R²值代表模型的相关强度，比较不同标准（如不同州、年份和地区）的值有助于分析不同模型的强度并识别异常值。多元回归的R²值在所有情况下都高于单个产量与NDVI或产量与EVI的R²值，因为多元回归模型在更多数据点上推广了回归线。
   • 控制实验
     • 作物变量 ：在伊利诺伊州2017年，比较玉米和大豆的产量。结果显示，由于是不同作物，玉米和大豆的产量差异很大，且两者在产量与NDVI以及产量与EVI的关系上趋势不同。
     • 年份变量 ：在伊利诺伊州，比较2017年和2018年玉米的产量。虽然年份不同，但由于是同一作物，产量范围相近，且两年在产量与NDVI以及产量与EVI的关系上趋势相似。
     • 地区变量 ：在2017年，比较爱荷华州和伊利诺伊州玉米的产量。尽管地区不同，但由于作物和年份相同，产量范围相似。在产量与NDVI的关系上，两个地区有轻微不同的趋势；而在产量与EVI的关系上，两个地区更为相似。
   • 实验结果与观察
     • 不同作物有不同的生长阶段、收获期和作物结构，尽管NDVI是绿色植被的一般代表，但产量可能存在细微差异。由于同一作物对NDVI的表现相似，且地区相同意味着土壤类型和大气条件相同，因此年度变化不大。即使作物和年份相同，不同地区也可能因气候、土壤条件、收获期等因素而存在差异。
     • 研究发现，EVI似乎比NDVI更能作为作物产量的指标。EVI的变化较小，即使年份和地区改变也更稳定。控制实验还表明，同一作物和地区结合不同年份不会降低准确性；将不同地区合并到同一模型可能会降低准确性；将不同作物合并到同一模型会降低准确性。

以下是一个简单的流程图展示上述过程：

graph LR
    A[获取卫星图像] --> B[应用作物掩膜计算NDVI和EVI]
    B --> C[图像镶嵌与归约器处理]
    C --> D[构建回归模型]
    D --> E[模型评估与结果分析]
    E --> F[控制实验（作物、年份、地区变量）]

DNA电路用于生物标志物检测

1. 背景与需求
   • 先进的诊断技术如PCR和ELISA在设备齐全的实验室广泛使用，但它们成本高，在资源有限的环境中难以获取。随着即时检验（POCT）改善临床结果的证据不断增加，需要一种简单、快速、低成本且灵敏的POCT技术。
   • 杂交链反应（HCR）是一种等温且无酶的信号放大技术，但存在洗涤步骤和HCR发夹重新设计过程长的局限性，限制了其作为POCT技术的应用。
2. DNA分裂邻近电路（SPC）介绍
   • SPC是一种快速、低成本的“即插即用”分子“适配器”，可用于HCR，无酶、无需洗涤，可普遍应用于核酸和蛋白质等生物标志物的检测。
   • HCR电路设计包含两条DNA引发链（I1和I2），可自由修改以结合抗体、适体或核酸序列来分析所需目标。在没有目标时，它们作为独立的亚稳实体存在，因为触发序列被分割在I1和I2之间（且I1上有发夹环保护），减少了非特异性信号的产生。当与目标结合时，I1和I2靠近，通过打开I1上的发夹环促进触发序列的组装，从而触发HCR。
3. 实验过程与目标
   • 首先通过使用Nupack软件（计算机模拟）和实验数据改进HCR发夹设计，以最小化背景泄漏并提高HCR的动力学和灵敏度。
   • 将优化后的HCR应用于SPC系统，并测试其普遍检测不同生物标志物的能力。具体而言，表征了该检测方法的动力学、灵敏度、特异性（单核苷酸多态性的区分）以及在不同生物基质中的性能。
   • 以与乳腺癌相关的生物标志物为模型系统，使用在三阴性乳腺癌（TNBC）中上调的miRNA目标，以及检测和可视化TNBC和HER2 + 细胞系中的人表皮生长因子受体（HER）蛋白二聚体（HER1:HER1、HER2:HER2和HER2:HER3二聚体）。HER受体的差异表达有助于乳腺癌的诊断和分类。
4. SPC系统优势
   • SPC在30分钟内对所有测试的miRNA目标显示出飞摩尔级的良好检测限，还表现出高特异性和区分不同细胞表面蛋白标志物的能力。
   • 由于其等温且无酶的特性，该系统对温度和缓冲条件不太敏感，具有高度的鲁棒性，因此在床边使用具有很大潜力。

以下是SPC系统激活的流程图：

graph LR
    A[目标存在] --> B[I1和I2结合目标]
    B --> C[打开I1发夹环]
    C --> D[形成触发序列]
    D --> E[触发HCR反应]

综上所述，卫星遥感结合机器学习在作物产量预测方面具有良好的应用前景，而DNA分裂邻近电路为生物标志物的检测提供了一种有潜力的即时检验方法。未来可以进一步探索更多的植被指数和变量来提高作物产量预测模型的准确性，同时也可以拓展SPC系统在更多疾病诊断和生物标志物分析中的应用。

利用卫星遥感和机器学习预测作物产量及DNA电路检测生物标志物

卫星遥感与作物产量预测的拓展与展望

1. 模型优化方向
   • 引入更多植被指数 ：除了NDVI和EVI，还可以考虑引入如绿色植被指数（GVI）、土壤调整植被指数（SAVI）、比值植被指数（RVI）、垂直植被指数（PVI）等。其中，PVI指数可以测量由植被引起的裸土反射率的变化，对于处理不同地区土壤条件变化的问题可能是一个很好的指标。通过综合利用这些指数，可以更全面地反映作物的生长状况，从而提高模型的准确性。
   • 结合更多变量 ：将模型与更多变量如温度、降水、土壤数据等相结合。这些环境因素对作物的生长和产量有着重要的影响，将它们纳入模型中可以进一步增强模型的解释能力和预测准确性，同时也能减少不同地区和年份之间的偏差。
   • 尝试新的机器学习模型 ：可以测试如卷积神经网络或贝叶斯模型等深度学习模型。这些模型具有更强的非线性拟合能力，有可能进一步提高当前的预测准确性。
2. 实际应用建议
   • 精准农业 ：基于作物产量预测模型，农民可以更精准地进行农业生产管理。例如，根据预测的产量和作物生长状况，合理安排灌溉、施肥和病虫害防治等措施，提高资源利用效率，降低生产成本。
   • 农业政策制定 ：政府和相关部门可以利用这些预测结果制定更科学的农业政策。例如，根据不同地区的作物产量预测，合理调整农产品的储备和调配，保障粮食安全。

以下是模型优化的步骤列表：
1. 收集更多植被指数和环境变量的数据。
2. 对新的数据进行预处理和特征工程。
3. 将新的数据纳入现有的模型中进行训练和优化。
4. 评估优化后模型的性能，与原模型进行对比。
5. 根据评估结果，选择最优的模型进行实际应用。

DNA电路用于生物标志物检测的深入探讨

1. SPC系统的潜在应用领域
   • 疾病早期诊断 ：由于SPC系统具有高灵敏度和特异性，能够在疾病早期检测到生物标志物的微小变化，有助于实现疾病的早期诊断和治疗。例如，对于乳腺癌等癌症，通过检测相关的miRNA和HER受体蛋白二聚体，可以在疾病早期进行干预，提高患者的生存率。
   • 个性化医疗 ：不同患者的生物标志物表达可能存在差异，SPC系统可以根据患者的具体生物标志物特征，为其提供个性化的诊断和治疗方案，实现精准医疗。
   • 现场检测 ：SPC系统无酶、无需洗涤且对温度和缓冲条件不敏感的特点，使其非常适合在现场进行检测。例如，在偏远地区或资源有限的环境中，医生可以使用SPC系统快速获得检测结果，为患者提供及时的医疗服务。
2. 面临的挑战与解决方案
   • 生物标志物的选择 ：不同疾病的生物标志物可能不同，如何选择合适的生物标志物是一个关键问题。需要进行大量的研究和验证，筛选出与疾病诊断和治疗密切相关的生物标志物。
   • 检测的准确性和可靠性 ：尽管SPC系统已经表现出较好的性能，但在实际应用中仍需要进一步提高检测的准确性和可靠性。可以通过优化实验条件、增加样本量和进行多中心验证等方法来解决。
   • 成本控制 ：虽然SPC系统具有低成本的优势，但在大规模应用中，仍需要进一步降低成本。可以通过优化生产工艺、提高原材料利用率等方法来实现。

以下是SPC系统在疾病早期诊断中的应用流程：

graph LR
    A[采集样本] --> B[样本处理]
    B --> C[加入SPC系统]
    C --> D[触发HCR反应]
    D --> E[检测信号]
    E --> F[分析结果]
    F --> G[疾病诊断与治疗建议]

总之，卫星遥感与机器学习在作物产量预测方面为农业生产和政策制定提供了有力的支持，而DNA分裂邻近电路在生物标志物检测领域展现出巨大的潜力，有望为疾病诊断和个性化医疗带来新的突破。未来，随着技术的不断发展和完善，这两个领域将在更多方面发挥重要作用，为人类的健康和农业的可持续发展做出贡献。