当采用最好的遗传品种和最有效的作物管理方法进行种植时，作物产量可以最大化。科学家已经开发了各种机器学习模型来预测特定作物中产生最大产量的因素。然而，传统模型不能适应参数的高水平变化或大数据输入。
在某些情况下，这可能导致模型失效。此外，由于裁剪模型仅限于它们可以容纳的输入类型，因此对一个模型的改进可能不适用于其他模型。
为了克服这一限制，由首尔国立大学Jung Eok Son教授领导的韩国研究人员为水培甜椒创建了一种新的基于深度学习的作物模型，称为“DeepCrop”。该模型可以容纳多个输入变量，并且对其可以处理的数据量的限制较少。
因此，它可以在大多数设置中使用，并可以扩展到类似的应用程序。研究人员测试了DeepCrop的预测，他们在温室里每年种植两次这种作物，持续两年。他们的研究结果发表在2023年3月1日的《植物表型学》杂志上。
“我们选择深度学习算法作为缓解碎片和冗余的潜在解决方案。深度学习对广泛的目标任务具有很高的适用性，并且对大量数据集具有卓越的抽象能力，”孙教授解释说。
DeepCrop是一个基于过程的模型，可以模拟作物生长对各种因素和环境条件的响应。它可以扩展到包括许多输入类型或更大的数据量。DeepCrop高通用性的一个原因是它完全由神经网络构建。神经网络是算法的组合，它处理输入数据之间的相互作用，以做出有用的预测。
由于模拟是在基于计算机的平台上创建的，因此DeepCrop需要的基础设施最少。孙教授说:“由于它的适用性，在企业中执行的复杂任务可以用个人电脑完成。”
深度学习算法在做出任何预测之前，必须先输入数据。以类似的方式训练植物生长模拟的DeepCrop算法。然而，它不需要在植物生理学或作物建模中编程复杂的概念来产生有用的预测。孙教授指出:“根据分数，DeepCrop模拟充分遵循了从零开始的增长趋势，但该模型仍有改进的潜力，因此应该进行检查。”
为了验证DeepCrop的预测，该团队在预设的温室条件下种植甜椒。预测和实际植物生长模式的比较表明，DeepCrop优于其他现有的基于过程的作物模型，这表明了其建模效率。该模型也是最不可能出现预测错误的。
DeepCrop即使在不同的输入和参数下也能产生有用的预测，这表明它可以确定输入数据之间的关系，而不管数据类型如何。这项研究的结果还表明，深度学习模型可以在作物科学的广泛应用中发挥作用。孙教授总结说:“我们希望开发的DeepCrop可以提高作物模型的可及性，减轻作物模型研究中的碎片化问题。”
更多信息:Taewon Moon等，基于关注机制和多任务解码器的高适用性过程作物建模，Plant Phenomics(2023)。DOI: 10.34133 / plantphenomics.0035
南京农业大学提供
引文:用于准确预测植物生长的多功能深度学习模型(2023,4月27日)，2023年4月27日检索自https://phys.org/news/2023-04-versatile-deep-learning-accurate-growth.html
本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
