Plant Phenomics | 注意力機制和多任務(wù)解碼器高適用性的基于過程的裁剪建模

作物模型是為了廣泛的研究目的和規(guī)模而發(fā)展起來的，但由于目前模型研究的多樣性，其兼容性較差。提高模型的適應(yīng)性可以導(dǎo)致模型的集成。由于深度神經(jīng)網(wǎng)絡(luò)沒有常規(guī)的建模參數(shù)，因此通過模型訓(xùn)練可以實現(xiàn)不同的輸入和輸出組合。盡管有這些優(yōu)點，基于過程的作物模型還沒有在全深度神經(jīng)網(wǎng)絡(luò)中進行測試。
 

2023年3月，Plant Phenomics在線發(fā)表了韓國Seoul National University題為Process-Based Crop Modeling for High Applicability with Attention Mechanism and Multitask Decoders的研究論文。
 

本研究的目的在于為水培甜椒 (Capsicum annuum var. annuum) 開發(fā)一個基于過程的深度學(xué)習(xí)模型DeepCrop，其具有完整的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)�；�于深度神經(jīng)網(wǎng)絡(luò)的適用性，DeepCrop可以應(yīng)用于各種目的和規(guī)模。從環(huán)境序列中選擇注意力機制和多任務(wù)學(xué)習(xí)來處理不同的生長因子。對算法進行了改進，使之適用于生長模擬的回歸任務(wù)。在不同條件下，每年在溫室培養(yǎng)2次，共培養(yǎng)4株，為期2年。在2020年至2021年的四個培養(yǎng)期進行模型訓(xùn)練、驗證和測試。
 

DeepCrop的核心算法是注意力機制；因此，模型訓(xùn)練和評估過程有所不同。在訓(xùn)練過程中，DeepCrop被輸入了一系列環(huán)境數(shù)據(jù)、以前的生長因子和目標(biāo)輸出。由于之前的生長因子在實際模擬中并不同時存在，因此DeepCrop輸出遞歸地替換了之前的生長因子。選取輸出序列的最后一個輸出向量作為每日預(yù)測輸出。2020年的數(shù)據(jù)用于訓(xùn)練和驗證數(shù)據(jù)集，2021年的數(shù)據(jù)用于測試數(shù)據(jù)集。利用環(huán)境數(shù)據(jù)計算積溫和輻射；因此，在實踐中，將累積輸入因子替換為實測數(shù)據(jù)來指導(dǎo)訓(xùn)練后的DeepCrop；但是，在模型訓(xùn)練中，為了防止訓(xùn)練失敗，沒有替換這些值。訓(xùn)練、驗證和測試數(shù)據(jù)集中的數(shù)據(jù)數(shù)量分別為18,900、8,100和254。
 

Figure1. Modeling and simulation workflows.
 

Figure 2. Modeling concept. Target crop growth and morphology were abstracted as one-big organs. Averages can be calculated with total values and the number of organs.
 

Figure 3. Data processing sequence. Refer to Figure. 1 for the detailed DeepCrop structure.

Figure 4. Simulation results from DeepCrop.

與具有未發(fā)現(xiàn)數(shù)據(jù)的評估中可訪問的作物模型相比，開發(fā)的作物模型DeepCrop記錄了最高的建模效率（=0.76）和最低的歸一化均方誤差（=0.18）。t-分布隨機鄰域嵌入（t-distributed stochastic neighbor embedding distribution）和注意力權(quán)重支持DeepCrop可以從認(rèn)知能力的角度進行分析。憑借DeepCrop的高度適應(yīng)性，所開發(fā)的模型可以取代現(xiàn)有的作物模型，成為一種多功能工具，通過分析復(fù)雜信息來揭示復(fù)雜的農(nóng)業(yè)系統(tǒng)。
 

Figure 5. Model performance of existing models.

https://doi.org/10.34133/plantphenomics.0035

——推薦閱讀——

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images

https://spj.science.org/doi/10.34133/plantphenomics.0020‍

Plant Phenomics | 基于高通量無人機RGB圖像的水稻植株計數(shù)、定位和大小估計方法

A Precise Image-Based Tomato Leaf Disease Detection Approach Using PLPNet

https://doi.org/10.34133/plantphenomics.0042

Plant Phenomics | 中南林業(yè)科技大學(xué)周國雄教授團隊基于PLPNet的番茄葉片病害圖像精確檢測方法

掃碼添加小編微信，拉您進入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.961，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)、遙感二區(qū)、生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
排版：陳文麗（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平