Plant Phenomics | 注意力機制和多任務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模而發展起來的，但由于目前模型研究的多樣性，其兼容性較差。提高模型的適應性可以導致模型的集成。由于深度神經網絡沒有常規的建模參數，因此通過模型訓練可以實現不同的輸入和輸出組合。盡管有這些優點，基于過程的作物模型還沒有在全深度神經網絡中進行測試。
 

2023年3月，Plant Phenomics在線發表了韓國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) 開發一個基于過程的深度學習模型DeepCrop，其具有完整的深度神經網絡結構。基于深度神經網絡的適用性，DeepCrop可以應用于各種目的和規模。從環境序列中選擇注意力機制和多任務學習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。在不同條件下，每年在溫室培養2次，共培養4株，為期2年。在2020年至2021年的四個培養期進行模型訓練、驗證和測試。
 

DeepCrop的核心算法是注意力機制；因此，模型訓練和評估過程有所不同。在訓練過程中，DeepCrop被輸入了一系列環境數據、以前的生長因子和目標輸出。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測輸出。2020年的數據用于訓練和驗證數據集，2021年的數據用于測試數據集。利用環境數據計算積溫和輻射；因此，在實踐中，將累積輸入因子替換為實測數據來指導訓練后的DeepCrop；但是，在模型訓練中，為了防止訓練失敗，沒有替換這些值。訓練、驗證和測試數據集中的數據數量分別為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.

與具有未發現數據的評估中可訪問的作物模型相比，開發的作物模型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）和注意力權重支持DeepCrop可以從認知能力的角度進行分析。憑借DeepCrop的高度適應性，所開發的模型可以取代現有的作物模型，成為一種多功能工具，通過分析復雜信息來揭示復雜的農業系統。
 

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、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 | 中南林業科技大學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》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

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》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.961，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區、遙感二區、生物大類一區（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》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
排版：陳文麗（南京農業大學）
審核：孔敏、王平