Универсальная модель на основе глубокого обучения для точного прогнозирования роста растений

Урожайность сельскохозяйственных культур можно максимизировать, используя лучший генетический сорт и наиболее эффективные агротехнические практики. Ученые разработали различные модели машинного обучения для прогнозирования факторов, дающих наибольший урожай у конкретных культур. Однако традиционные модели не могут учитывать высокий уровень вариативности параметров или большие объемы входных данных.

Это может приводить к сбою моделей в определенных обстоятельствах. Кроме того, поскольку модели для культур ограничены типами входных данных, которые они могут обрабатывать, улучшения одной модели могут не применяться к другим.

Чтобы преодолеть это ограничение, исследователи из Кореи под руководством профессора Чжун Эок Сона из Сеульского национального университета создали новую модель для культур на основе глубокого обучения — DeepCrop — для гидропонного сладкого перца. Модель может учитывать несколько входных переменных и имеет меньше ограничений на объем обрабатываемых данных.

Следовательно, ее можно применять в большинстве условий, и она может быть расширена для аналогичных задач. Исследователи проверили прогнозы DeepCrop, выращивая культуру дважды в год в течение двух лет в теплицах. Их результаты были опубликованы в Plant Phenomics 1 марта 2023 года.

«Мы выбрали алгоритмы глубокого обучения как потенциальное решение для смягчения фрагментации и избыточности. Глубокое обучение обладает высокой применимостью к широкому кругу целевых задач, а также замечательной способностью к абстракции для огромных наборов данных», — объясняет профессор Сон.

DeepCrop — это процессно-ориентированная модель, которая может имитировать рост культуры в ответ на различные факторы и условия окружающей среды. Ее можно масштабировать для включения многих типов входных данных или большего объема данных. Одна из причин высокой универсальности DeepCrop заключается в том, что она построена исключительно на нейронных сетях. Нейронные сети — это комбинации алгоритмов, которые обрабатывают взаимодействия между входными данными для получения полезных прогнозов.

Поскольку симуляции создаются на компьютерной платформе, DeepCrop требует минимальной инфраструктуры. «Благодаря своей применимости сложная задача, выполняемая на предприятии, стала доступной на персональном компьютере», — говорит профессор Сон.

Алгоритмам глубокого обучения необходимо предоставить данные, прежде чем они смогут делать прогнозы. Алгоритмы DeepCrop для моделирования роста растений обучались аналогичным образом. Однако для получения полезных прогнозов не потребовалось программирование сложных концепций физиологии растений или моделирования культур. «Симуляция DeepCrop адекватно следовала тенденции роста с нуля согласно оценкам, но модель следует проверить, поскольку у нее есть потенциал для улучшения», — отмечает профессор Сон.

Для проверки прогнозов DeepCrop команда выращивала сладкий перец в заданных тепличных условиях. Сравнение прогнозируемых и фактических моделей роста растений показало, что DeepCrop превзошла другие существующие процессно-ориентированные модели для культур, что подтверждается ее модельной эффективностью. Модель также с наименьшей вероятностью допускала ошибки прогнозирования.

Способность DeepCrop давать полезные прогнозы даже при различных входных данных и параметрах позволяет предположить, что она может определять взаимосвязи между входными данными независимо от их типа. Результаты этого исследования также показывают, что модели глубокого обучения могут быть полезны для широкого спектра применений в науке о культурах. «Мы ожидаем, что разработанный DeepCrop сможет улучшить доступность моделей для культур и смягчить проблемы фрагментации в исследованиях таких моделей», — заключает профессор Сон.