人工智能网络显示出预测农作物产量的潜力

人工智能 (AI) 是 2024 年的流行语。尽管人工智能还未成为文化焦点，但来自农业、生物和技术背景的科学家也在转向人工智能，他们合作寻找方法让这些算法和模型分析数据集，以便更好地理解和预测受气候变化影响的世界。

在最近发表在《植物科学前沿》杂志上的一篇论文中，普渡大学测绘学博士生 Claudia Aviles Toledo 与她的导师兼合著者 Melba Crawford 和 Mitch Tuinstra 合作，展示了循环神经网络(一种教计算​​机使用长短期记忆处理数据的模型)的能力，该网络可以根据多种遥感技术以及环境和遗传数据预测玉米产量。

植物表型分析(即检查和描述植物特征)是一项劳动密集型任务。用卷尺测量植物高度、使用重型手持设备测量多个波长的反射光以及拉出和干燥单个植物进行化学分析都是劳动密集型且昂贵的工作。遥感，即使用无人驾驶飞行器 (UAV) 和卫星从远处收集这些数据点，使此类田间和植物信息更容易获取。

威克沙姆农业研究卓越主席、农学系植物育种与遗传学教授、普渡大学植物科学研究所科学主任图因斯特拉表示：“这项研究强调了无人机数据采集和处理与深度学习网络相结合的进步如何有助于预测玉米等粮食作物的复杂性状。”

克劳福德是南希·乌里迪尔和弗朗西斯·博苏土木工程杰出教授和农学教授，他将功劳归于阿维莱斯·托莱多和其他在田间和利用遥感技术收集表型数据的人。在这次合作和类似研究中，世界已经看到基于遥感的表型分析既减少了劳动力需求，又收集了人类感官无法单独辨别的植物新信息。

高光谱相机可以对可见光谱以外的光波长进行详细的反射率测量，现在可以安装在机器人和无人机上。光检测和测距 (LiDAR) 仪器释放激光脉冲并测量它们反射回传感器的时间，以生成植物几何结构图(称为“点云”)。

“植物会为自己讲述一个故事，”克劳福德说。“如果它们受到压力，它们就会做出反应。如果它们做出反应，你可能会将其与特征、环境投入、施肥、灌溉或害虫等管理实践联系起来。”

作为工程师，阿维莱斯·托莱多和克劳福德开发了算法，获取大量数据集并分析其中的模式，以预测不同结果的统计可能性，包括由图因斯特拉等植物育种者开发的不同杂交品种的产量。这些算法在农民或侦察员发现差异之前就对健康和受胁迫的作物进行了分类，并提供了有关不同管理实践有效性的信息。

图因斯特拉将生物学思维运用到研究中。植物育种者利用数据来识别控制特定作物性状的基因。

Tuinstra 表示：“这是首批将植物遗传学添加到多年大规模田块试验产量故事中的 AI 模型之一。现在，植物育种者可以看到不同性状对不同条件的反应，这将有助于他们为未来更具弹性的品种选择性状。种植者还可以利用这一点来了解哪些品种可能在他们的地区表现最好。”

该神经网络由玉米的遥感高光谱和激光雷达数据、流行玉米品种的遗传标记以及气象站的环境数据组合而成。这种深度学习模型是人工智能的一个子集，它从数据的空间和时间模式中学习并预测未来。一旦在一个位置或时间段进行训练，网络就可以在另一个地理位置或时间使用有限的训练数据进行更新，从而限制了对参考数据的需求。

克劳福德说：“以前，我们使用传统的机器学习，专注于统计和数学。我们无法真正使用神经网络，因为我们没有计算能力。”

神经网络看起来就像铁丝网，各个点之间通过连线最终相互通信。阿维莱斯·托莱多 (Aviles Toledo) 将此模型与长期短期记忆相结合，这使得过去的数据与当前数据一起始终保持在计算机“大脑”的最前沿，从而预测未来的结果。长期短期记忆模型通过注意力机制得到增强，还能引起人们对生长周期中生理上重要的时刻的关注，包括开花。

虽然遥感和气象数据被纳入到这个新架构中，但克劳福德表示，基因数据仍需要处理以提取“聚合统计特征”。

与 Tuinstra 合作，Crawford 的长期目标是将遗传标记更有意义地整合到神经网络中，并在数据集中添加更复杂的特征。实现这一目标将降低劳动力成本，同时更有效地为种植者提供信息，以便为他们的作物和土地做出最佳决策。