当使用最佳遗传品种和最有效的作物管理实践进行栽培时，作物产量可以最大化。科学家们已经开发了各种机器学习模型来预测在特定作物植物中产生最大产量的因素。然而，传统模型无法适应参数或大数据输入的大量变化。

在某些情况下，这可能会导致模型失败。此外，由于作物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个新颖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，并且可以扩展到类似的应用。研究人员通过在温室中每年两次种植作物来测试DeepCrop的预测，持续两年。他们的研究结果于1年2023月<>日发表在《植物表型组学》上。

“我们选择深度学习算法作为减少碎片化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出色的抽象能力，“孙教授解释道。

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。它可以扩展以包含许多输入类型或更多的数据。DeepCrop具有高度通用性的一个原因是它完全由神经网络构建。神经网络是处理输入数据之间交互以做出有用预测的算法组合。

由于模拟是在基于计算机的平台上创建的，因此 DeepCrop 需要最少的基础设施。“凭借其适用性，企业执行的复杂任务可以通过个人计算机访问，”孙教授说。

深度学习算法必须先提供数据，然后才能进行任何预测。植物生长模拟的DeepCrop算法以类似的方式进行训练。然而，它不需要对植物生理学或作物建模中的复杂概念进行编程来产生有用的预测。“根据分数，DeepCrop模拟充分遵循了从零开始的增长趋势，但应该检查模型，因为它有改进的潜力，”孙教授指出。

为了验证DeepCrop的预测，该团队在预设的温室条件下种植了甜椒。对预测和实际植物生长模式的比较表明，DeepCrop的性能优于其他现有的基于过程的作物模型，如其建模效率所示。该模型也最不可能出现预测错误。

即使输入和参数变化，DeepCrop也能产生有用的预测，这表明无论数据类型如何，它都可以确定输入数据之间的关系。这项研究的结果还表明，深度学习模型可用于作物科学的广泛应用。“我们希望开发的DeepCrop可以提高作物模型的可访问性，并减轻作物模型研究中的碎片化问题，”孙教授总结道。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：模型作物DeepCrop