В недавней статье, опубликованной в журнале Frontiers in Plant Science, кандидат наук в области геоматики из Университета Пердью Клаудия Авилес Толедо в сотрудничестве со своими научными руководителями и соавторами Мельбой М. Кроуфорд и Митчем Туинстрой продемонстрировала способность рекуррентной нейронной сети - модели, которая обучает компьютеры обрабатывать данные с использованием долговременной кратковременной памяти - прогнозировать урожайность кукурузы с использованием нескольких технологий дистанционного зондирования, а также экологических и генетических данных.
Фенотипирование растений, при котором изучаются и документируются характеристики, может быть трудоемкой задачей. Измерение высоты растений рулеткой, измерение отраженного света на нескольких длинах волн с помощью тяжелого ручного оборудования, а также выдергивание и высушивание отдельных растений для химического анализа - все это трудозатратные и дорогостоящие усилия. Дистанционное зондирование или сбор этих точек данных на расстоянии с помощью беспилотных летательных аппаратов (БПЛА) и спутников делает такую информацию о полях и растениях более доступной.
Туинстра, профессор селекции растений и генетики на факультете агрономии и научный директор Института растениеводства Пердью, сказал: «Это исследование подчеркивает, как достижения в области сбора и обработки данных с помощью БПЛА в сочетании с сетями глубокого обучения могут способствовать прогнозированию сложных признаков у таких продовольственных культур, как кукуруза».
Мельба М. Кроуфорд, заместитель декана инженерного отдела по исследованиям и профессор агрономии, гражданского строительства, электротехники и вычислительной техники в Университете Пердью, профессор агрономии, отдает должное коллегам, которые собирали фенотипические данные в полевых условиях и с помощью дистанционного зондирования.
В рамках этого сотрудничества и аналогичных исследований мир увидел, как фенотипирование на основе дистанционного зондирования одновременно снижает требования к рабочей силе и собирает новую информацию о растениях, которую человеческие чувства не могут различить.
Гиперспектральные камеры, которые выполняют подробные измерения отражения световых длин волн за пределами видимого спектра, теперь могут быть размещены на роботах и беспилотных летательных аппаратах. Приборы обнаружения и определения дальности света (LiDAR) испускают лазерные импульсы и измеряют время, когда они отражаются обратно на датчик, чтобы создать карты, называемые «облаками точек» геометрической структуры растений.
«Растения рассказывают историю сами за себя. Они реагируют, если они испытывают стресс. Если они реагируют, вы можете потенциально связать это с чертами, факторами окружающей среды, методами управления, такими как внесение удобрений, орошение или вредители», - сказала Кроуфорд.
Как инженеры, Клаудиа Авилес Толедо и Мельба Кроуфорд создают алгоритмы, которые получают огромные наборы данных и анализируют закономерности в них, чтобы предсказать статистическую вероятность различных результатов, включая урожайность различных гибридов, разработанных селекционерами растений, такими как Туинстра. Эти алгоритмы классифицируют здоровые и подверженные стрессу культуры до того, как любой фермер или разведчик сможет заметить разницу, и они предоставляют информацию об эффективности различных методов управления.
Туинстра привносит в исследование биологический подход. Селекционеры растений используют данные для идентификации генов, контролирующих определенные признаки сельскохозяйственных культур.
«Это одна из первых моделей ИИ, которая добавляет генетику растений к истории урожайности в многолетних экспериментах на больших участках, - поясняет Туинстра. - Теперь селекционеры растений могут видеть, как различные признаки реагируют на различные условия, что поможет выбирать нужные характеристики для будущих более устойчивых сортов. Производители также могут использовать это, чтобы увидеть, какие сорта могут лучше всего подходить для их региона».
Для создания этой нейронной сети были объединены гиперспектральные и лидарные данные дистанционного зондирования кукурузы, генетические маркеры популярных сортов кукурузы и данные об окружающей среде с метеостанций. Эта модель глубокого обучения представляет собой подмножество ИИ, которое обучается на пространственных и временных моделях данных и делает прогнозы о будущем. После обучения в одном месте или в один период времени сеть может быть обновлена ограниченными данными обучения в другом географическом месте или в другое время, тем самым ограничивая потребность в справочных данных.
Кроуфорд поясняет: «Раньше мы использовали классическое машинное обучение, сосредоточенное на статистике и математике. Мы не могли по-настоящему использовать нейронные сети, потому что у нас не было вычислительной мощности».
Нейронные сети имеют вид проволочной сетки, со связями, соединяющими точки, которые в конечном итоге сообщаются со всеми остальными точками. Авилес Толедо адаптировала эту модель с помощью «долговременно-краткосрочной» памяти, которая позволяет постоянно хранить прошлые данные на переднем плане «разума» компьютера наряду с текущими данными, поскольку он предсказывает будущие результаты. Модель, дополненная механизмами внимания, внимательно отслеживает такие физиологически важные периоды цикла роста, как цветение.
Кроуфорд отметила, что хотя данные дистанционного зондирования и данные о погоде включены в эту новую архитектуру, генетические данные по-прежнему обрабатываются для извлечения «агрегированных статистических характеристик». Долгосрочная цель ее работы - более осмысленно включить генетические маркеры в нейронную сеть и добавить обширные и сложные характеристики растений в набор данных. Это позволит как уменьшить трудозатраты селекционеров, так и эффективно предоставлять аграриям информацию для принятия наилучших решений относительно их культур и земли.
Источник: Purdue University. Автор: Линдси Беребитски.
Заглавное фото: Медведева Анна, AgroXXI.ru.
