本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性：
事实核查
同行评审的出版物
可信来源
校对
人工智能 (AI) 是 2024 年的流行语。尽管远离文化聚光灯，但来自农业、生物和技术背景的科学家他们还转向人工智能，因为他们合作寻找这些算法和模型分析数据集的方法，以更好地理解和预测受气候变化影响的世界。
最近在普渡大学植物科学前沿发表的一篇论文测绘学博士候选人克劳迪娅·阿维莱斯·托莱多 (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模型的功能，该模型教会计算机使用长短期记忆处理数据，以通过多种遥感技术和预测玉米产量。环境和遗传数据。
植物表型分析（检查和表征植物特征）可能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，以及拉动和干燥单个植物进行化学分析，这些都是劳动密集型且昂贵的工作。遥感，或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变得更容易获取。
Tuinstra，Wickersham 农业研究卓越主席、教授农学系植物育种和遗传学教授兼普渡大学植物科学研究所科学主任说：“这项研究强调了基于无人机的数据采集和处理的进步与深度学习网络如何有助于预测复杂性状”
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，他对阿维莱斯·托莱多和其他在田间和远程收集表型数据的人表示赞赏。传感。在这项合作和类似的研究中，世界已经看到基于遥感的表型分析同时减少了劳动力需求，并收集了人类仅靠感官无法识别的植物新信息。
高光谱相机，可以对光进行详细的反射率测量可见光谱之外的波长，现在可以放置在机器人和无人机上。光探测和测距 (LiDAR) 仪器释放激光脉冲并测量激光脉冲反射回传感器的时间，以生成植物几何结构的称为“点云”的地图。
“植物讲述了一个故事他们自己，”克劳福德说。“如果他们感到压力，他们就会做出反应。如果他们做出反应，你可能会将其与性状、环境投入、管理实践（如施肥、灌溉或害虫）联系起来。”
作为工程师，阿维莱斯·托莱多和克劳福德建造了这些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 Tuinstra 等植物育种者开发的不同杂交品种的产量。这些算法在任何农民或侦察员发现差异之前对健康和压力作物进行分类，并提供有关不同管理实践有效性的信息。
Tuinstra 为这项研究带来了生物学思维。植物育种者使用数据来识别控制特定作物性状的基因。
“这是第一个将植物遗传学添加到多年大规模试验中的产量故事中的人工智能模型之一，”Tuinstra 说。“现在，植物育种者可以看到不同的性状如何对不同的条件做出反应，这将帮助他们为未来更具弹性的品种选择性状。种植者还可以利用它来了解哪些品种可能在他们的地区表现最好。”
将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结合起来构建这个神经网络。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。一旦在一个地点或时间段进行训练，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。
Crawford 说，“之前，我们使用了经典的方法机器学习，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。”
神经网络具有铁丝网的外观，具有连接点的链接，最终将这些点连接起来。与其他所有点进行沟通。阿维莱斯·托莱多（Aviles Toledo）采用了长短期记忆的模型，使得过去的数据能够与当前的数据一起持续保存在计算机“大脑”的最前沿，以预测未来的结果。长期短期记忆模型在注意力机制的增强下，也引起了人们对生长周期中生理上重要时刻的关注，包括开花。
虽然遥感和天气数据被纳入这个新架构中，但 Crawford表示仍在处理遗传数据以提取“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纳入神经网络，并将更复杂的性状添加到他们的数据集中。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。
更多信息：Claudia Aviles Toledo 等人，集成多模式遥感、深度学习，以及植物育种实验中产量预测的注意机制，植物科学前沿（2024）。DOI：10.3389/fpls.2024.1408047
期刊信息：植物科学前沿
由普渡大学提供