一種基于半監(jiān)督學習的深度狀態(tài)空間模型在植物生長建模中的應用研究

培育優(yōu)質高產的作物一直是科學家們追求的目標，人們通過一系列先進的栽培技術來實現(xiàn)此目標。比如對于番茄的培育，由于干旱脅迫有利于番茄的糖分積累，所以人們可以運用精準灌溉技術來控制水分的供給量從而優(yōu)化番茄果實品質，然而這項技術并沒有在農田實踐中得到廣泛地推廣和應用。近年來，很多研究者致力于通過監(jiān)測水分脅迫引起的植株生長變化，利用深度神經網絡技術來評估植物缺水程度，這些研究在一定程度上提高了水分脅迫栽培技術。然而，前人并沒有對如何通過水分脅迫來調控果實糖含量（Sugar content）的技術進行深入探討。所以，近年來，人們對培育高產穩(wěn)產的具有理想糖含量的溫室番茄產生了濃厚的興趣，期望建立一個基于強化學習（Reinforcement Learning，RL）的植物生長模型，來高效地評估溫室番茄的糖含量變化。但是，（i）建模需要一個較大的數(shù)據(jù)集，由于需要使用傳感器手動地測量番茄糖含量，所以創(chuàng)建一個較大糖含量的數(shù)據(jù)集是費時費財?shù)�。（ii）另外，由于測量是手動進行的，有必要考慮各種因素的影響，如測量時間，位置，測量重復性等，以增加測量的準確性。（iii）番茄糖含量通常是破壞性取樣獲取，一旦進行了破壞性測量，就不可能在短時間內測量同一果實。

2020年5月，Plant Phenomics刊發(fā)了日本靜岡大學Hiroshi Mineno團隊題為Semisupervised Deep State-Space Model for Plant Growth Modeling 的研究論文。該研究提出了一個半監(jiān)督學習的深度狀態(tài)空間模型（SDSSM），這個模型將半監(jiān)督學習應用到深度生成模型中，并通過優(yōu)化參數(shù)、數(shù)據(jù)推斷和高效率運用訓練數(shù)據(jù)集來獲得一個較強的泛化能力。試驗溫室中共有16個栽培床（Figure 1c），每個栽培床設置24株番茄（Figure 1a），進行密植水培（Figure 1b）。采用激光位移傳感器測量植株的莖粗，利用傳感器來測量環(huán)境的溫度、濕度、光強和二氧化碳濃度（Figure 1b），并把傳感器收集到的收據(jù)作為模型輸入。我們運用溫室中采集得到的500個果實糖含量對8種模型進行了訓練和評價，并使用了交叉驗證（cross-validation）方法對模型進行了比較評估。通過平均誤差的比較結果發(fā)現(xiàn)，與其他監(jiān)督學習算法的建模方法相比，SDSSM的平均絕對誤差降低了約38％（Figure 2）。另外，研究團隊通過對果實糖含量估計值和實測值的比較發(fā)現(xiàn)，SDSSM具有很好的潛力去估計時間序列果實糖含量的變化，并能夠對基于深度學習（RL）的優(yōu)質水果種植技術的優(yōu)化進行不確定性驗證(Figure 3)。

Figure 1: Experimental environment.

Figure 2: Error indicators of Cont-SV, Cont-SSV, Disc-SV, Disc-SSV, 2L-SV, 2L-SSV, MLP, and sLSTM.

Figure 3: True and estimated values of the sugar content (brix) with the standard deviations for supervised SDSSMs, semisupervised SDSSMs, MLP, and sLSTM.

更有趣的是，作者通過對隱空間（Latent space）進行假設，得到了三種不同的SDSSM，并對其進行評價，評價結果表明，兩個觀測值共享兩個潛變量可提高系統(tǒng)的泛化性能（generalization performance），能更好地跟蹤糖含量的變化。此外，試驗中的番茄的最高含糖量為10.73，最低為4.67，平均含糖率為6.81，模型的最高精度可達0.78 ，因此，SDSSMs有很大的潛力實現(xiàn)對番茄含糖量的高精度估計。本研究首次運用深度學習（RL）的方法對時間序列（Time-series）果實糖含量的變化進行建模，促進了番茄精準灌溉技術的發(fā)展，也為培育優(yōu)質、穩(wěn)產和高產的作物品種提供了新的思路。

How to Cite this Article

S. Shibata, R. Mizuno, and H. Mineno, “Semisupervised Deep State-Space Model for Plant Growth Modeling,” Plant Phenomics, vol. 2020, Article ID 4261965, 16 pages, 2020.

——推薦閱讀——

Optical Flow-BasedAnalysis of the Relationships between Leaf Wilting and Stem Diameter Variationsin Tomato Plants

Plant Phenomics | 基于光流法分析水分脅迫條件下番茄葉片萎蔫與莖直徑變化的關系

In Vivo Phenotyping for the Early Detection of Drought Stress in Tomato

Plant Phenomics | 利用體內表型分析進行番茄干旱脅迫的早期檢測

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被CABI、CNKI和DOAJ數(shù)據(jù)庫收錄。

編輯：徐霏 （實習）、孔敏

審核：尹歡、陳文珠