Ein vielseitiges Deep-Learning-Modell zur genauen Vorhersage des Pflanzenwachstums

Der Ernteertrag kann maximiert werden, wenn für den Anbau die beste genetische Vielfalt und die effektivsten Praktiken des Pflanzenmanagements verwendet werden. Wissenschaftler haben verschiedene maschinelle Lernmodelle entwickelt, um die Faktoren vorherzusagen, die bei bestimmten Nutzpflanzen den größten Ertrag bringen. Herkömmliche Modelle können jedoch keine großen Schwankungen bei Parametern oder große Dateneingaben berücksichtigen.

Dies kann unter Umständen zum Versagen von Modellen führen. Da Crop-Modelle auf die Arten von Eingaben beschränkt sind, die sie aufnehmen können, gelten Verbesserungen an einem Modell möglicherweise nicht für andere Modelle.

Um diese Einschränkung zu überwinden, haben Forscher aus Korea unter der Leitung von Professor Jung Eok Son von der Seoul National University ein neuartiges Deep-Learning-basiertes Pflanzenmodell namens „DeepCrop“ für hydroponische Paprika entwickelt. Das Modell kann mehrere Eingabevariablen aufnehmen und hat weniger Einschränkungen hinsichtlich der Datenmenge, die es verarbeiten kann.

Daher kann es in den meisten Umgebungen eingesetzt und auf ähnliche Anwendungen erweitert werden. Die Forscher testeten die Vorhersagen von DeepCrop, indem sie die Ernte zwei Jahre lang zweimal im Jahr in Gewächshäusern kultivierten. Ihre Ergebnisse wurden in veröffentlicht Pflanzenphänomik am 1. März 2023.

„Wir haben Deep-Learning-Algorithmen als mögliche Lösung ausgewählt, um Fragmentierung und Redundanz zu mindern. Deep Learning hat eine hohe Anwendbarkeit auf breite Zielaufgaben sowie eine bemerkenswerte Abstraktionsfähigkeit für enorme Datenmengen“, erklärt Prof. Son.

DeepCrop ist ein prozessbasiertes Modell, das das Pflanzenwachstum als Reaktion auf verschiedene Faktoren und Umweltbedingungen simulieren kann. Es kann skaliert werden, um viele Eingabetypen oder größere Datenmengen aufzunehmen. Ein Grund für die hohe Vielseitigkeit von DeepCrop ist, dass es ausschließlich mit neuronalen Netzen aufgebaut ist. Neuronale Netze sind Kombinationen von Algorithmen, die die Interaktionen zwischen Eingabedaten verarbeiten, um nützliche Vorhersagen zu treffen.

Da Simulationen auf einer computerbasierten Plattform erstellt werden, erfordert DeepCrop nur eine minimale Infrastruktur. „Mit seiner Anwendbarkeit wurde eine komplizierte Aufgabe, die im Unternehmen durchgeführt wurde, mit einem Personal Computer zugänglich“, sagt Prof. Son.

Deep-Learning-Algorithmen müssen mit Daten gefüttert werden, bevor sie Vorhersagen treffen können. DeepCrop-Algorithmen zur Pflanzenwachstumssimulation wurden auf ähnliche Weise trainiert. Es war jedoch nicht erforderlich, ausgeklügelte Konzepte in der Pflanzenphysiologie oder der Pflanzenmodellierung zu programmieren, um nützliche Vorhersagen zu erstellen. „Die DeepCrop-Simulation ist den Scores zufolge von Grund auf adäquat der wachsenden Tendenz gefolgt, aber das Modell sollte überprüft werden, da es Verbesserungspotenzial hat“, stellt Prof. Son fest.

Um die Vorhersagen von DeepCrop zu validieren, kultivierte das Team Paprika unter voreingestellten Gewächshausbedingungen. Ein Vergleich der vorhergesagten und tatsächlichen Pflanzenwachstumsmuster deutete darauf hin, dass DeepCrop andere bestehende prozessbasierte Pflanzenmodelle übertraf, wie aus seiner Modellierungseffizienz hervorgeht. Das Modell machte auch am wenigsten Vorhersagefehler.

Die Fähigkeit von DeepCrop, auch bei variierenden Eingaben und Parametern nützliche Vorhersagen zu erstellen, legt nahe, dass es Beziehungen zwischen Eingabedaten unabhängig vom Datentyp bestimmen kann. Die Ergebnisse dieser Studie deuten auch darauf hin, dass Deep-Learning-Modelle für eine Vielzahl von Anwendungen in der Pflanzenwissenschaft nützlich sein können. „Wir erwarten, dass das entwickelte DeepCrop die Zugänglichkeit von Pflanzenmodellen verbessern und Fragmentierungsprobleme in Pflanzenmodellstudien mildern kann“, schließt Prof. Son.