人工智能（AI）是2024年的趋势话题。尽管它不是流行文化的主要焦点，农业、生物学和技术的研究人员越来越多地利用AI。他们共同努力寻找有效的方法，让这些算法和模型能够从数据中提取信息，以理解和预测气候变化影响下的世界。
最近发表在《植物科学前沿》上的一篇文章展示了克劳迪亚·阿维莱斯·托莱多的工作，她是普渡大学的地理信息学博士研究生，以及她的导师梅尔巴·克劳福德和米切尔·图因斯特拉。他们展示了一种递归神经网络的能力——这种模型训练计算机使用长期短期记忆处理信息，利用各种遥感技术结合环境和遗传数据来预测玉米产量。
植物表型分析涉及检查和详细描述植物特征，这可能是一个劳动密集的过程。例如，通过卷尺测量植物高度，使用繁琐的手持设备在不同波长下评估反射光，以及收获单独的植物进行化学分析，都是要求高且成本高的任务。幸运的是，利用无人驾驶航空器（UAV）和卫星的遥感技术，使获取田野和植物信息变得更加容易。
根据图因斯特拉的说法，他是农业研究的威克舍姆杰出主席，也是农学系的植物育种和遗传学教授，“这项研究展示了基于UAV的数据采集和先进深度学习网络如何有助于预测像玉米这样的粮食作物中的复杂性状。”
克劳福德是一位土木工程和农学的杰出教授，他认可阿维莱斯·托莱多及其团队在田间和通过遥感收集表型数据的努力。像这样的项目展示了基于遥感的表型分析如何同时减少劳动力需求，并收集通常人类感官无法检测到的独特植物数据。
先进的高光谱相机能够捕捉超过可见光谱的波长内的精确反射测量，如今可以安装在机器人和无人机上。光学探测与测距（LiDAR）工具发射激光脉冲并跟踪反射回传感器所需的时间，从而创建“点云”，绘制植物的几何结构。
克劳福德表示：“植物会讲述自己的故事。它们对环境中的压力作出反应。观察这些反应有助于将其与各种性状、环境因素以及如施肥、灌溉或害虫控制等管理实践联系起来。”
作为工程师，阿维莱斯·托莱多和克劳福德研发算法，管理大量数据集，以发现预测各种结果的模式，包括由像图因斯特拉这样的专业人士培育的不同杂交品种的产量。这些算法可以在农民或侦察员可观察到之前，识别健康和受压的植物，并提供对不同农业策略有效性的见解。
从生物学的角度来看，图因斯特拉指出植物育种者利用数据确定负责特定作物性状的基因。
“这代表了一个开创性的AI模型，它将植物遗传学纳入观察到的多年份和大面积字段的产量动态中，”图因斯特拉解释道。“这使得植物育种者能够了解各种性状如何对不同环境做出反应，帮助他们选择新的、更具韧性的作物品种。农民也可以利用这些信息来确定哪些品种可能在他们的地区表现最佳。”
神经网络是通过合并来自玉米的遥感高光谱和LiDAR数据、知名玉米品种的遗传标记以及来自气象站的环境数据开发的。这种先进的深度学习方法是AI的一类，通过学习空间和时间数据模式来预测未来结果。经过特定地点或时间段的训练后，网络可以在最小的再训练下适应新的地理区域或时间间隔，从而减少对参考数据的依赖。
克劳福德提到：“以前，我们采用传统的机器学习技术，强调统计和数学。由于计算能力不足，我们无法充分利用神经网络。”
神经网络类似于鸡网的结构，连接点与各个点连接，使每个点能够与其他所有点进行通信。阿维莱斯·托莱多用长期短期记忆调整了这一模型，这种模型在进行未来预测时，将以前的数据与当前数据同时放在前沿。这个增强了注意力机制的长期短期记忆模型，还突出了生长周期中关键的生理阶段，如开花时间。
尽管遥感和气象数据集成到这个创新结构中，克劳福德指出遗传数据仍在处理以提取“聚合统计特征”。克劳福德与图因斯特拉共同旨在更有意义地将遗传标记整合到神经网络中，并在他们的数据集中加入更多复杂性状。实现这一目标不仅可以减少劳动力成本，还可以为农民提供宝贵的见解，帮助他们做出有关作物和土地的最佳决策。
