Plant Phenomics | 基于近端多源時序數據和多任務深度學習同步預測小麥產量和品質性狀

產量和品質是小麥生產中最重要的兩個指標。氮肥的過量施用在促進小麥穩產高產的同時造成了小麥品質“強筋不強，弱筋不弱”等問題。收獲前的小麥產量和蛋白質含量預測是解決這種產質不協調問題有效途徑。近端遙感技術的發展為高效精確的產量/籽粒蛋白質含量（GPC）預測帶來了新機遇。但是，如何能夠有效地融合近端、多源和長時序數據，實現高精度、高效率的產量和蛋白質同步預測，仍充滿挑戰。
 

近日，Plant Phenomics在線發表了南京農業大學前沿交叉研究院金時超課題組聯合農學院姜東課題組合作完成的題為Simultaneous Prediction of Wheat Yield and Grain Protein Content Using Multitask Deep Learning from Time-Series Proximal Sensing的研究論文。
 

該研究利用田間軌道式高通量表型分析平臺（圖1a），收集了小麥全生育期逐日的多光譜和激光雷達數據，主要目的包括：1）探討多源數據融合、多任務學習和不同時序特征提取的深度學習模塊對產量和GPC模型預測精度的影響；2）提出一個新的雙輸入雙輸出深度學習模型，耦合了數據融合、多任務學習和最優特征提取模塊（注意力機制模塊）等策略；3）可視化了注意力機制模塊的時間通道注意層，解釋了生育時期對模型預測精度的貢獻。
 

圖1整體流程
 

基于模型輸入和輸出的變量個數，本文提出了4種模型結構：單輸入單輸出模型（圖2a）、單輸入雙輸出模型（圖2b）、雙輸入單輸出模型（圖2c）和雙輸入雙輸出模型（圖2d）。
 

圖2模型結構

主要結果如下：

（1）單輸入單輸出模型的產量和GPC預測性能

選用代表性結構性狀和光譜性狀各4個，利用單輸入單輸出模型，驗證了GNDVI在光譜性狀中表現最優，而Hmean在結構性狀中表現最優（圖3）。
 

圖3不同性狀在單輸入單輸出模型中對產量和GPC的預測精度

（2）數據融合和多任務學習對模型性能的影響

利用雙輸入單輸出模型，實現了最優光譜性狀和結構性狀的數據融合，結果表明，數據融合有利于顯著提升模型預測精度（圖4(b)(e)）；利用單輸入雙輸出模型，實現了產量和GPC同步預測，結果表明，多任務學習可以在幾乎不損失模型預測精度情況下實現產量和品質同步預測（圖4(c)(f)）。
 

圖4預測值和真實值的相關性。

(a)-(c) 單輸入單輸出、雙輸入單輸出、單輸入雙輸出模型的產量預測結果; (d)-(f) 單輸入單輸出、雙輸入單輸出、單輸入雙輸出模型的GPC預測結果
 

（3）不同特征提取模塊對預測性能的影響及注意力機制的可解釋性

基于上述多源數據融合對模型精度的改進和多任務學習對效率的提升，構建了雙輸入雙輸出模型。鑒于時間序列特征提取的特殊性，對比了FC、RNN、LSTM、1D CNN和注意力機制等特征提取模塊對雙輸入雙輸出模型精度的影響。結果表明，注意力機制模塊表現出最優異的模型預測性能。通過可視化注意力機制模塊的時間通道注意層發現，結構性狀和光譜性狀的時間重要性模式不一致：光譜性狀每日注意力權重分布較為平均；而結構性狀注意力權重在初始灌漿期和成熟期出現峰值。但是，結構和光譜性狀均表現出花后階段重要性大于花前階段的趨勢（圖5）。

圖5GNDVI和Hmean每日注意力權重分布
 

本研究針對小麥產質協調問題，提出了一種新的雙輸入雙輸出深度學習模型范式，該模型以數據融合和注意力特征提取模塊保證模型預測精度，以雙輸出的多任務學習實現產質同步預測目標。研究成果有助于提高深度學習在產質預測中的應用，促進實現精準管理、變量收獲等智慧農業生產目標。
 

作者及研究團隊介紹
 

第一作者：孫壯壯和李慶南京農業大學作物栽培學與耕作學博士生在讀，研究方向分別為小麥生理生態監測表型方法開發和非生物脅迫表型及生理解析。
 

通訊作者：金時超副教授（南京農業大學高層次引進人才、Plant Phenomics副主編、Forests客座編輯、Frontiers in Remote Sensing激光雷達方向編委）
 

通訊作者：姜東教授（南京農業大學科學研究院院長、國家小麥產業技術體系崗位科學家、國家杰出青年基金獲得者；入選“萬人計劃”科技創新領軍人才、科技部科技創新中青年領軍人才、江蘇省“333高層次人才培養工程”第二層次培養對象（中青年領軍人才），并入選2020年度“南京市科技頂尖專家集聚計劃”）。
 

感謝南京農業大學人工智能學院翟肇裕副教授等在項目開展中提供的建議。
 

論文鏈接

https://doi.org/10.34133/2022/9757948
 

推薦閱讀

Plant Phenomics專刊征稿 | 面向時間序列表型的近端感知和圖像分析前沿

Plant Phenomics 專刊發布會 | 面向時間序列表型的近端感知和圖像分析前沿

Global Wheat Head Detection 2021: An Improved Dataset for Benchmarking Wheat Head Detection Methods

https://doi.org/10.34133/2021/9846158

Plant Phenomics | GWHD_2021：改進后的全球麥穗檢測數據集

Panicle-3D: Efficient phenotyping tool for precise semantic segmentation of rice panicle point cloud

https://doi.org/10.34133/2021/9838929

Plant Phenomics | Panicle-3D：水稻穗點云精確語義分割的高效表型工具

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群
 

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。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性研究論文、綜述、數據集和觀點。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DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。2021年中科院期刊分區表影響因子5.706，位于農藝學、植物科學兩個小類一區，遙感小類二區，生物大類一區（Top期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內容僅供參考，一切內容以英文原版為準。

特邀作者：孫壯壯

編輯：王平

審核：尹歡、孔敏