Mô hình deep-learning linh hoạt để dự đoán chính xác sự phát triển của thực vật

Mục tiêu tăng trưởng và hình thái cây trồng được trừu tượng hóa thành một cơ quan lớn. Giá trị trung bình có thể được tính với tổng giá trị và số lượng cơ quan. Nguồn: Plant Phenomics.

Năng suất cây trồng có thể được tối đa hóa khi giống di truyền tốt nhất và thực hành quản lý cây trồng hiệu quả nhất được sử dụng để canh tác. Các nhà khoa học đã phát triển nhiều mô hình tính toán khác nhau để dự đoán các yếu tố tạo ra năng suất cao nhất ở các loại cây trồng cụ thể. Tuy nhiên, các mô hình truyền thống không thể đáp ứng mức độ thay đổi cao của các tham số hoặc dữ liệu đầu vào lớn.

Điều này có thể dẫn đến sự thất bại của các mô hình trong những trường hợp nhất định. Ngoài ra, do các mô hình cây trồng bị hạn chế đối với các loại đầu vào mà chúng có thể đáp ứng, các cải tiến đối với một mô hình có thể không áp dụng cho các mô hình khác.

Để khắc phục hạn chế này, các nhà nghiên cứu Hàn Quốc do giáo sư Jung Eok Son - Đại học Quốc gia Seoul dẫn đầu đã tạo ra một mô hình cây trồng dựa trên deep-learning mới được gọi là "DeepCrop", dành cho ớt ngọt thủy canh. Mô hình có thể chứa một số biến đầu vào và có ít hạn chế hơn về lượng dữ liệu mà nó có thể xử lý.

Do đó, nó có thể được sử dụng trong hầu hết các cài đặt và có thể được mở rộng cho các ứng dụng tương tự. Các nhà nghiên cứu đã thử nghiệm các dự đoán của DeepCrop bằng cách canh tác vụ mùa hai lần một năm trong hai năm ở trong nhà kính. Kết quả của họ đã được công bố trên Tạp chí Plant Phenomics vào ngày 1 tháng 3 năm 2023.

"Chúng tôi lựa chọn các thuật toán deep-learning như một giải pháp tiềm năng để giảm thiểu sự phân mảnh và dư thừa. Deep-learning có tính ứng dụng cao cho các nhiệm vụ mục tiêu rộng cũng như khả năng trừu tượng vượt trội đối với các tập dữ liệu khổng lồ", giáo sư Son giải thích.

DeepCrop là một mô hình dựa trên quy trình có thể mô phỏng sự phát triển của cây trồng để đáp ứng với các yếu tố và điều kiện môi trường khác nhau. Nó có thể được mở rộng để bao gồm nhiều loại đầu vào hoặc lượng dữ liệu lớn hơn. Một lý do giải thích cho tính linh hoạt cao của DeepCrop là nó được xây dựng riêng với các mạng thần kinh. Mạng lưới thần kinh là sự kết hợp của các thuật toán xử lý các tương tác giữa dữ liệu đầu vào để đưa ra các dự đoán hữu ích.

Vì các mô phỏng được tạo trên nền tảng dựa trên máy tính nên DeepCrop yêu cầu cơ sở hạ tầng tối thiểu. “Với tính ứng dụng của nó, một công việc phức tạp được thực hiện tại doanh nghiệp đều có thể thực hiện được bằng máy tính cá nhân”, Giáo sư Son nói.

Các thuật toán học sâu phải được cung cấp dữ liệu trước khi chúng có thể đưa ra bất kỳ dự đoán nào. Các thuật toán DeepCrop về mô phỏng tăng trưởng thực vật cũng được đào tạo theo cách tương tự. Tuy nhiên, nó không cần lập trình các khái niệm phức tạp trong sinh lý học thực vật hoặc mô hình hóa cây trồng để đưa ra các dự đoán hữu ích. “Mô phỏng DeepCrop theo đúng xu hướng phát triển từ đầu theo điểm số, nhưng mô hình nên được kiểm tra vì nó có tiềm năng được cải thiện”, giáo sư Son lưu ý.

Để xác thực các dự đoán của DeepCrop, nhóm đã trồng ớt ngọt trong điều kiện nhà kính định sẵn. So sánh các mô hình tăng trưởng thực tế và dự đoán của cây trồng cho thấy DeepCrop hoạt động tốt hơn các mô hình cây trồng dựa trên quy trình hiện có khác, như được biểu thị bằng hiệu quả mô hình hóa của nó. Mô hình cũng ít có khả năng mắc lỗi dự đoán nhất.

Khả năng của DeepCrop trong việc đưa ra các dự đoán hữu ích ngay cả với các thông số và đầu vào khác nhau cho thấy rằng nó có thể xác định mối quan hệ giữa dữ liệu đầu vào bất kể loại dữ liệu. Kết quả của nghiên cứu này cũng gợi ý rằng các mô hình deep-learning có thể hữu ích cho nhiều ứng dụng trong khoa học cây trồng. Giáo sư Son kết luận: “Chúng tôi kỳ vọng rằng DeepCrop được phát triển có thể cải thiện khả năng tiếp cận của các mô hình cây trồng và giảm thiểu vấn đề phân mảnh trong các nghiên cứu mô hình cây trồng”.

Huỳnh Thị Đan Anh theo Phys.org