人工智能(AI)是2024年的流行語。盡管人工智能還未成為文化焦點，但來自農業、生物和技術背景的科學家也在轉向人工智能，他們合作尋找方法讓這些算法和模型分析數據集，以便更好地理解和預測受氣候變化影響的世界。

　　在最近發表在《植物科學前沿》雜志上的一篇論文中，普渡大學測繪學博士生Claudia Aviles Toledo與她的導師兼合著者Melba Crawford和Mitch Tuinstra合作，展示了循環神經網絡的能力，該網絡可以根據多種遙感技術以及環境和遺傳數據預測玉米產量。

　　植物表型分析(即檢查和描述植物特征)是一項勞動密集型任務。用卷尺測量植物高度、使用重型手持設備測量多個波長的反射光以及拉出和干燥單個植物進行化學分析都是勞動密集型且昂貴的工作。遙感，即使用無人駕駛飛行器(UAV)和衛星從遠處收集這些數據點，使此類田間和植物信息更容易獲取。

　　威克沙姆農業研究卓越主席、農學系植物育種與遺傳學教授、普渡大學植物科學研究所科學主任圖因斯特拉表示：“這項研究強調了無人機數據采集和處理與深度學習網絡相結合的進步如何有助于預測玉米等糧食作物的復雜性狀。”

　　克勞福德是南希·烏里迪爾和弗朗西斯·博蘇土木工程杰出教授和農學教授，他將功勞歸于阿維萊斯·托萊多和其他在田間和利用遙感技術收集表型數據的人。在這次合作和類似研究中，世界已經看到基于遙感的表型分析既減少了勞動力需求，又收集了人類感官無法單獨辨別的植物新信息。

　　高光譜相機可以對可見光譜以外的光波長進行詳細的反射率測量，現在可以安裝在機器人和無人機上。光檢測和測距(LiDAR)儀器釋放激光脈沖并測量它們反射回傳感器的時間，以生成植物幾何結構圖。

　　“植物會為自己講述一個故事，”克勞福德說。“如果它們受到壓力，它們就會做出反應。如果它們做出反應，你可能會將其與特征、環境投入、施肥、灌溉或害蟲等管理實踐聯系起來。”

　　作為工程師，阿維萊斯·托萊多和克勞福德開發了算法，獲取大量數據集并分析其中的模式，以預測不同結果的統計可能性，包括由圖因斯特拉等植物育種者開發的不同雜交品種的產量。這些算法在農民或偵察員發現差異之前就對健康和受脅迫的作物進行了分類，并提供了有關不同管理實踐有效性的信息。

　　圖因斯特拉將生物學思維運用到研究中。植物育種者利用數據來識別控制特定作物性狀的基因。

　　Tuinstra表示：“這是首批將植物遺傳學添加到多年大規模田塊試驗產量故事中的AI模型之一?，F在，植物育種者可以看到不同性狀對不同條件的反應，這將有助于他們為未來更具彈性的品種選擇性狀。種植者還可以利用這一點來了解哪些品種可能在他們的地區表現最好。”

　　該神經網絡由玉米的遙感高光譜和激光雷達數據、流行玉米品種的遺傳標記以及氣象站的環境數據組合而成。這種深度學習模型是人工智能的一個子集，它從數據的空間和時間模式中學習并預測未來。一旦在一個位置或時間段進行訓練，網絡就可以在另一個地理位置或時間使用有限的訓練數據進行更新，從而限制了對參考數據的需求。

　　克勞福德說：“以前，我們使用傳統的機器學習，專注于統計和數學。我們無法真正使用神經網絡，因為我們沒有計算能力。”

　　神經網絡看起來就像鐵絲網，各個點之間通過連線最終相互通信。阿維萊斯·托萊多(Aviles Toledo)將此模型與長期短期記憶相結合，這使得過去的數據與當前數據一起始終保持在計算機“大腦”的最前沿，從而預測未來的結果。長期短期記憶模型通過注意力機制得到增強，還能引起人們對生長周期中生理上重要的時刻的關注，包括開花。

　　雖然遙感和天氣數據被納入這一新架構，但Crawford表示，基因數據仍需經過處理才能提取“聚合統計特征”。與Tuinstra合作，Crawford的長期目標是將基因標記更有意義地納入神經網絡，并在數據集中添加更復雜的特征。實現這一目標將降低勞動力成本，同時更有效地為種植者提供信息，以便他們為作物和土地做出最佳決策。