培育優質高產的作物一直是科學家們追求的目標，人們通過一系列先進的栽培技術來實現此目標。比如對于番茄的培育，由于干旱脅迫有利于番茄的糖分積累，所以人們可以運用精準灌溉技術來控制水分的供給量從而優化番茄果實品質，然而這項技術并沒有在農田實踐中得到廣泛地推廣和應用。近年來，很多研究者致力于通過監測水分脅迫引起的植株生長變化，利用深度神經網絡技術來評估植物缺水程度，這些研究在一定程度上提高了水分脅迫栽培技術。然而，前人并沒有對如何通過水分脅迫來調控果實糖含量（Sugar content）的技術進行深入探討。所以，近年來，人們對培育高產穩產的具有理想糖含量的溫室番茄產生了濃厚的興趣，期望建立一個基于強化學習（Reinforcement Learning，RL）的植物生長模型，來高效地評估溫室番茄的糖含量變化。但是，（i）建模需要一個較大的數據集，由于需要使用傳感器手動地測量番茄糖含量，所以創建一個較大糖含量的數據集是費時費財的。（ii）另外，由于測量是手動進行的，有必要考慮各種因素的影響，如測量時間，位置，測量重復性等，以增加測量的準確性。（iii）番茄糖含量通常是破壞性取樣獲取，一旦進行了破壞性測量，就不可能在短時間內測量同一果實。

2020年5月，Plant Phenomics刊發了日本靜岡大學Hiroshi Mineno團隊題為Semisupervised Deep State-Space Model for Plant Growth Modeling 的研究論文。該研究提出了一個半監督學習的深度狀態空間模型（SDSSM），這個模型將半監督學習應用到深度生成模型中，并通過優化參數、數據推斷和高效率運用訓練數據集來獲得一個較強的泛化能力。試驗溫室中共有16個栽培床（Figure 1c），每個栽培床設置24株番茄（Figure 1a），進行密植水培（Figure 1b）。采用激光位移傳感器測量植株的莖粗，利用傳感器來測量環境的溫度、濕度、光強和二氧化碳濃度（Figure 1b），并把傳感器收集到的收據作為模型輸入。我們運用溫室中采集得到的500個果實糖含量對8種模型進行了訓練和評價，并使用了交叉驗證（cross-validation）方法對模型進行了比較評估。通過平均誤差的比較結果發現，與其他監督學習算法的建模方法相比，SDSSM的平均絕對誤差降低了約38％（Figure 2）。另外，研究團隊通過對果實糖含量估計值和實測值的比較發現，SDSSM具有很好的潛力去估計時間序列果實糖含量的變化，并能夠對基于深度學習（RL）的優質水果種植技術的優化進行不確定性驗證(Figure 3)。

Figure 1: Experimental environment.

Figure 2: Error indicators of Cont-SV, Cont-SSV, Disc-SV, Disc-SSV, 2L-SV, 2L-SSV, MLP, and sLSTM.

Figure 3: True and estimated values of the sugar content (brix) with the standard deviations for supervised SDSSMs, semisupervised SDSSMs, MLP, and sLSTM.

更有趣的是，作者通過對隱空間（Latent space）進行假設，得到了三種不同的SDSSM，并對其進行評價，評價結果表明，兩個觀測值共享兩個潛變量可提高系統的泛化性能（generalization performance），能更好地跟蹤糖含量的變化。此外，試驗中的番茄的最高含糖量為10.73，最低為4.67，平均含糖率為6.81，模型的最高精度可達0.78 ，因此，SDSSMs有很大的潛力實現對番茄含糖量的高精度估計。本研究首次運用深度學習（RL）的方法對時間序列（Time-series）果實糖含量的變化進行建模，促進了番茄精準灌溉技術的發展，也為培育優質、穩產和高產的作物品種提供了新的思路。

How to Cite this Article

S. Shibata, R. Mizuno, and H. Mineno, “Semisupervised Deep State-Space Model for Plant Growth Modeling,” Plant Phenomics, vol. 2020, Article ID 4261965, 16 pages, 2020.

——推薦閱讀——

Optical Flow-BasedAnalysis of the Relationships between Leaf Wilting and Stem Diameter Variationsin Tomato Plants

Plant Phenomics | 基于光流法分析水分脅迫條件下番茄葉片萎蔫與莖直徑變化的關系

In Vivo Phenotyping for the Early Detection of Drought Stress in Tomato

Plant Phenomics | 利用體內表型分析進行番茄干旱脅迫的早期檢測

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，是Science合作出版的第二本期刊。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CABI、CNKI和DOAJ數據庫收錄。

編輯：徐霏 （實習）、孔敏

審核：尹歡、陳文珠