印第安纳州西拉斐特——人工智能（AI）将成为2024年的热门词汇。尽管远离文化焦点，但来自农业、生物和技术背景的科学家也在转向人工智能，他们正在合作寻找方法，让这些算法和模型分析数据集，以更好地理解和预测受气候变化影响的世界。

在最近发表在《植物科学前沿》上的一篇论文中，普渡大学地理信息学博士候选人克劳迪娅·阿维莱斯·托莱多（Claudia Aviles Toledo）与她的指导老师、合著者梅尔巴·克劳福德（Melba Crawford）和米奇·图斯特拉（Mitch Tuinstra）展示了循环神经网络的能力——一种教计算机使用长短期记忆处理数据的模型——通过几种遥感技术和环境和基因数据预测玉米产量。

植物表型，其中植物的特征进行检查和表征，可以是一个劳动密集型的任务。用卷尺测量植物高度，用笨重的手持设备测量多个波长的反射光，把单个植物拉起来晾干进行化学分析，这些都是劳动密集型和昂贵的工作。遥感，或使用无人驾驶飞行器（uav）和卫星从远处收集这些数据点，正在使这些领域和植物信息更容易获得。

Tuinstra是Wickersham农业研究卓越主席，农学系植物育种和遗传学教授，也是普渡大学植物科学研究所的科学主任，他说：“这项研究强调了基于无人机的数据采集和处理的进步，以及深度学习网络如何有助于预测玉米等粮食作物的复杂性状。”

克劳福德是Nancy Uridil和Francis Bossu土木工程杰出教授和农学教授，他把功劳归功于阿维莱斯·托莱多（Aviles Toledo）和其他在实地和遥感中收集表型数据的人。在这项合作和类似的研究中，世界上已经看到基于遥感的表型分析同时减少了劳动力需求，并收集了人类感官无法单独识别的植物的新信息。

高光谱相机可以对可见光谱以外的光波长进行详细的反射率测量，现在可以安装在机器人和无人机上。光探测和测距（LiDAR）仪器释放激光脉冲，并测量它们反射回传感器的时间，从而生成植物几何结构的“点云”地图。

克劳福德说：“植物自己会讲故事。“当他们感到压力时，他们会做出反应。如果它们有反应，你可能会将其与性状、环境投入、施肥、灌溉或虫害等管理措施联系起来。”

作为工程师，阿维莱斯·托莱多（Aviles Toledo）和克劳福德（Crawford）建立了算法，获取大量数据集，并分析其中的模式，以预测不同结果的统计可能性，包括图斯特拉（Tuinstra）等植物育种家培育的不同杂交品种的产量。这些算法在任何农民或侦察员发现差异之前对健康和有压力的作物进行分类，并提供有关不同管理实践有效性的信息。

图斯特拉为这项研究带来了生物学的思维方式。植物育种家利用数据来识别控制特定作物性状的基因。

图斯特拉说：“这是第一个将植物遗传学添加到多年大规模实验产量故事中的人工智能模型之一。”“现在，植物育种者可以看到不同性状对不同条件的反应，这将有助于他们为未来更具弹性的品种选择性状。种植者也可以用它来看看哪些品种可能在他们的地区做得最好。”

利用玉米的遥感高光谱和激光雷达数据、常用玉米品种的遗传标记以及气象站的环境数据，构建了该神经网络。这种深度学习模型是人工智能的一个子集，它从数据的空间和时间模式中学习，并对未来做出预测。一旦在一个地点或时间段进行训练，网络就可以用另一个地理位置或时间的有限训练数据进行更新，从而限制了对参考数据的需求。

克劳福德说：“以前，我们使用的是经典的机器学习，专注于统计和数学。我们不能真正使用神经网络，因为我们没有计算能力。”

神经网络看起来像铁丝网，通过连接点最终与其他点通信。阿维莱斯·托莱多采用了长短期记忆模型，这使得过去的数据与现在的数据一起，在预测未来的结果时，一直保持在计算机“头脑”的最前沿。长短期记忆模型，通过注意机制的增强，也使人们注意到生长周期中生理上重要的时间，包括开花。

克劳福德说，虽然遥感和天气数据被纳入了这个新架构，但基因数据仍在处理中，以提取“综合统计特征”。Crawford与Tuinstra合作的长期目标是将遗传标记更有意义地整合到神经网络中，并将更复杂的特征添加到他们的数据集中。实现这一目标将降低劳动力成本，同时更有效地为种植者提供信息，为他们的作物和土地做出最佳决策。