融合基因型与气象变量基于深度学习的作物产量预测
机器学习
2021-07-14 v1 机器学习
摘要
在科学与领域相关洞察支持下对作物产量的准确预测，有助于改进农业育种、提供多样气候条件下的监测，从而防范包括不规律降雨与温度变异在内的气候挑战对作物生产的影响。我们利用北美 Uniform Soybean Tests (UST) 跨越 13 年的历史表现记录，构建基于长短期记忆-循环神经网络 (LSTM-RNN) 的模型，借助系谱亲缘度量与每周气象参数，剖析并预测多环境下的基因型响应。此外，为提供生长季中重要时间窗口的可解释性，我们开发了基于时间注意力机制的模型。这两种模型的组合优于随机森林 (RF)、LASSO 回归以及数据驱动的 USDA 产量预测模型。我们将该深度学习框架部署为“假设生成工具”以揭示 GxExM 关系。基于注意力的时间序列模型在产量预测模型的可解释性上取得显著进展。可解释模型所提供的洞察适用于理解植物育种计划如何适应全球气候变化，例如鉴定用于商业发布的优良品种、在品种开发中智能抽样测试环境，以及为定向育种方法整合气象参数。将深度学习模型用作假设生成工具将促成具有可变气候条件下可塑性响应的品种开发。我们预见该方法（通过敏感性分析与“假设”情景）在大豆及其他作物物种于不同气候条件下的广泛适用性。
引用
@article{arxiv.2006.13847,
title = {Crop Yield Prediction Integrating Genotype and Weather Variables Using Deep Learning},
author = {Johnathon Shook and Tryambak Gangopadhyay and Linjiang Wu and Baskar Ganapathysubramanian and Soumik Sarkar and Asheesh K. Singh},
journal= {arXiv preprint arXiv:2006.13847},
year = {2021}
}
备注
18 pages, 9 figures