A breeder in the sky: scoring flowering with fewer flights
本研究引入了一种基于回归的框架，该框架利用大规模无人机影像数据集，能够仅凭每次实验中极少的单次观测，即可准确预测植物开花时间，从而显著降低了与传统多观测方法相比的数据采集负担。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在农业领域，时机就是一切。对于试图开发新玉米品种的植物育种家来说，准确了解作物何时开花至关重要。这一时刻决定了植物能否在当地霜冻发生前存活下来、它在收获前有多少生长时间，以及它是否能在特定地区茁壮成长。传统上，寻找这个答案是一项艰苦的人力任务。由于花朵并非出现在固定的日历日期，而是取决于天气和遗传基因，研究人员必须每隔几天就走入农田，观察花粉或丝状物（silk）出现的最初迹象。他们必须重复这一过程数周之久，从最早开花的植株到最晚的植株，以获得每个样地的准确平均值。这种持续的监测速度缓慢、成本高昂，并且限制了一个团队同时可以研究的农田数量。
为了解决这个问题，科学家们转向了无人机（即无人驾驶飞行器），它们可以从空中拍摄整个农田的高分辨率照片。然而，仅仅拍照是不够的。以往利用这些图像来预测开花时间的尝试，通常需要无人机在同一片农田上空飞行数十次，在开花季节期间每天或每隔一两天拍摄一次图像。这产生了海量的数据，处理起来非常困难，并且仍然需要频繁且昂贵的飞行。挑战依然存在：计算机能否仅通过少数几张照片——甚至可能只用一张——就学会准确判断一株玉米何时开花，而不需要如此频繁地进行飞行监测？
一组研究人员现在通过一种改变问题看待方式的新方法回答了这个问题。他们没有教计算机在单张快照中简单地判断植物是“正在开花”还是“未在开花”，而是训练了一个人工智能模型来充当“计时器”。他们要求模型观察一张玉米地的照片，并估算该植物距离其盛花时刻还有多少天。这个数字可以是负数，意味着植物尚未开花；也可以是正数，意味着它已经过了那个阶段。通过将开花视为一个连续的时间轴，而非一个简单的“是或否”的开关，该模型可以从植物在开花前后外观的细微变化中进行学习。
研究人员利用六年来收集的大量数据构建了这个系统。他们整合了来自七个不同州的七个试验场中超过20万张无人机图像，涵盖了1,200多种不同类型的玉米杂交种。这些图像与人类观察者实地走访确定的每个特定样地的精确开花记录相匹配。团队使用了一种被称为“视觉 Transformer”（Vision Transformer）的强大 AI 类型，这种类型旨在理解复杂的视觉模式。他们向计算机展示了玉米地的图像，以及照片拍摄时间与玉米开花时间之间的精确时间差。随着时间的推移，模型学会了识别预示植物即将进入开花期的视觉线索，例如上部叶片的朝向或茎部的细微伸展，而这些特征在人类肉眼看到花朵之前就已经出现了。
结果令人惊喜地有效。团队将该模型应用于其从未见过的田间实验，包括全新的地点和年份。即使模型只收到了一张在开花日期前后两周内拍摄的农田图像，它预测开花时间的平均误差也仅为大约三天。这种准确度水平足以媲美在田间走访的人类观察者。当研究人员对两次或三次飞行的预测结果取平均值时，误差进一步降低，通常降至不到两天。这表明，育种家可以比以往认为必要的次数更少地进行无人机飞行，就能获得高度准确的结果，从而可能大幅降低监测作物的成本和精力。
研究还揭示了计算机是如何“看”植物的。通过可视化模型关注图像的哪些部分，研究人员发现 AI 的注意力会随着植物的生长而动态转移。在花朵出现之前，模型的注意力集中在植物中心，即花朵最终会萌发的地方。随着时间推移，其焦点转向了周围的叶片和整体冠层形状。这表明模型不仅仅是在寻找一朵花；它正在理解植物整个发育过程的旅程。它能够检测到在人类注意到任何变化之前的几天内发生的细微生理变化，并在开花之后继续追踪植物的状态。
其中一项最重要的发现是，即使数据来自不同的年份、不同的地点和不同类型的相机，该模型依然表现良好。这表明该系统具有足够的鲁棒性，可以在无需使用本地数据重新进行训练的情况下，应用于新的环境。研究人员还测试了使用基于温度的时间测量方法（即生长积温，growing degree days）是否能提高结果的准确性。虽然这种方法确实在准确性上略有提升，但模型使用简单的日历天数也表现得非常出色。这意味着该系统不需要复杂的气象数据即可运行，使其更容易部署在各种环境中。
这对植物育种的影响是巨大的。通过减少对每日飞行和人工评分的需求，这种方法使研究人员能够以更少的资源监测规模大得多的作物种群。它为研究不同遗传品种如何响应开花时间以适应更广泛的环境打开了大门，这对于开发能够适应气候变化的作物至关重要。这项研究证明，单次或几次无人机飞行所能提供的信息，曾经需要数周的人力劳动才能完成。该模型并非取代育种家，而是作为一个强大的工具，扩展了他们的视野，让他们能够从空中洞察植物生长的无形律动。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。