尽管塔伊夫玫瑰是塔伊夫地区乃至整个沙特阿拉伯王国(KSA)经济的重要组成部分，但是由于不受控制的条件，其生存面临挑战。在这项研究中，我们利用深度学习(DL)开发了一个表型预测模型，使用简单而准确的方法分析了十个玫瑰农场中获取的数据。为了保持广泛的适用性和最小的计算复杂性，我们的模型采用了一种互补的学习方法，每个数据集的空间和时间实例都用三个最先进的深度神经网络同时处理：(1)卷积神经网络(CNN)处理图像，(2)长短期记忆人工神经网络(LSTM)处理时间序列和(3)全连接多层感知(MLPs)获取表型。因此，这种方法不仅巩固了从不同角度处理相同数据所获得的知识，而且还利用了模型在不完整或噪声数据集下的可预测性。通过将其结果与来自真实农场的综合表型测量结果进行比较，对所提模型的有效性进行了广泛的评估。该评估证明了所提出的模型能够在少量时期内以及在不同的训练到测试方案下实现零平均绝对百分比误差 (MAPE) 和均方百分比误差 (MSPE)。

 

　　图1 研究区域的地图

 

　　图2 采集塔伊夫玫瑰的10个农场地理位置

 

　　图3 表型数据箱线图：(a)冠层直径，(b)叶干重，(c)叶鲜重，(d)叶面积，(e)小叶数量，(f)花药数量，(g)花瓣数，(h)树干直径，(i)树枝数，(j)株高，(k)芽长，(l)芽宽，(m)花托长度/宽度，(n)花鲜重和(o)花干重。

 

　　图4 塔伊夫玫瑰样本

 

　　图5 本研究中使用的数据集样本。(a)麦加省白天地表温度图像，(b)麦加省白天地表温度时间序列，(c)麦加省夜间地表温度图像，(d)麦加省夜间温度时间序列，(e)麦加省EVI图像，(f)麦加省EVI时间序列，(g)麦加省CWD图像，(h)麦加省CWD时间序列，(i)麦加省PDSI图像和(j)麦加省PDSI时间序列。

 

　　图6 Bi-LSTM示意图

 

　　图7 所提出算法的程序框图

 

　　图8 所提出的模型及其变体：(a)MAE，(b)MAPE，(c)MSE和(d)MSPE.

 

　　图9 如何在两个K-fold交叉验证方案中划分数据集

 

　　图10 塔伊夫玫瑰15种表型的真实值与预测值的散点图：(a)冠层直径，(b)叶干重，(c)叶鲜重，(d)叶面积，(e)小叶数量，(f)花药数量，(g)花瓣数，(h)树干直径，(i)树枝数，(j)株高，(k)芽长，(l)芽宽，(m)花托长度/宽度，(n)花鲜重和(o)花干重。

 

　　图11新构建模型的MAE归一化为原始模型。

 

　　图12新构建模型的MAPE归一化为原始模型。

 

　　图13 新构建模型的MSE归一化为原始模型。

 

　　图14 新构建模型的MSPE归一化为原始模型。

 

　　来源：Abdelmigid H M, Baz M, AlZain M A, et al. Spatiotemporal Deep Learning Model for Prediction of Taif Rose Phenotyping[J]. Agronomy, 2022, 12(4): 807.

　　https://doi.org/10.3390/agronomy12040807

　　

　　编辑：小王博士在努力