Die Modellierung des Pflanzenwachstums kann uns dabei helfen, vorherzusagen, wie Bäume während ihres gesamten Lebens auf den Klimawandel reagieren werden. Genaue Vorhersagen erfordern detaillierte Informationen darüber, wie das Pflanzenwachstum gesteuert wird endogene Prozesse, angetrieben durch die Expression des Genotyps der Pflanze, und von exogen Prozesse, angetrieben durch die Interaktion zwischen der Pflanze und ihrer Umgebung.
Leider ist es schwierig, wenn nicht unmöglich, endogene Wirkungen auf Pflanzenprozesse zu beobachten und zu messen, die das Wachstum, die Verzweigung und die Absterberaten von Pflanzenstrukturen regulieren.
Stellen Sie sich vor, die Rate des Wurzelwachstums über die Lebensdauer eines Baums zu messen.
Dies erschwert die Schätzung der Parameterwerte für endogene Wachstumsgleichungen, die für die Modellierung des Ganzpflanzenwachstums erforderlich sind. Parameter, die nicht direkt gemessen und nur geschätzt werden können, werden als „verborgene Parameter“ bezeichnet.
Der CIRAD-Forscher Dr. Jean-François Barczi und Kollegen überwanden diesen Mangel an Daten mithilfe von Deep-Learning-Techniken. Ihre Arbeit, veröffentlicht in in silico Asphaltmischanlagen beschreibt ihre Methode, um Werte für diese verborgenen Parameter vorherzusagen unter Verwendung generativer tiefer neuronaler Netze. Dadurch waren sie in der Lage, die Auswirkungen der Umwelt auf Bäume genau zu modellieren.
Dieses Papier beschreibt die Entwicklung von RocoCau, einem neuen strukturellen Ganzpflanzen-Wachstumsmodell, das Spross- und Wurzelwachstum und Wurzel/Spross-Wechselwirkungen beschreibt (Abb. 1). RoCoCau wurde mit TOY verknüpft, einem neuen Funktionsmodell-Plug-In, das die Wechselwirkungen zwischen Spross- und Wurzelkompartimenten von Bäumen simuliert, die unterschiedlichen Klimazonen ausgesetzt sind.
Die verborgenen Parameter von TOY wurden mittels Modellinversion kalibriert. Das heißt, die Autoren identifizierten die korrekten Modelleingabewerte, indem sie die Genauigkeit der Modellausgabe bewerteten, die diese Parameter erzeugten. Dazu führten die Autoren RoCoCau+TOY-Simulationen mit 360,000 zufälligen versteckten TOY-Parametern und Klimawerten durch. Ein tiefes neuronales Netzwerk wurde mit dieser simulierten Datenbank trainiert, um die korrekten verborgenen Parameterwerte von TOY vorherzusagen. Das trainierte Netzwerk wurde dann in einer separaten Datenbank validiert, um zu überprüfen, ob die vorhergesagten Eingabewerte in der Lage waren, Modellausgaben ähnlich den Ausgaben zu erzeugen, die unter Verwendung der ursprünglichen Werte erzeugt wurden.
Sie fanden heraus, dass die Datensätze realitätsnahe simulierte Bäume erzeugen konnten. Unter Verwendung vorhergesagter verborgener Parameterwerte war RoCoCau+TOY in der Lage, die Auswirkungen der Wasser- und Lichtverfügbarkeit auf die architektonische Entwicklung mit einer Genauigkeit von 98 % vorherzusagen (Abb. 9). Die Genauigkeit der vorhergesagten Sprosstodschwelle, der Verzweigungsschwelle und des apikalen Wachstumsfaktors betrug 95 % (Abb. 8).
DER ARTIKEL::
Abel Louis Masson, Yves Caraglio, Eric Nicolini, Philippe Borianne, Jean-Francois Barczi, Modellierung der funktionalen Abhängigkeit zwischen Wurzel- und Sprosskompartimenten, um die Auswirkungen der Umwelt auf die Architektur der gesamten Pflanze vorherzusagen. Methodik zur Modellanpassung an simulierte Daten unter Verwendung von Deep-Learning-Techniken, in silico Plants, 2021, diab036, https://doi.org/10.1093/insilicoplants/diab036
Dieses Manuskript ist Teil von in silico Plant's Funktionelles strukturelles Anlagenmodell Sonderausgabe.
Der Quellcode des RoCoCau-Simulators mit den für diese Studie verwendeten Anlagenparameterdateien ist frei verfügbar unter http://amapstudio.cirad.fr/. Der Quellcode des neuronalen Netzwerkkalibrierungstools kann heruntergeladen werden von https://github.com/AbelMasson/VoxNet_Strat.
