作物模型是为了广泛的研究目的和规模而发展起来的，但由于目前模型研究的多样性，其兼容性较差。提高模型的适应性可以导致模型的集成。由于深度神经网络没有常规的建模参数，因此通过模型训练可以实现不同的输入和输出组合。尽管有这些优点，基于过程的作物模型还没有在全深度神经网络中进行测试。

2023年3月，Plant Phenomics在线发表了韩国Seoul National University题为Process-Based Crop Modeling for High Applicability with Attention Mechanism and Multitask Decoders的研究论文。

本研究的目的在于为水培甜椒 (Capsicum annuum var. annuum) 开发一个基于过程的深度学习模型DeepCrop，其具有完整的深度神经网络结构。基于深度神经网络的适用性，DeepCrop可以应用于各种目的和规模。从环境序列中选择注意力机制和多任务学习来处理不同的生长因子。对算法进行了改进，使之适用于生长模拟的回归任务。在不同条件下，每年在温室培养2次，共培养4株，为期2年。在2020年至2021年的四个培养期进行模型训练、验证和测试。

DeepCrop的核心算法是注意力机制；因此，模型训练和评估过程有所不同。在训练过程中，DeepCrop被输入了一系列环境数据、以前的生长因子和目标输出。由于之前的生长因子在实际模拟中并不同时存在，因此DeepCrop输出递归地替换了之前的生长因子。选取输出序列的最后一个输出向量作为每日预测输出。2020年的数据用于训练和验证数据集，2021年的数据用于测试数据集。利用环境数据计算积温和辐射；因此，在实践中，将累积输入因子替换为实测数据来指导训练后的DeepCrop；但是，在模型训练中，为了防止训练失败，没有替换这些值。训练、验证和测试数据集中的数据数量分别为18,900、8,100和254。

Figure1. Modeling and simulation workflows.

Figure 2. Modeling concept. Target crop growth and morphology were abstracted as one-big organs. Averages can be calculated with total values and the number of organs.

Figure 3. Data processing sequence. Refer to Figure. 1 for the detailed DeepCrop structure.

Figure 4. Simulation results from DeepCrop.

与具有未发现数据的评估中可访问的作物模型相比，开发的作物模型DeepCrop记录了最高的建模效率（=0.76）和最低的归一化均方误差（=0.18）。t-分布随机邻域嵌入（t-distributed stochastic neighbor embedding distribution）和注意力权重支持DeepCrop可以从认知能力的角度进行分析。凭借DeepCrop的高度适应性，所开发的模型可以取代现有的作物模型，成为一种多功能工具，通过分析复杂信息来揭示复杂的农业系统。

Figure 5. Model performance of existing models.

https://doi.org/10.34133/plantphenomics.0035

——推荐阅读——

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images

https://spj.science.org/doi/10.34133/plantphenomics.0020‍

Plant Phenomics | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法

A Precise Image-Based Tomato Leaf Disease Detection Approach Using PLPNet

https://doi.org/10.34133/plantphenomics.0042

Plant Phenomics | 中南林业科技大学周国雄教授团队基于PLPNet的番茄叶片病害图像精确检测方法