基于STLSTM的植物生长发育预测模型

摘要

提早预知植物生长发育是智能育种过程的重要组成部分,针对植物表型难以精准预测和模拟的问题,利用植物生长发育的空间和时间依赖性,提出了一种基于时空长短时记忆网络(Spatiotemporal long short-term memory,STLSTM)的植物生长发育预测模型,实现植物生长发育的预测。首先,通过微调Mask RCNN模型实现识别、提取植物掩模,预处理具有时空相关性的植物生长发育图像序列,构建植物生长发育预测数据集。然后,基于STLSTM建立植物生长发育预测模型,利用历史生长发育图像序列,融合时空深度特征,预测植物未来的生长发育图像序列。研究结果表明,所提出模型预测的图像序列与生长发育实际图像序列具有较高的一致性和相似性,首个预测时间节点的结构相似度为0.8741,均方误差为17.10,峰值信噪比为30.83,测试集的冠层叶面积、冠幅和叶片数预测R^(2)分别为0.9619、0.9087和0.9158。该研究实现了基于植物生长发育图像序列的生长发育预测,有效减少了田间反复试验的时间、土地和人力成本,为提高智能育种效率提供了参考。