Ученые объединили алгоритмы для улучшения прогнозирования урожайности сельхозкультур
Гиперспектральные данные содержат полный спектр света. Этот набор непрерывной спектральной информации имеет множество применений — от оценки состояния Большого Барьерного рифа до выявления более продуктивных сортов сельскохозяйственных культур. Чтобы помочь исследователям точнее прогнозировать признаки культур, связанные с высокой урожайностью, команда из Университета Иллинойса объединила шесть мощных алгоритмов машинного обучения, используемых для интерпретации гиперспектральных данных. Они продемонстрировали, что этот метод повысил прогностическую силу недавнего исследования на до 15% по сравнению с использованием всего одного алгоритма.
«Мы даем возможность ученым из разных областей, не обязательно являющимся экспертами в вычислительном анализе, преобразовывать свои огромные наборы данных в полезные результаты», — сказал первый автор Пэн Фу, научный сотрудник Иллинойса, руководивший этой работой в рамках проекта Realizing Increased Photosynthetic Efficiency (RIPE). «Теперь ученым не нужно ломать голову над тем, какой алгоритм машинного обучения выбрать; они могут применить шесть или более алгоритмов — по цене одного — для получения более точных прогнозов».
Проект RIPE, который возглавляет Иллинойс, занимается генной инженерией сельскохозяйственных культур для повышения их продуктивности путем улучшения фотосинтеза — естественного процесса преобразования солнечного света в энергию и урожай. Проект поддерживается Фондом Билла и Мелинды Гейтс, Фондом исследований в области продовольствия и сельского хозяйства США (FFAR) и Министерством международного развития Великобритании (DFID).
В недавнем исследовании, опубликованном в Remote Sensing of Environment, команда представила спектральный анализ как средство быстрой идентификации улучшений фотосинтеза, которые могут повысить урожайность. В этой новой работе, опубликованной в Frontiers in Plant Science, команда улучшила свои предыдущие прогнозы фотосинтетической способности на до 15% с помощью машинного обучения, когда компьютеры автоматически применили эти шесть алгоритмов к их набору данных без помощи человека.
«Мне нравится видеть, что возможно, когда вы можете использовать вычислительную мощность, чтобы извлечь из данных максимум», — сказала соавтор Кэтрин Мичем-Хенсольд, научный сотрудник RIPE в Иллинойсе, руководившая предыдущим исследованием в Remote Sensing of Environment. «Захватывающе видеть, что такой специалист по анализу данных, как Пэн, может сделать с моими данными. Теперь другие ученые, не являющиеся аналитиками данных, могут протестировать несколько мощных алгоритмов, чтобы выяснить, какой из них поможет им максимально эффективно использовать свои данные».
Однако необходимы дополнительные исследования, чтобы доказать актуальность этой техники объединения алгоритмов для сообщества растениеводов и других областей науки.
«Применяя экспертизу аналитиков данных для решения задач таких физиологов растений, как я, мы в итоге усовершенствовали метод, актуальный и для других гиперспектральных наборов данных», — сказал соавтор Карл Бернакки, руководитель исследований в RIPE и ученый Службы сельскохозяйственных исследований Министерства сельского хозяйства США, работающий в Институте геномной биологии Карла Р. Вуза при Иллинойсе. «Следующий шаг — протестировать больше объединенных алгоритмов машинного обучения на наборах данных от многих других видов сельскохозяйственных культур и изучить полезность этого метода для оценки других параметров, таких как абиотический стресс от засухи или болезней».
«Как ученые, мы должны стараться использовать наши предметные знания, чтобы объяснить высокую производительность методов машинного обучения», — сказал соавтор Кайю Гуань, доцент Колледжа сельского хозяйства, потребительских и экологических наук (ACES) Иллинойса. «Сочетание вычислительных методов и предметных дисциплин позволяет нам, возможно, раскрыть причины измеримых различий в гиперспектральных наборах данных — что является нерешенной загадкой в нашей работе и заслуживает дальнейшего изучения».