培育优质高产的作物一直是科学家们追求的目标，人们通过一系列先进的栽培技术来实现此目标。比如对于番茄的培育，由于干旱胁迫有利于番茄的糖分积累，所以人们可以运用有效灌溉技术来控制水分的供给量从而优化番茄果实品质，然而这项技术并没有在农田实践中得到广泛地推广和应用。近年来，很多研究者致力于通过监测水分胁迫引起的植株生长变化，利用深度神经网络技术来评估植物缺水程度，这些研究在一定程度上提高了水分胁迫栽培技术。然而，前人并没有对如何通过水分胁迫来调控果实糖含量（Sugar content）的技术进行深入探讨。所以，近年来，人们对培育高产稳产的具有理想糖含量的温室番茄产生了浓厚的兴趣，期望建立一个基于强化学习（Reinforcement Learning，RL）的植物生长模型，来有效地评估温室番茄的糖含量变化。但是，（i）建模需要一个较大的数据集，由于需要使用传感器手动地测量番茄糖含量，所以创建一个较大糖含量的数据集是费时费财的。（ii）另外，由于测量是手动进行的，有必要考虑各种因素的影响，如测量时间，位置，测量重复性等，以增加测量的准确性。（iii）番茄糖含量通常是破坏性取样获取，一旦进行了破坏性测量，就不可能在短时间内测量同一果实。 

2020年5月，Plant Phenomics刊发了日本静冈大学Hiroshi Mineno团队题为Semisupervised Deep State-Space Model for Plant Growth Modeling 的研究论文。该研究提出了一个半监督学习的深度状态空间模型（SDSSM），这个模型将半监督学习应用到深度生成模型中，并通过优化参数、数据推断和有效率运用训练数据集来获得一个较强的泛化能力。试验温室中共有16个栽培床（Figure 1c），每个栽培床设置24株番茄（Figure 1a），进行密植水培（Figure 1b）。采用激光位移传感器测量植株的茎粗，利用传感器来测量环境的温度、湿度、光强和二氧化碳浓度（Figure 1b），并把传感器收集到的收据作为模型输入。我们运用温室中采集得到的500个果实糖含量对8种模型进行了训练和评价，并使用了交叉验证（cross-validation）方法对模型进行了比较评估。通过平均误差的比较结果发现，与其他监督学习算法的建模方法相比，SDSSM的平均有效误差降低了约38％（Figure 2）。另外，研究团队通过对果实糖含量估计值和实测值的比较发现，SDSSM具有很好的潜力去估计时间序列果实糖含量的变化，并能够对基于深度学习（RL）的优质水果种植技术的优化进行不确定性验证(Figure 3)。

Figure 1: Experimental environment.

Figure 2: Error indicators of Cont-SV, Cont-SSV, Disc-SV, Disc-SSV, 2L-SV, 2L-SSV, MLP, and sLSTM.

Figure 3: True and estimated values of the sugar content (brix) with the standard deviations for supervised SDSSMs, semisupervised SDSSMs, MLP, and sLSTM.

较有趣的是，作者通过对隐空间（Latent space）进行假设，得到了三种不同的SDSSM，并对其进行评价，评价结果表明，两个观测值共享两个潜变量可提高系统的泛化性能（generalization performance），能较好地跟踪糖含量的变化。此外，试验中的番茄的较高含糖量为10.73，较低为4.67，平均含糖率为6.81，模型的较高精度可达0.78 ，因此，SDSSMs有很大的潜力实现对番茄含糖量的高精度估计。本研究运用深度学习（RL）的方法对时间序列（Time-series）果实糖含量的变化进行建模，了番茄有效灌溉技术的发展，也为培育优质、稳产和高产的作物品种提供了新的思路。

How to Cite this Article

S. Shibata, R. Mizuno, and H. Mineno, “Semisupervised Deep State-Space Model for Plant Growth Modeling,” Plant Phenomics, vol. 2020, Article ID 4261965, 16 pages, 2020. 

——推荐阅读——

Optical Flow-BasedAnalysis of the Relationships between Leaf Wilting and Stem Diameter Variationsin Tomato Plants

Plant Phenomics | 基于光流法分析水分胁迫条件下番茄叶片萎蔫与茎直径变化的关系

In Vivo Phenotyping for the Early Detection of Drought Stress in Tomato

Plant Phenomics | 利用体内表型分析进行番茄干旱胁迫的早期检测

About Plant Phenomics

《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行，是Science合作出版的第二本期刊。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的较新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被CABI、CNKI和DOAJ数据库收录。

编辑：徐霏 （实习）、孔敏

审核：尹欢、陈文珠