Kültivasyon için en iyi genetik çeşitlilik ve en etkili mahsul yönetimi uygulamaları kullanıldığında mahsul verimi en üst düzeye çıkarılabilir. Bilim insanları, belirli mahsul bitkilerinde en yüksek verimi sağlayan faktörleri tahmin etmek için çeşitli makine öğrenimi modelleri geliştirmiştir. Ancak geleneksel modeller, parametrelerde yer alan yüksek düzeydeki varyasyonu veya büyük veri girdilerini barındıramaz.
Bu durum, belirli koşullar altında modellerin başarısız olmasına yol açabilir. Ayrıca, mahsul modelleri barındırabildikleri girdi türleriyle sınırlı olduğundan, bir modelde yapılan iyileştirmeler diğer modellere uygulanamayabilir.
Bu sınırlamanın üstesinden gelmek için Seul Ulusal Üniversitesi’nden Profesör Jung Eok Son liderliğindeki Koreli araştırmacılar, hidroponik tatlı biberler için “DeepCrop” olarak bilinen yeni bir derin öğrenme tabanlı mahsul modeli oluşturdular. Model çok sayıda girdi değişkenini barındırabiliyor ve işleyebileceği veri miktarı konusunda daha az sınırlamaya sahip.
Bu nedenle, çoğu ortamda kullanılabilir ve benzer uygulamalara genişletilebilir. Araştırmacılar, DeepCrop’un tahminlerini seralarda iki yıl boyunca yılda iki kez ürün yetiştirerek test etti. Elde ettikleri sonuçlar 1 Mart 2023 tarihinde Plant Phenomics dergisinde yayımlandı.
Prof. Son “Fragmentasyonu ve fazlalığı azaltmak için potansiyel bir çözüm olarak derin öğrenme algoritmalarını seçtik. Derin öğrenme, geniş hedefli görevler için yüksek uygulanabilirliğe ve muazzam veri kümeleri için dikkate değer bir soyutlama yeteneğine sahiptir,” diye açıklıyor.
DeepCrop, çeşitli faktörlere ve çevresel koşullara yanıt olarak mahsul büyümesini simüle edebilen süreç tabanlı bir modeldir. Birçok girdi türünü veya daha fazla miktarda veriyi içerecek şekilde ölçeklendirilebilir. DeepCrop’un yüksek çok yönlülüğünün bir nedeni, yalnızca sinir ağları ile inşa edilmiş olmasıdır. Sinir ağları, yararlı tahminler yapmak için girdi verileri arasındaki etkileşimleri işleyen algoritmaların kombinasyonlarıdır.
Simülasyonlar bilgisayar tabanlı bir platformda oluşturulduğu için DeepCrop minimum altyapı gerektiriyor. Dr. Son, “Uygulanabilirliği sayesinde işletmede yürütülen karmaşık bir görev, kişisel bir bilgisayarla erişilebilir hale geldi” dedi.
Derin öğrenme algoritmalarının herhangi bir tahminde bulunabilmeleri için önce verilerle beslenmeleri gerekir. Bitki büyüme simülasyonuna ilişkin DeepCrop algoritmaları da benzer bir şekilde eğitilmiştir. Ancak, faydalı tahminler üretmek için bitki fizyolojisi veya mahsul modellemesinde sofistike kavramların programlanmasına ihtiyaç duyulmadı. Son, “DeepCrop simülasyonu, puanlara göre sıfırdan büyüme eğilimini yeterince takip etti, ancak model geliştirilme potansiyeline sahip olduğu için incelenmelidir” diyor.
DeepCrop’un tahminlerini doğrulamak için ekip, önceden ayarlanmış sera koşullarında tatlı biber yetiştirdi. Tahmin edilen ve gerçek bitki büyüme modellerinin karşılaştırılması, DeepCrop’un modelleme verimliliğinin de gösterdiği gibi, mevcut diğer süreç tabanlı ürün modellerinden daha iyi performans gösterdiğini ortaya koydu. Model ayrıca tahmin hatası yapma olasılığı en düşük olan modeldi.
DeepCrop’un değişen girdiler ve parametrelerle bile faydalı tahminler üretme kapasitesi, veri türüne bağlı olmaksızın girdi verileri arasındaki ilişkileri belirleyebileceğini göstermektedir. Bu çalışmanın sonuçları, derin öğrenme modellerinin mahsül biliminde geniş bir uygulama yelpazesinde faydalı olabileceğini düşündürmektedir. Prof. Son, “Geliştirilen DeepCrop’un, bitki modellerinin erişilebilirliğini artırabileceğini ve bitki modeli çalışmalarındaki parçalanma problemlerini azaltabileceğini bekliyoruz” dedi. [1]A versatile deep-learning model for accurate prediction of plant growth[2]Öne çıkan görsel
[cite]
Kaynaklar ve İleri Okuma
| ↑1 | A versatile deep-learning model for accurate prediction of plant growth |
|---|---|
| ↑2 | Öne çıkan görsel |
