A modelagem do crescimento vegetal pode nos ajudar a prever como as árvores responderão às mudanças climáticas ao longo de sua vida. Previsões precisas requerem informações detalhadas sobre como o crescimento da planta é controlado por endógeno processos, impulsionados pela expressão do genótipo da planta, e de exógeno processos, impulsionados pela interação entre a planta e seu ambiente.

Infelizmente, é difícil, se não impossível, observar e medir os efeitos endógenos nos processos vegetais que regulam as taxas de crescimento, ramificação e morte das estruturas vegetais.

Imagine medir a taxa de crescimento da raiz ao longo da vida de uma árvore.

Isso torna desafiador estimar os valores dos parâmetros para as equações de crescimento endógeno necessárias para modelar o crescimento da planta inteira. Parâmetros que não podem ser medidos diretamente e apenas estimados são denominados “parâmetros ocultos”.

O pesquisador do CIRAD, Dr. Jean-François Barczi, e seus colegas superaram essa falta de dados usando técnicas de aprendizado profundo. Seu artigo, publicado em in silico Plants descreve seu método para prever valores para esses parâmetros ocultos usando redes neurais profundas generativas. Como resultado, eles foram capazes de modelar com precisão o impacto do ambiente nas árvores.

Este artigo descreve o desenvolvimento do RocoCau, um novo modelo estrutural de crescimento da planta inteira que descreve o crescimento da parte aérea e da raiz e as interações raiz/parte aérea (fig. 1). O RoCoCau foi vinculado ao TOY, um novo plug-in de modelo funcional que simula interações entre os compartimentos da parte aérea e da raiz de árvores que enfrentam climas variados.

Figura 1: Fluxo de trabalho para prever a arquitetura da árvore em diferentes condições ambientais usando RoCoCau+TOY.

Os parâmetros ocultos do TOY foram calibrados usando inversão de modelo. Ou seja, os autores identificaram os valores corretos de entrada do modelo avaliando a precisão da saída do modelo que esses parâmetros produziram. Para fazer isso, os autores executaram simulações de RoCoCau+TOY usando 360,000 parâmetros ocultos aleatórios de TOY e valores climáticos. Uma rede neural profunda foi treinada neste banco de dados simulado para prever os valores corretos dos parâmetros ocultos do TOY. A rede treinada foi então validada em um banco de dados separado para verificar se os valores de entrada previstos foram capazes de produzir saídas de modelo semelhantes às saídas produzidas usando os valores originais.

Figura 2: Valores previstos versus valores reais para o impacto da disponibilidade de luz e água no desenvolvimento arquitetônico.

Eles descobriram que os conjuntos de dados foram capazes de produzir árvores simuladas próximas da realidade. Usando valores de parâmetros ocultos previstos, RoCoCau+TOY foi capaz de prever o impacto da disponibilidade de água e luz no desenvolvimento arquitetônico com 98% de precisão (fig. 9). A precisão do limiar de morte de brotos previsto, limiar de ramificação e fator de crescimento apical foi de 95% (fig. 8).

Figura 3: Valores previstos versus verdadeiros dos 3 parâmetros de brotos ocultos: limiar de morte, limiar de ramificação e fator de crescimento apical.

LEIA O ARTIGO:

Abel Louis Masson, Yves Caraglio, Eric Nicolini, Philippe Borianne, Jean-Francois Barczi, Modelando a dependência funcional entre os compartimentos da raiz e da parte aérea para prever o impacto do ambiente na arquitetura de toda a planta. Metodologia para ajuste de modelos em dados simulados usando técnicas de Deep Learning, in silico Plants, 2021, diab036, https://doi.org/10.1093/insilicoplants/diab036

Este manuscrito faz parte do in silico Plant's Edição especial do Functional Structural Plant Model.

O código fonte do simulador RoCoCau com os arquivos de parâmetros da planta utilizados para este estudo estão disponíveis gratuitamente em http://amapstudio.cirad.fr/. O código-fonte da ferramenta de calibração de rede neural pode ser baixado em https://github.com/AbelMasson/VoxNet_Strat.