La modélisation de la croissance des plantes peut nous aider à prédire comment les arbres réagiront au changement climatique tout au long de leur vie. Des prédictions précises nécessitent des informations détaillées sur la façon dont la croissance des plantes est contrôlée par endogène processus, pilotés par l'expression du génotype de la plante, et de exogène processus, dictés par l'interaction entre la plante et son environnement.

Malheureusement, il est difficile, voire impossible, d'observer et de mesurer les effets endogènes sur les processus végétaux qui régulent les taux de croissance, de ramification et de mortalité des structures végétales.

Imaginez mesurer le taux de croissance des racines pendant la durée de vie d'un arbre.

Cela rend difficile l'estimation des valeurs des paramètres pour les équations de croissance endogène nécessaires à la modélisation de la croissance de la plante entière. Les paramètres qui ne peuvent pas être directement mesurés et seulement estimés sont appelés « paramètres cachés ».

Le Dr Jean-François Barczi, chercheur au Cirad, et ses collègues ont surmonté ce manque de données en utilisant des techniques d'apprentissage en profondeur. Leur article, publié dans in silico Plantes décrit leur méthode pour prédire les valeurs de ces paramètres cachés utilisant des réseaux de neurones profonds génératifs. En conséquence, ils ont pu modéliser avec précision l'impact de l'environnement sur les arbres.

Cet article décrit le développement de RocoCau, un nouveau modèle structurel de croissance de plantes entières qui décrit la croissance des pousses et des racines et les interactions racines/pousse (fig. 1). RoCoCau a été lié à TOY, un nouveau plug-in de modèle fonctionnel qui simule les interactions entre les compartiments des pousses et des racines des arbres confrontés à des climats variables.

Figure 1 : Flux de travail pour prédire l'architecture des arbres dans des conditions environnementales variables à l'aide de RoCoCau+TOY.

Les paramètres cachés de TOY ont été calibrés en utilisant l'inversion de modèle. C'est-à-dire que les auteurs ont identifié les valeurs d'entrée correctes du modèle en évaluant l'exactitude de la sortie du modèle de ces paramètres produits. Pour ce faire, les auteurs ont exécuté des simulations RoCoCau + TOY en utilisant 360,000 XNUMX paramètres cachés aléatoires TOY et des valeurs climatiques. Un réseau neuronal profond a été formé sur cette base de données simulée pour prédire les valeurs correctes des paramètres cachés de TOY. Le réseau formé a ensuite été validé sur une base de données distincte pour vérifier si les valeurs d'entrée prédites étaient capables de produire des sorties de modèle similaires aux sorties produites à l'aide des valeurs d'origine.

Figure 2 : Valeurs prédites par rapport aux valeurs réelles de l'impact de la disponibilité de la lumière et de l'eau sur le développement architectural.

Ils ont constaté que les ensembles de données étaient capables de produire des arbres simulés proches de la réalité. En utilisant des valeurs de paramètres cachés prédites, RoCoCau+TOY a pu prédire l'impact de la disponibilité de l'eau et de la lumière sur le développement architectural avec une précision de 98 % (fig. 9). La précision du seuil de mort des pousses, du seuil de ramification et du facteur de croissance apical prédits était de 95 % (fig. 8).

Figure 3 : Valeurs prédites par rapport aux valeurs réelles des 3 paramètres de pousse cachés : seuil de mort, seuil de ramification et facteur de croissance apical.

LIRE L'ARTICLE:

Abel Louis Masson, Yves Caraglio, Eric Nicolini, Philippe Borianne, Jean-François Barczi, Modélisation de la dépendance fonctionnelle entre les compartiments racinaire et pousse pour prédire l'impact de l'environnement sur l'architecture de la plante entière. Méthodologie d'ajustement du modèle sur des données simulées à l'aide de techniques de Deep Learning, in silico Plants, 2021, diab036, https://doi.org/10.1093/insilicoplants/diab036

Ce manuscrit fait partie de in silico Plant's Numéro spécial sur le modèle structurel fonctionnel de l'usine.

Le code source du simulateur RoCoCau avec les fichiers de paramètres de la centrale utilisés pour cette étude sont disponibles gratuitement sur http://amapstudio.cirad.fr/. Le code source de l'outil d'étalonnage du réseau neuronal peut être téléchargé à partir de https://github.com/AbelMasson/VoxNet_Strat.