用多模态潜在表征预测葡萄藤抗寒性
原文：Cross-Regional Grapevine Cold Hardiness Prediction via Learned Multimodal Latent Representations
在冰冻温度可能损伤休眠芽并降低季节性产量的地区，对木本植物抗寒性的准确日级预测至关重要。现有的生物物理模型、混合模型和深度学习模型在本地数据上训练时展现了较高的预测精度，但在很大程度上局限于特定站点。抗寒性数据的有限可得性，加之缺乏将抗寒性预测迁移到新区域和新品种的原则性方法，限制了这些方法更广泛的采用和实用价值，尤其是在数据稀缺地区。为解决这些局限，我们提出一个抗寒性预测框架，通过学习嵌入来捕捉区域特异性差异，从而学习可迁移的潜在表示。为了在从未见过的区域实现预测，我们从（1）品种和种植区域的文本描述以及（2）有限的历史观测中推断嵌入，同时支持零样本和少样本迁移。在来自北美六个地区数据集上的实验表明，我们的方法始终优于最先进的抗寒性预测方法，产生更准确的预测，并显著改善向数据稀缺地区的迁移。作者：William Solow、Paola Pesantez-Cabrera、Markus Keller、Lav Khot、Sandhya Saisubramanian