基于热脉冲技术监测植物根系特征参数：反演模型研究

Plant root plays an important role in plant ecological system. Accurate quantify of root architecture is important for researches in the fields including root morphology and root biology. In recent years, the lack of the in-situ measurement method for characteristic parameters of root architecture has limited further researches of the relevant fields. The objectives of this program is to establish an in situ method for root architecture measurement using heat pulse technology, based on deep learning and data assimilation methods, including: 1) to analyze the sensitivity of the measurement signal of heat pulse technology to root characteristic parameters, and design the optimal monitoring strategy; 2) to develop the inversion model of root characteristic parameters based on deep learning and data assimilation methods; 3) to improve the applicability of developed system under actual conditions using transfer learning method; 4) to improve model estimation accuracy by increase additional input channel for neural network. This project provides a new method for in-situ monitoring of characteristic parameters of individual root, which will advance the study of plant root. Findings in this project are of great scientific interest in understanding the soil and plant interaction.

原位根系特征参数的准确获取对于根系生物学、营养学及形态学等相关研究具有重要意义，但目前缺乏快速、准确、原位监测根系的技术，严重限制了根系对根系形态和功能的深入研究。本项目的目标是将热脉冲技术与深度学习算法和数据同化方法相结合，建立根系特征参数的原位监测和分析方法。拟采用模拟分析和室内外实验相结合的研究方法，分析根际区域热脉冲技术监测信号对根系特征参数的敏感性，指导最佳监测方案设计；基于深度学习和数据同化方法，建立热脉冲技术监测根系特征参数的反演算法；采用迁移学习，提高根系特征参数反演算法在不同田间土壤条件上的适用性；增加神经网络模型的输入通道，提高模型的估测精度。研究结果将为植物根系特征参数的原位观测提供新方法，推进根系的非扰动探测研究，对于理解植物根系的生物学特征，深入认识土壤-植物的相互作用及机理具有重要的理论意义和应用价值。

植物根系在植物生态系统中起着重要作用，根系的准确量化对于根系形态学和根系生物学等领域的研究具有重要意义。针对目前便携式根系原位监测技术的缺乏、及从监测信号获取单个根系特征参数的准确性有限等问题。本研究将热脉冲技术和深度学习的各自优势（即方便、快速实现土壤物理参数原位监测与复杂数据模式学习）相结合，建立了一种使用热脉冲技术并结合神经网络方法来量化根系参数（例如大小、数量和位置）的原位方法。神经网络模型使用数值模拟数据集进行训练，并使用迁移学习结合少量实验数据对模型参数进行微调，来应对数值模型与现实情况之间的不确定性。该研究为原位监测植物根系特征参数提供了一种新方法，表明了热脉冲技术和深度学习在研究根系方面的潜力。