Analyzing plant data for precision and robust agriculture is a key component of adapting
to climate change. Plant data is multi-modal, experiments are directly restricted by
plant growth, and the data analysis is often supported by image capturing. Particularly
in the case of functional-structural plant models, the understanding of experimental
data, the primary indicators for plant development and health, is crucial to calibrating
robust and representative models of the real world. However, experimental data is also
limited in its scope, which makes it more crucial that the data analysis pipeline is not
only robust against noise but also yields as much value to researchers as possible. The
focus of this thesis is the embedding of plant models into a virtual environment in
such a way that it is informed by experimental data and compatible with both a more
precise extraction pipeline and a more scalable data generation pipeline. Synthetic
data generation is a key aspect of this thesis, as it is one of the promising ways to
combat data scarcity for biological data analysis. This thesis contributes to the field
by establishing a data generation framework that is compatible with modern highperformance computing systems and is based on a realtime communication standard.
The virtual world embedding of the plant models also yields the possibility of measuring
in-place, allowing the coupling of plant models to visualization to exhibit true digital
twin behavior. Within the virtual embedding, data extraction is also more precise,
allowing users to directly interact with challenging data sets to increase the precision
and robustness compared to traditional methods. The output of this PhD thesis is a
distributed synthetic data-based training framework called Synavis, full realistic virtual
scenes that contain functional information and are computed scalably, and a data analysis
pipeline called VRoot that directly assists researchers in their data analysis whenever
automated approaches need human intervention.
Lykilþáttur í aðlögun að loftslagsbreytingum, er að geta greint plöntugögn, sem fengin
eru úr landbúnaði, nákvæmlega og áreiðanlega. Plöntugögn eru fjölhátta, tilraunir eru
takmarkaðar af plöntuvexti og gagnagreining er oft studd af myndatöku. Sérstaklega
í tilfelli virknibyggðra plöntulíkana er skilningur á tilraunagögnum, sem eru helstu
vísbendingum um þróun og heilsufar planta, afar mikilvægur til að fínstilla áreiðanleg
og raunhæf líkön af raunveruleikanum. Hins vegar eru tilraunagögn takmörkuð að
umfangi og gæðum, sem gerir það enn mikilvægara að gagnaúrvinnsla sé ónæm fyrir
gagnasuði og sé eins gagnleg vísindamönnum og hægt er. Áhersla þessarar ritgerðar er
á innfellingu plöntulíkana í sýndarveruleika þannig að hann fái upplýsingar um tilraunagögn og sé samhæfður við nákvæmari útdráttarleið og stigfrjálsa gagnaúrvinnslukeðju.
Myndun gervigagna er lykilatriði í þessari ritgerð, þar sem hún er ein af efnilegustu aðferðunum til að bæta upp skort á líffræðilegum gögnum. Þessi ritgerð leggur af mörkum
til fræðasviðsins með því að þróa gagnasköpunarkerfi sem er samhæft við nútímalegar
ofurtölvur og byggir á rauntíma samskiptastaðli. Innfelling plöntulíkana í sýndarveruleika opnar einnig möguleikann á mælingum á staðnum, sem gerir kleift að tengja
plöntulíkön við sjónræna framsetningu og skapa raunverulega stafræna tvíburahegðun.
Innan sýndarveruleikans verður gagnaútdráttur einnig nákvæmari, sem gerir notendum
kleift að hafa bein samskipti við krefjandi gagnasöfn og auka þannig nákvæmni og
áreiðanleika samanborið við hefðbundnar aðferðir. Afurð þessarar doktorsritgerðar
er dreifður þjálfunarrammi fyrir gervigögn, kallaður Synavis, fullkomlega raunsæjar
sýndarveruleikasenur sem innihalda virkniupplýsingar og eru reiknaðar á stigfrjálsan
hátt, og gagnaúrvinnslukeðja nefnd VRoot, sem leyfir vísindamönnum að grípa inn í
sjálfvirka gagnaúrvinnslu þegar að þörf er á
