植物表型分析探索植物基因型与其环境之间的相互作用，随着温室中自动化、高通量筛选的发展，植物表型分析取得了进展。然而，管理由此产生的广泛数据集非常复杂，并且由于其成本高昂和技术性质，共享此类数据受到限制。
尽管存在 MAPPE 和 FAIR 等数据管理标准，但机器学习(ML) 应用程序仍然面临挑战，这主要是因为需要大量高质量的标记数据。由于产权问题，利益相关者不愿共享数据，这阻碍了进展。
2023 年 7 月，Plant Phenomics发表了一篇题为“分布式账本能否帮助克服农业机器学习任务对标记数据的需求? ”的观点文章。本文提倡采用协作方法进行植物表型分析的数据处理和人工智能模型训练，并建议使用分布式账本技术和智能合约来克服当前的局限性。
当前的系统面临着重大挑战，包括非标准化的数据采集和处理、侵蚀财产索赔的风险、潜在的数据滥用以及缺乏数据协调。尽管 MAPPE 或 ISA-TAB 等标准可以解决其中一些问题，但对数据隐私、滥用以及缺乏足够的共享激励的担忧仍然存在。
拟议的生态系统旨在通过利用以安全和负责任的数据共享而闻名的分布式账本技术以及鼓励参与的激励结构来解决这些问题。这种基于分布式账本的系统不仅提供经济利益，而且还促进动态、可互操作和去中心化网络内的协作和电子治理。它设想了一个协作环境，数据用户、提供者、管理者和 AI/ML 模型创建者等利益相关者积极参与。
为了避免垄断并鼓励多样性，该提案建议建立多个可互操作的市场，允许利益相关者在访问整个生态系统的同时进行选择。这种方法还包括电子政务机制，减少对中介机构的依赖，并为所有参与者创建一个中立的平台。然而，隐私问题、与遗留系统的集成、法律合规性以及代币和法定货币之间的结算机制的需要等挑战是公认的。
在农业背景下，该生态系统有可能彻底改变数据收集和利用，特别是在疾病预测和产量预测方面。农民可以扮演数据提供者和消费者的双重角色，为更准确的机器学习模型做出贡献并从中受益。这将提高农业预测和决策的可靠性，从而改善作物管理和生产力。
总之，这种方法为当前植物表型分析中的数据共享挑战提供了全面的解决方案。通过将不同的数据集与元数据连接起来并激励利益相关者，它旨在提高农业中机器学习模型的准确性和实用性，从而有可能改变现代农业实践。