Израильские ученые используют ИИ для улучшения ирригации и раннего выявления стресса растений
Исследование Еврейского университета предполагает, что инструменты ИИ могут помочь производителям лучше управлять использованием воды, предсказывая здоровое поведение растений и помечая ранние признаки стресса.
Новое израильское исследование предполагает, что модели машинного обучения вскоре могут дать производителям гораздо более точный способ предсказать, сколько воды потребляют их культуры каждый день, а также заложить основу для раннего выявления стресса растений.
Исследование было сосредоточено на ежедневной транспирации растений — процессе, посредством которого вода испаряется через листья и ключевой показатель того, сколько воды на самом деле потребляет растение.В то время как транспирация является центральным элементом планирования орошения, большинство существующих методов оценки ее зависят от косвенной информации, такой как данные о погоде или влажности почвы, а не от собственного физиологического поведения растения.
Под руководством Шани Фридмана и Нира Авербуха под руководством профессора Менахема Мошелиона из Еврейского университета в Иерусалиме исследование опиралось на семь лет непрерывных измерений с высоким разрешением от томатных, пшеничных и ячменистых растений, выращенных в полукоммерческих условиях теплицы. Используя высокоточную систему лизиметра нагрузочных клеток, команда зафиксировала тонкие изменения веса растений в режиме реального времени, что позволило напрямую и исключительно точно измерять суточную транспирацию.
Этот долгосрочный набор данных на уровне растений позволил создать ключевое новшество: обучение моделей машинного обучения тому, как на самом деле ведут себя здоровые, хорошо орошаемые растения, а не косвенным экологическим прокси. Подавая данные в такие модели, как Random Forest и XGBoost, команда показала, что машинное обучение может надежно прогнозировать ежедневное транспирацию из условий окружающей среды и характеристик растений по нескольким культурам.
В независимых тестах модель XGBoost достигла значения R2 0,82, близко соответствующего измеренному транспирации даже при применении в различных климатических условиях и в отдельных исследовательских учреждениях.По мнению исследователей, эта способность обобщать по культурам и средам предполагает, что модели захватывают фундаментальные физиологические сигналы, а не специфический шум.
Модель предсказывает, каким должно быть здоровое растение
Две переменные оказались особенно влиятельными: биомасса растений и суточная температура. «Эти переменные постоянно определяли, сколько воды потребляют растения, — говорит Фридман. — Понимание того, как здоровое, хорошо орошаемое растение, как ожидается, будет вести себя в данный день, также позволяет нам обнаружить, когда что-то выключено».
Эта концепция представляет собой еще один новый аспект работы. Поскольку модель предсказывает, что должно делать здоровое растение, неожиданные отклонения от прогноза могут служить ранними предупреждающими признаками стресса. Такой стресс может возникнуть в результате засухи, солености, болезни, повреждения корней или других экологических давлений, потенциально до появления видимых симптомов.
«Если растение ведет себя иначе, чем предсказывает модель, это отклонение может быть показателем ненормального или нездорового поведения растения», — сказал Фридман.
Авербух, чьи исследования сосредоточены на точном ирригации, сказал, что результаты указывают на сдвиг в том, как инструменты, управляемые данными, могут использоваться в сельском хозяйстве. «Сегодня многие решения по ирригации по-прежнему полагаются на косвенные оценки, — сказал он. — Хотя эта модель еще не готова к полевым испытаниям, результаты показывают, как будущие системы могут включать физиологические прогнозы для поддержки более точного планирования ирригации».
Хотя нынешний подход зависит от данных лизиметра, которые обычно недоступны для производителей, исследователи рассматривают его как концептуальный шаг к инструментам принятия решений, основанным на растениях, которые в конечном итоге могут быть адаптированы к более практичным датчикам.
Исследование также показало хорошие результаты при тестировании на растениях, выращенных в отдельной исследовательской теплице в Тель-Авивском университете, что укрепило потенциал для более широкого применения в различных климатических условиях и производственных системах.
В ближайшей перспективе подход исследования наиболее применим в исследовательских и контролируемых средах выращивания. Предоставляя точную физиологическую основу для того, как здоровые растения должны происходить в данных условиях, модель может помочь исследователям ориентировать использование воды для сельскохозяйственных культур, проверять алгоритмы орошения и улучшать управление теплицей. Отклонения между прогнозируемой и измеренной транспирацией также могут служить ранним показателем стресса растений в племенных испытаниях или экспериментальных системах, часто до появления видимых симптомов.
В долгосрочной перспективе, идеи от модели до более совершенных инструментов точного земледелия для производителей, поддерживающих лучшее планирование ирригации и экономию воды. Поскольку аналогичные модели в сочетании с полевыми датчиками, они также могут стать основой систем раннего предупреждения, которые предупреждают производителей о возникающих стрессах, вызванных засухой, засоленностью, болезнями или повреждением корней.
- Исследование было опубликовано в рецензируемых Plant, Cell & Environment.
