Kuidas mehitamata õhusõidukite põhine suure läbilaskevõimega fenotüüpimine muudab tänapäevast taimekasvatust

Prognooside kohaselt ulatub maailma rahvaarv 2050. aastaks 9,8 miljardi inimeseni, mis kahekordistab toidunõudluse. Põllumaa laiendamine selle vajaduse rahuldamiseks ei ole aga jätkusuutlik. Alates 2000. aastast on loodud üle 501 300 000 uue põllumaa, mis on asendanud metsi ja looduslikke ökosüsteeme, süvendades kliimamuutusi ja bioloogilise mitmekesisuse kadu.

Selle kriisi vältimiseks pöörduvad teadlased sordiaretuse poole – teaduse poole, mille eesmärk on arendada suurema saagikusega, haiguskindlaid ja kliimamuutustele vastupidavaid põllukultuure. Traditsioonilised aretusmeetodid on aga probleemi pakilisusega toimetulekuks liiga aeglased.

Siin tulevadki mängu droonid ja tehisintellekt (AI) kui mängumuutjad, pakkudes kiiremat ja nutikamat viisi paremate põllukultuuride aretamiseks.

Miks traditsiooniline taimekasvatus maha jääb

Taimearetus tugineb soovitavate omadustega (nt põuakindlus või kahjurikindlus) taimede valimisele ja nende ristamisele mitme põlvkonna jooksul. Selle protsessi suurim kitsaskoht on fenotüüpimine – taime omaduste, näiteks kõrguse, lehtede tervise või saagikuse käsitsi mõõtmine.

Näiteks taimede kõrguse mõõtmine 3000 katselapiga põllul võib võtta nädalaid ning inimlikud vead võivad põhjustada kuni 20% ulatuses vastuolusid. Lisaks paraneb saagikus vaid 0,5–1% aastas, mis on tunduvalt alla 2050. aasta nõudluse rahuldamiseks vajaliku 2,9% kasvumäära.

Mais, mis on miljardite inimeste jaoks peamine põllukultuur, illustreerib seda aeglustumist: selle aastane saagikuse kasv on langenud 2,21 TP3T-lt 1960. aastatel 1,331 TP3T-ni tänapäeval. Selle lõhe ületamiseks vajavad teadlased tööriistu, mis automatiseerivad andmete kogumist, vähendavad vigu ja kiirendavad otsuste tegemist.

Kuidas droonitehnoloogia muudab taimekasvatust

Droonid ehk mehitamata õhusõidukid (UAS), mis on varustatud täiustatud andurite ja tehisintellektiga, on põllumajanduses revolutsiooniliselt muutmas. Need seadmed suudavad lennata üle põldude ja koguda minutitega täpseid andmeid tuhandete taimede kohta – seda protsessi nimetatakse suure läbilaskevõimega fenotüüpimiseks (HTP).

Erinevalt traditsioonilistest meetoditest koguvad droonid andmeid tervetelt põldudelt, kõrvaldades valimi kallutatuse. Nad kasutavad spetsiaalseid andureid, et mõõta kõike alates taimede kõrgusest kuni veestressi tasemeni.

Näiteks multispektraalsed andurid tuvastavad tervetelt lehtedelt peegelduvat lähiinfrapunavalgust, samas kui termokaamerad tuvastavad põuastressi võra temperatuuri mõõtmise teel.

Andmete kogumise automatiseerimise abil vähendavad droonid tööjõukulusid ja kiirendavad aretustsüklit, võimaldades täiustatud põllukultuuride sorte arendada aastate, mitte aastakümnete jooksul.

Droonide andurite ja andmete kogumise taga peituv teadus

Droonid kasutavad oluliste taimeandmete kogumiseks mitmesuguseid andureid. RGB-kaamerad, mis on kõige soodsam variant, püüavad kinni nähtavat valgust, et mõõta võrade katvust ja taimede kõrgust. Suhkruroo põldudel on need kaamerad saavutanud varte loendamise täpsuse 64–69%, asendades veaaltid käsitsi loendamise meetodid.

Multispektraalsed andurid lähevad kaugemale, tuvastades nähtamatuid lainepikkusi, näiteks lähiinfrapunakiirgust, mis korreleeruvad klorofülli taseme ja taimede tervisega. Näiteks on nad ennustanud suhkruroo põuakindlust täpsusega üle 80%.

• RGB-kaamerad: Jäädvustage punast, rohelist ja sinist valgust värviliste piltide loomiseks.
• Multispektraalsed anduridTuvastage valgust, mis jääb nähtava spektri piiridest väljapoole (nt lähiinfrapuna).
• TermoanduridMõõda taimede poolt eraldatavat soojust.
• LiDARKasutab laserimpulsse taimede 3D-kaartide loomiseks.
• Hüperspektraalsed andurid: Jäädvusta ülidetailseks analüüsiks üle 200 valguslainepikkuse.

Termosensorid tuvastavad soojussignaale, tuvastades veestressis taimed, mis tunduvad tervetest taimedest kuumemad. Puuvillapõldudel on termodroonid sobitanud maapinnal tehtud temperatuurimõõtmisi väiksema veaga kui 5%.

LiDAR-andurid kasutavad laserimpulsse põllukultuuride 3D-kaartide loomiseks, mõõtes energiasuhkru katsetes biomassi ja kõrgust täpsusega 95%. Kõige kaasaegsemad tööriistad, hüperspektraalandurid, analüüsivad sadu valguse lainepikkusi, et tuvastada palja silmaga nähtamatuid toitainete puudusi või haigusi.

Need sensorid aitasid teadlastel siduda 28 uut geeni nisu vananemise edasilükkamisega, mis suurendab saagikust.

Lennust arusaamiseni: kuidas droonid analüüsivad saagiandmeid

Droonide fenotüüpimise protsess algab hoolika lennuplaneerimisega. Droonid lendavad 30–100 meetri kõrgusel, jäädvustades kattuvaid pilte, et tagada täielik katvus. Näiteks 10-hektarise põllu skaneerimine võtab aega 15–30 minutit.

Pärast lendu õmbleb tarkvara, näiteks Agisoft Metashape, tuhandeid pilte detailseteks kaartideks, kasutades struktuuri liikumisest (SfM) – tehnikat, mis teisendab 2D-fotod 3D-mudeliteks. Need mudelid võimaldavad teadlastel nupuvajutusega mõõta selliseid omadusi nagu taimede kõrgus või võrade katvus.

Seejärel analüüsivad tehisintellekti algoritmid andmeid, ennustades saagikust või tuvastades haiguspuhanguid. Näiteks skaneerisid droonid 3132 suhkruroo põldu kõigest 7 tunniga – ülesanne, mille käsitsi tegemine võtaks kolm nädalat. See kiirus ja täpsus võimaldavad aretajatel teha kiiremaid otsuseid, näiteks visata madala saagikusega taimed hooaja alguses ära.

Droonide peamised rakendused tänapäeva põllumajanduses

Droone kasutatakse põllumajanduse suurimate väljakutsete lahendamiseks. Üks peamine rakendusala on otsene omaduste mõõtmine, kus droonid asendavad käsitsi tööd. Maisipõldudel mõõdavad droonid taimede kõrgust 90% täpsusega, niitmisvead 0,5 meetrist kuni 0,21 meetrini.

Samuti jälgivad nad võrade katvust, mis näitab, kui hästi taimed maapinda umbrohu tõrjumiseks varjutavad. Energiaroo kasvatajad kasutasid neid andmeid sortide tuvastamiseks, mis vähendavad umbrohu kasvu 40% võrra.

Teine läbimurre on ennustav aretus, kus tehisintellekti mudelid kasutavad droonide andmeid saagikuse prognoosimiseks. Näiteks on multispektraalsed pildid ennustanud maisi saagikust 80% täpsusega, ületades traditsioonilise genoomse testimise tulemusi.

Droonid aitavad kaasa ka geenide avastamisele, aidates teadlastel leida DNA segmente, mis vastutavad soovitavate omaduste eest. Nisu puhul seostasid droonid võra rohelust 22 uue geeniga, mis potentsiaalselt suurendas põuakindlust.

Lisaks tuvastavad hüperspektraalsed andurid haigusi, näiteks tsitruseliste rohelust, nädalaid enne sümptomite ilmnemist, andes põllumeestele aega tegutsemiseks.

Geneetilise kasu suurendamine täppistehnoloogia abil

Geneetiline juurdekasv – aretusprotsessist tulenev saagi omaduste aastane paranemine – arvutatakse lihtsa valemi abil:

(Valiku intensiivsus × Pärilikkus × Tunnuste varieeruvus) ÷ Aretustsükli aeg.

Geneetiline juurdekasv (ΔG) arvutatakse järgmiselt:
ΔG = (i × h² × σp) / L

Kus:

• i = Valiku intensiivsus (kui ranged on aretajad).
• h² = Pärilikkus (kui palju tunnusest kandub vanematelt järglastele).
• σp = Tunnuste varieeruvus populatsioonis.
• L = Aeg aretustsükli kohta.

Miks see on olulineDroonid parandavad kõiki muutujaid:

1. iSkannimine 10 korda rohkem taimi, mis võimaldab rangemat valikut.
2. h²Vähendada mõõtmisvigu, parandades pärilikkuse hinnanguid.
3. σpJäädvusta peeneid tunnuste variatsioone tervetel põldudel.
4. LLühendada tsükliaega 5 aastat kuni 2–3 aastat varajaste ennustuste kaudu.

Droonid täiustavad selle võrrandi iga osa. Tervete põldude skaneerimise abil saavad aretajad valida parimad 1% taimed parimate 10% asemel, suurendades valiku intensiivsust. Samuti parandavad nad pärilikkuse hinnanguid, vähendades mõõtmisvigu.

Näiteks taimede kõrguse käsitsi hindamine toob kaasa 20% varieeruvuse, samas kui droonid vähendavad seda 5%-ni. Lisaks sellele jäädvustavad droonid tuhandete taimede peeneid tunnuste varieeruvust, maksimeerides tunnuste varieeruvust.

Mis kõige tähtsam, need lühendavad aretustsüklit, võimaldades varajasi ennustusi. Droonide abil tegutsevad suhkruroo kasvatajad on oma geneetilist kasu traditsiooniliste meetoditega võrreldes kolmekordistanud, mis tõestab tehnoloogia transformatiivset potentsiaali.

Väljakutsetest ülesaamine ja tuleviku omaksvõtmine

Vaatamata paljulubavatele võimalustele seisab droonidel põhinev fenotüüpimine endiselt silmitsi oluliste väljakutsetega. Täiustatud andurite kõrge hind on endiselt peamine takistus – näiteks hüperspektraalkaamerad võivad maksta üle $50 000, mistõttu on need enamiku väikepõllumeeste jaoks kättesaamatud.

Kogutud tohutu hulga andmete töötlemine nõuab ka märkimisväärseid pilvandmetöötluse ressursse, mis lisab kulusid. Tehisintellekti platvormid, nagu AutoGIS, automatiseerivad andmete analüüsi, välistades käsitsi sisestamise vajaduse.

Teadlased integreerivad droone ka mullasensorite ja ilmajaamadega, luues reaalajas jälgimissüsteemi, mis hoiatab põllumehi kahjurite või põua eest. Need uuendused sillutavad teed täppispõllumajanduse uuele ajastule, kus andmepõhised otsused asendavad oletusi.

Kokkuvõte

Droonid ja tehisintellekt ei muuda mitte ainult taimekasvatust – nad määratlevad uuesti ka säästva põllumajanduse. Võimaldades põuakindlate ja suure saagikusega põllukultuuride kiiremat arendamist, võiksid need tehnoloogiad toidutootmise 2050. aastaks kahekordistada ilma põllumaad laiendamata.

See säästaks üle 100 miljoni hektari metsa, mis on võrdne Egiptuse suurusega, ja vähendaks põllumajanduse süsiniku jalajälge. Drooniandmeid kasutavad põllumehed on juba vähendanud vee ja pestitsiidide kasutamist kuni 30% võrra, kaitstes ökosüsteeme ja vähendades kulusid.

Nagu üks teadlane märkis: “Me ei tegele enam aimamisega, millised taimed on parimad. Droonid ütlevad meile.” Jätkuva innovatsiooni abil võiks see bioloogia ja tehnoloogia ühendamine tagada toiduga kindlustatuse miljarditele inimestele, kaitstes samal ajal meie planeeti.

ViideKhuimphukhieo, I. ja da Silva, JA (2025). Mehitamata õhusõidukitel (UAS) põhinev suure läbilaskevõimega fenotüüpimine (HTP) kui taimekasvatajate tööriistakast: põhjalik ülevaade. Smart Agricultural Technology, 100888.