Kuinka miehittämättömiin ilma-aluksiin perustuva suuren läpimenon fenotyypitys mullistaa nykyaikaista kasvinjalostusta

Vuoteen 2050 mennessä maailman väkiluvun ennustetaan nousevan 9,8 miljardiin ihmiseen, mikä kaksinkertaistaa ruoan kysynnän. Viljelysmaan laajentaminen tämän tarpeen tyydyttämiseksi on kuitenkin kestämätöntä. Yli 501 000 000 uutta viljelysmaata on luotu vuodesta 2000 lähtien, mikä on korvannut metsiä ja luonnollisia ekosysteemejä, mikä pahentaa ilmastonmuutosta ja luonnon monimuotoisuuden vähenemistä.

Välttääkseen tämän kriisin tiedemiehet kääntyvät kasvinjalostuksen puoleen – tieteeseen, jossa kehitetään satoisempia, taudinkestäviä ja ilmastonmuutoksen vaikutuksia kestäviä viljelykasveja. Perinteiset jalostusmenetelmät ovat kuitenkin liian hitaita pysyäkseen ongelman kiireellisyyden perässä.

Tässä kohtaa droonit ja tekoäly (AI) astuvat mukaan mullistavina tekijöinä, jotka tarjoavat nopeamman ja älykkäämmän tavan jalostaa parempia satoja.

Miksi perinteinen kasvinjalostus on jäämässä jälkeen

Kasvinjalostus perustuu kasvien valintaan, joilla on haluttuja ominaisuuksia, kuten kuivuudensieto tai tuholaistenkestävyys, ja niiden risteyttämiseen useiden sukupolvien ajan. Suurin pullonkaula tässä prosessissa on fenotyypitys – kasvien ominaisuuksien, kuten korkeuden, lehtien terveyden tai sadon, manuaalinen mittaaminen.

Esimerkiksi kasvien korkeuden mittaaminen 3 000 koealan pellolla voi kestää viikkoja, ja inhimilliset virheet voivat aiheuttaa jopa 20%:n epäjohdonmukaisuuksia. Lisäksi sadot paranevat vain 0,5–1%:n vuosivauhdilla, mikä on huomattavasti alle vuoden 2050 vaatimusten täyttämiseksi tarvittavan 2,9%:n kasvuvauhdin.

Maissi, miljardien ihmisten tärkein viljelykasvi, havainnollistaa tätä hidastumista: sen vuotuinen sadonkasvu on laskenut 1960-luvun 2,21 TP3T:sta nykyiseen 1,331 TP3T:iin. Tämän kuilun kaventamiseksi tiedemiehet tarvitsevat työkaluja, jotka automatisoivat tiedonkeruun, vähentävät virheitä ja nopeuttavat päätöksentekoa.

Kuinka drooniteknologia mullistaa kasvinjalostusta

Droonit eli miehittämättömät ilma-alukset, jotka on varustettu edistyneillä sensoreilla ja tekoälyllä, mullistavat maataloutta. Nämä laitteet voivat lentää peltojen yli ja kerätä tarkkaa tietoa tuhansista kasveista minuuteissa. Prosessi tunnetaan nimellä High Throughput Phenotyping (HTP).

Toisin kuin perinteiset menetelmät, droonit keräävät dataa koko pelloilta, mikä eliminoi näytteenottovirheen. Ne käyttävät erikoisantureita mittaamaan kaikkea kasvien korkeudesta veden stressitasoihin.

Esimerkiksi monispektrianturit havaitsevat terveiden lehtien heijastaman lähi-infrapunavalon, kun taas lämpökamerat tunnistavat kuivuusstressin mittaamalla latvustuksen lämpötilaa.

Automatisoimalla tiedonkeruun droonit vähentävät työvoimakustannuksia ja nopeuttavat jalostussyklejä, mikä mahdollistaa parempien viljelykasvilajikkeiden kehittämisen vuosien sijaan vuosikymmenissä.

Droonien sensoreiden ja tiedonkeruun tiede

Droonit käyttävät erilaisia antureita kriittisten kasvitietojen keräämiseen. Edullisin vaihtoehto, RGB-kamerat, keräävät näkyvää valoa latvuston peittävyyden ja kasvien korkeuden mittaamiseksi. Sokeriruokopelloilla nämä kamerat ovat saavuttaneet 64–69%:n tarkkuuden varsien laskemisessa, korvaten virhealttiit manuaaliset laskennat.

Monispektriset anturit menevät pidemmälle havaitsemalla näkymättömiä aallonpituuksia, kuten lähi-infrapunaa, jotka korreloivat klorofyllipitoisuuksien ja kasvien terveyden kanssa. Ne ovat esimerkiksi ennustaneet sokeriruoko kuivuudensietokyvyn yli 80%-tarkkuudella.

• RGB-kamerat: Luo värikuvia tallentamalla punaista, vihreää ja sinistä valoa.
• Monispektriset anturitHavaitsee näkyvän spektrin ulkopuolella olevaa valoa (esim. lähi-infrapuna).
• LämpöanturitMittaa kasvien lähettämää lämpöä.
• LiDARKäyttää laserpulsseja kasvien 3D-karttojen luomiseen.
• Hyperspektraaliset anturit: Tallenna yli 200 valon aallonpituutta erittäin yksityiskohtaista analyysia varten.

Lämpöanturit havaitsevat lämpösignaaleja ja tunnistavat kosteusstressistä kärsivät kasvit, jotka näyttävät terveitä kasveja kuumemmilta. Puuvillapelloilla lämpökopterit ovat vastanneet maanpäällisiä lämpötilamittauksia alle 5%-virheellä.

LiDAR-anturit käyttävät laserpulsseja luodakseen 3D-karttoja viljelykasveista ja mittaavat biomassaa ja korkeutta 95%-tarkkuudella energiaruokokeissa. Kehittyneimmät työkalut, hyperspektrianturit, analysoivat satoja valon aallonpituuksia havaitakseen paljaalla silmällä näkymättömiä ravinnepuutteita tai sairauksia.

Nämä anturit auttoivat tutkijoita yhdistämään 28 uutta geeniä vehnän viivästyneeseen ikääntymiseen, mikä on ominaisuus, joka lisää satoja.

Lentokoneesta oivallukseen: Kuinka droonit analysoivat satotietoja

Droonien fenotyypitysprosessi alkaa huolellisella lentosuunnittelulla. Droonit lentävät 30–100 metrin korkeudessa ja ottavat päällekkäisiä kuvia varmistaakseen täyden peiton. Esimerkiksi 10 hehtaarin pelto voidaan skannata 15–30 minuutissa.

Lennon jälkeen ohjelmistot, kuten Agisoft Metashape, yhdistävät tuhansia kuvia yksityiskohtaisiksi kartoiksi Structure-from-Motion (SfM) -tekniikalla. Tämä tekniikka muuntaa 2D-kuvat 3D-malleiksi. Näiden mallien avulla tutkijat voivat mitata ominaisuuksia, kuten kasvien korkeutta tai latvuston peittävyyttä, yhdellä napin painalluksella.

Tekoälyalgoritmit analysoivat sitten dataa ja ennustavat satoja tai tunnistavat tautiepidemioita. Esimerkiksi droonit skannasivat 3 132 sokeriruokoviljelyalaa vain seitsemässä tunnissa – tehtävä, joka kestäisi manuaalisesti kolme viikkoa. Tämä nopeus ja tarkkuus mahdollistavat jalostajien tehdä nopeampia päätöksiä, kuten hylätä heikosti tuottavia kasveja aikaisin kaudella.

Droonien keskeiset sovellukset nykyaikaisessa maataloudessa

Drooneja käytetään ratkaisemaan joitakin maatalouden suurimmista haasteista. Yksi tärkeimmistä sovelluksista on suora ominaisuuksien mittaus, jossa dronet korvaavat manuaalisen työn. Maissipelloilla dronet mittaavat kasvien korkeutta 90%-tarkkuudella, ja niittovirheet vaihtelevat 0,5 metristä 0,21 metriin.

He seuraavat myös latvuston peittävyyttä, joka osoittaa, kuinka hyvin kasvit varjostavat maata rikkaruohojen torjumiseksi. Energiaruokoviljelijät käyttivät tätä tietoa tunnistaakseen lajikkeet, jotka vähentävät rikkaruohojen kasvua 40%:llä.

Toinen läpimurto on ennakoiva jalostus, jossa tekoälymallit käyttävät drone-dataa sadon tuoton ennustamiseen. Esimerkiksi monispektrikuvat ovat ennustaneet maissin satoja 80%-tarkkuudella, mikä ylittää perinteisen genomisen testauksen.

Droonit auttavat myös geenien löytämisessä ja auttavat tiedemiehiä paikantamaan halutuista ominaisuuksista vastaavia DNA-segmenttejä. Vehnän kohdalla droonit yhdistivät latvuston vihreyden 22 uuteen geeniin, mikä mahdollisesti parantaa kuivuudensietokykyä.

Lisäksi hyperspektrianturit havaitsevat sitrushedelmien vihertymisen kaltaisia sairauksia viikkoja ennen oireiden ilmaantumista, mikä antaa viljelijöille aikaa toimia.

Geneettisten hyötyjen tehostaminen tarkkuusteknologialla

Geneettinen hyöty – jalostuksesta johtuva vuosittainen viljelykasvien ominaisuuksien parantuminen – lasketaan yksinkertaisella kaavalla:

(Valintaintensiteetti × Periytyvyys × Ominaisuuksien vaihtelu) ÷ Jalostussyklin aika.

Geneettinen voitto (ΔG) lasketaan seuraavasti:
ΔG = (i × h² × σp) / L

Jossa:

• i = Valintaintensiteetti (kuinka tiukkoja kasvattajat ovat).
• h² = Periytyvyys (kuinka paljon ominaisuudesta siirtyy vanhemmilta jälkeläisille).
• σp = Ominaisuuksien vaihtelu populaatiossa.
• L = Aika lisääntymissykliä kohden.

Miksi sillä on merkitystäDroonit parantavat kaikkia muuttujia:

1. iSkannaa 10 kertaa enemmän kasveja, mikä mahdollistaa tiukemman valikoiman.
2. h²Vähentää mittausvirheitä ja parantaa periytyvyysarvioita.
3. σp: Tallenna hienovaraisia ominaisuusvaihteluita koko kentän alueella.
4. LLyhennä sykliaikaa 5 vuodesta 2–3 vuoteen alustavien ennusteiden kautta.

Droonit parantavat tätä yhtälöä jokaisella osa-alueella. Skannaamalla kokonaisia peltoja ne antavat jalostajien valita parhaat 1%-kasvit parhaiden 10%-kasvien sijaan, mikä lisää valintaintensiteettiä. Ne parantavat myös periytyvyysarvioita vähentämällä mittausvirheitä.

Esimerkiksi kasvien korkeuden manuaalinen arviointi tuo mukanaan 20%-vaihtelua, kun taas droonit leikkaavat tämän 5%:hen. Lisäksi droonit tallentavat hienovaraisia ominaisuusvaihteluita tuhansien kasvien välillä maksimoiden ominaisuusvaihtelua.

Mikä tärkeintä, ne lyhentävät lisääntymissyklejä mahdollistamalla varhaisen ennustamisen. Droneja käyttävät sokeriruokoviljelijät ovat kolminkertaistaneet geneettiset hyötynsä perinteisiin menetelmiin verrattuna, mikä osoittaa teknologian transformatiivisen potentiaalin.

Haasteiden voittaminen ja tulevaisuuteen varautuminen

Lupauksistaan huolimatta drone-pohjainen fenotyypitys kohtaa edelleen merkittäviä haasteita. Edistyneiden sensoreiden korkea hinta on edelleen merkittävä este – esimerkiksi hyperspektrikamerat voivat maksaa yli 1 TP4–50 000 tonnia, mikä tekee niistä kalliita useimmille pienviljelijöille.

Kerättyjen valtavien tietomäärien käsittely vaatii myös huomattavia pilvipalveluresursseja, mikä lisää kustannuksia. Tekoälyalustat, kuten AutoGIS, automatisoivat data-analyysiä, mikä poistaa manuaalisen syötön tarpeen.

Tutkijat integroivat myös droneja maaperän antureihin ja sääasemiin, mikä luo reaaliaikaisen seurantajärjestelmän, joka hälyttää viljelijöitä tuholaisista tai kuivuudesta. Nämä innovaatiot tasoittavat tietä täsmäviljelyn uudelle aikakaudelle, jossa dataan perustuvat päätökset korvaavat arvailun.

Johtopäätös

Droonit ja tekoäly eivät mullista ainoastaan kasvinjalostusta – ne määrittelevät uudelleen kestävän maatalouden. Mahdollistamalla kuivuutta kestävien ja runsassatoisten viljelykasvien nopeamman kehittämisen nämä teknologiat voisivat kaksinkertaistaa ruoantuotannon vuoteen 2050 mennessä laajentamatta viljelysmaata.

Tämä säästäisi yli 100 miljoonaa hehtaaria metsää, mikä vastaa Egyptin kokoa, ja pienentäisi maatalouden hiilijalanjälkeä. Droonidataa käyttävät viljelijät ovat jo vähentäneet veden ja torjunta-aineiden käyttöä jopa 301 TP3 T, suojellen ekosysteemejä ja alentaen kustannuksia.

Kuten eräs tutkija totesi: “Emme enää arvaile, mitkä kasvit ovat parhaita. Droonit kertovat meille.” Jatkuvan innovaation myötä tämä biologian ja teknologian fuusio voisi varmistaa miljardien ihmisten ruokaturvan ja samalla suojella planeettaamme.

ViiteKhuimphukhieo, I., & da Silva, JA (2025). Miehittämättömiin ilma-aluksiin (UAS) perustuva kenttätason suuren läpimenon fenotyypitys (HTP) kasvinjalostajien työkalupakina: kattava katsaus. Smart Agricultural Technology, 100888.