Kaip bepiločių orlaivių sistema pagrįsta didelio našumo fenotipų analizė keičia šiuolaikinį augalų veisimą

Prognozuojama, kad iki 2050 m. pasaulio gyventojų skaičius pasieks 9,8 milijardo, o tai padvigubins maisto paklausą. Tačiau dirbamos žemės plėtra siekiant patenkinti šį poreikį yra netvari. Nuo 2000 m. sukurta daugiau nei 501 t3 t naujos dirbamos žemės pakeitė miškus ir natūralias ekosistemas, o tai pablogina klimato kaitą ir biologinės įvairovės nykimą.

Siekdami išvengti šios krizės, mokslininkai kreipiasi į augalų selekciją – mokslą, kaip sukurti didesnio derlingumo, atsparesnius ligoms ir klimato kaitai augalus. Tačiau tradiciniai selekcijos metodai yra per lėti, kad suspėtų spręsti problemos skubumą.

Būtent čia į žaidimą įžengia dronai ir dirbtinis intelektas (DI), kurie keičia žaidimo taisykles ir siūlo greitesnį bei sumanesnį būdą veisti geresnius pasėlius.

Kodėl tradicinis augalų veisimas atsilieka

Augalų veisimas remiasi augalų, turinčių pageidaujamų savybių, tokių kaip atsparumas sausrai ar kenkėjams, atranka ir jų kryžminimas per kelias kartas. Didžiausia šio proceso kliūtis yra fenotipavimas – rankinis augalų savybių, tokių kaip aukštis, lapų sveikata ar derlius, matavimas.

Pavyzdžiui, augalų aukščio matavimas 3000 sklypelių lauke gali užtrukti savaites, o dėl žmogiškųjų klaidų neatitikimai gali siekti iki 20%. Be to, pasėlių derlius gerėja vos 0,5–1% per metus, o tai gerokai mažiau nei 2,9% augimo tempas, reikalingas 2050 m. poreikiams patenkinti.

Kukurūzai, pagrindinis milijardų žmonių auginamas augalas, iliustruoja šį sulėtėjimą: jų metinis derliaus augimas sumažėjo nuo 2,21 TP3 T 1960-aisiais iki 1,331 TP3 T šiandien. Norint panaikinti šį atotrūkį, mokslininkams reikia įrankių, kurie automatizuotų duomenų rinkimą, sumažintų klaidas ir pagreitintų sprendimų priėmimą.

Kaip dronų technologija keičia augalų veisimą

Dronai, arba nepilotuojamos orlaivių sistemos (UAS), aprūpintos pažangiais jutikliais ir dirbtiniu intelektu, keičia žemės ūkį. Šie įrenginiai gali skristi virš laukų ir per kelias minutes surinkti tikslius duomenis apie tūkstančius augalų – šis procesas vadinamas didelio našumo fenotipavimu (HTP).

Skirtingai nuo tradicinių metodų, dronai fiksuoja duomenis ištisuose laukuose, pašalindami imties šališkumą. Jie naudoja specializuotus jutiklius, kad matuotų viską – nuo augalų aukščio iki vandens streso lygio.

Pavyzdžiui, daugiaspektriniai jutikliai aptinka sveikų lapų atspindėtą artimojo infraraudonojo spektro šviesą, o terminės kameros nustato sausros stresą matuodamos lajos temperatūrą.

Automatizuodami duomenų rinkimą, dronai sumažina darbo sąnaudas ir pagreitina veisimo ciklus, todėl galima sukurti geresnes augalų veisles per metus, o ne dešimtmečius.

Dronų jutiklių ir duomenų rinkimo mokslas

Dronai renka svarbius augalų duomenis naudodami įvairius jutiklius. RGB kameros, pigiausias pasirinkimas, fiksuoja matomą šviesą, kad matuotų lajos dangą ir augalų aukštį. Cukranendrių laukuose šios kameros pasiekė 64–69% tikslumą skaičiuojant stiebus, taip pakeisdamos klaidų kupiną rankinį skaičiavimą.

Daugiaspektriniai jutikliai dar labiau aptinka nematomus bangos ilgius, tokius kaip artimoji infraraudonoji spinduliuotė, kurie koreliuoja su chlorofilo kiekiu ir augalų sveikata. Pavyzdžiui, jie numatė cukranendrių atsparumą sausrai daugiau nei 80% tikslumu.

• RGB kameros: Užfiksuokite raudoną, žalią ir mėlyną šviesą, kad sukurtumėte spalvotus vaizdus.
• Daugiaspektriniai jutikliaiAptikti šviesą už matomo spektro ribų (pvz., artimąjį infraraudonąjį spektrą).
• Terminiai jutikliaiIšmatuokite augalų skleidžiamą šilumą.
• LiDARNaudoja lazerio impulsus, kad sukurtų 3D augalų žemėlapius.
• Hiperspektriniai jutikliaiUžfiksuokite daugiau nei 200 šviesos bangos ilgių itin detaliai analizei.

Terminiai jutikliai aptinka šilumos signalus, atpažindami vandens stresą patiriančius augalus, kurie atrodo karštesni nei sveiki. Medvilnės laukuose terminiai dronai suderino antžeminius temperatūros matavimus su mažesne nei 5% paklaida.

LiDAR jutikliai naudoja lazerio impulsus, kad sukurtų 3D pasėlių žemėlapius, matuodami biomasę ir aukštį 95% tikslumu energetinių cukranendrių bandymuose. Pažangiausi įrankiai, hiperspektriniai jutikliai, analizuoja šimtus šviesos bangos ilgių, kad nustatytų maistinių medžiagų trūkumą ar ligas, nematomas plika akimi.

Šie jutikliai padėjo tyrėjams susieti 28 naujus genus su uždelstu kviečių senėjimu – savybe, kuri didina derlių.

Nuo skrydžio iki įžvalgos: kaip dronai analizuoja pasėlių duomenis

Dronų fenotipavimo procesas prasideda nuo kruopštaus skrydžio planavimo. Dronai skraido 30–100 metrų aukštyje, fiksuodami persidengiančius vaizdus, kad užtikrintų visišką aprėptį. Pavyzdžiui, 10 hektarų lauką galima nuskenuoti per 15–30 minučių.

Po skrydžio programinė įranga, tokia kaip „Agisoft Metashape“, sujungia tūkstančius vaizdų į detalius žemėlapius, naudodama „Structure-from-Motion“ (SfM) – techniką, kuri 2D nuotraukas konvertuoja į 3D modelius. Šie modeliai leidžia mokslininkams vienu mygtuko paspaudimu išmatuoti tokias savybes kaip augalų aukštis ar lajos danga.

Tada dirbtinio intelekto algoritmai analizuoja duomenis, prognozuodami derlių arba nustatydami ligų protrūkius. Pavyzdžiui, dronai nuskenavo 3132 cukranendrių sklypus vos per 7 valandas – užduotis, kuri rankiniu būdu užtruktų tris savaites. Toks greitis ir tikslumas leidžia selekcininkams greičiau priimti sprendimus, pavyzdžiui, sezono pradžioje atmesti neproduktyvius augalus.

Pagrindiniai dronų pritaikymai šiuolaikiniame žemės ūkyje

Dronai naudojami sprendžiant kai kuriuos didžiausius ūkininkavimo iššūkius. Viena iš pagrindinių jų taikymo sričių yra tiesioginis savybių matavimas, kai dronai pakeičia rankinį darbą. Kukurūzų laukuose dronai matuoja augalų aukštį 90% tikslumu, o pjovimo paklaidos siekia nuo 0,5 metro iki 0,21 metro.

Jie taip pat stebi lajos padengimą – rodiklį, rodantį, kaip gerai augalai uždengia žemę, kad slopintų piktžoles. Energetinių cukranendrių selekcininkai naudojo šiuos duomenis, kad nustatytų veisles, kurios sumažina piktžolių augimą 40%.

Kitas proveržis – nuspėjamasis veisimas, kai dirbtinio intelekto modeliai naudoja dronų duomenis pasėlių derliui prognozuoti. Pavyzdžiui, daugiaspektriniai vaizdai kukurūzų derlių numatė 80% tikslumu, pranokdami tradicinius genominius tyrimus.

Dronai taip pat padeda atrasti genus, padėdami mokslininkams rasti DNR segmentus, atsakingus už pageidaujamus požymius. Kviečiuose dronai susiejo lajos žalumą su 22 naujais genais, o tai gali padidinti atsparumą sausrai.

Be to, hiperspektriniai jutikliai aptinka ligas, tokias kaip citrusinių vaisių žalumas, keliomis savaitėmis anksčiau nei pasireiškia simptomai, suteikdami ūkininkams laiko imtis veiksmų.

Genetinių rezultatų didinimas naudojant tiksliąsias technologijas

Genetinis prieaugis – metinis pasėlių savybių pagerėjimas dėl veisimo – apskaičiuojamas pagal paprastą formulę:

(Atrankos intensyvumas × Paveldimumas × Požymių kintamumas) ÷ Veisimo ciklo laikas.

Genetinis prieaugis (ΔG) apskaičiuojamas taip:
ΔG = (i × h² × σp) / L

Kur:

• i = Atrankos intensyvumas (kiek griežti yra veisėjai).
• h² = Paveldimumas (kiek bruožo perduodama iš tėvų palikuonims).
• σp = Požymių kintamumas populiacijoje.
• L = Laikas per veisimo ciklą.

Kodėl tai svarbuDronai pagerina visus kintamuosius:

1. i: Nuskaityti 10 kartų daugiau augalų, leidžianti griežčiau rinktis.
2. h²Sumažinti matavimo paklaidas, pagerinant paveldimumo įverčius.
3. σpUžfiksuokite subtilius požymių skirtumus visuose laukuose.
4. LSumažinti ciklo laiką nuo Nuo 5 metų iki 2–3 metų per ankstyvas prognozes.

Dronai pagerina kiekvieną šios lygties dalį. Skenuodami ištisus laukus, jie leidžia selekcininkams atrinkti geriausius 1% augalus, o ne geriausius 10%, taip padidindami atrankos intensyvumą. Jie taip pat pagerina paveldimumo įverčius, sumažindami matavimo paklaidas.

Pavyzdžiui, rankiniu būdu vertinant augalo aukštį, atsiranda 20% kintamumas, o dronai šį rodiklį sumažina iki 5%. Be to, dronai fiksuoja subtilius požymių skirtumus tūkstančiuose augalų, taip maksimaliai padidindami požymių kintamumą.

Svarbiausia, kad jie sutrumpina veisimo ciklus, nes leidžia anksti prognozuoti. Cukranendrių augintojai, naudodami dronus, patrigubino savo genetinį pranašumą, palyginti su tradiciniais metodais, o tai įrodo technologijos transformacinį potencialą.

Iššūkių įveikimas ir ateities priėmimas

Nepaisant daug žadančio potencialo, dronais pagrįsta fenotipų analizė vis dar susiduria su dideliais iššūkiais. Didelė pažangių jutiklių kaina išlieka pagrindine kliūtimi – pavyzdžiui, hiperspektrinės kameros gali kainuoti daugiau nei $50 000, todėl jos neįperkamos daugumai smulkiųjų ūkininkų.

Didelių surinktų duomenų kiekių apdorojimas taip pat reikalauja didelių debesų kompiuterijos išteklių, o tai padidina išlaidas. Dirbtinio intelekto platformos, tokios kaip „AutoGIS“, automatizuoja duomenų analizę, todėl nereikia rankinio įvedimo.

Tyrėjai taip pat integruoja dronus su dirvožemio jutikliais ir meteorologinėmis stotimis, kurdami realaus laiko stebėjimo sistemą, kuri įspėja ūkininkus apie kenkėjus ar sausras. Šios inovacijos atveria kelią naujai tiksliosios žemdirbystės erai, kurioje duomenimis pagrįsti sprendimai pakeičia spėliones.

Išvada

Dronai ir dirbtinis intelektas ne tik keičia augalų veisimą – jie iš naujo apibrėžia tvarų žemės ūkį. Sudarydamos sąlygas greičiau auginti sausrai atsparius, didelio derlingumo pasėlius, šios technologijos iki 2050 m. galėtų padvigubinti maisto gamybą neplečiant dirbamos žemės plotų.

Tai padėtų išsaugoti daugiau nei 100 milijonų hektarų miškų – tai prilygsta Egipto dydžiui – ir sumažintų žemės ūkio anglies pėdsaką. Ūkininkai, naudojantys dronų duomenis, jau sumažino vandens ir pesticidų naudojimą iki 301 TP3 T, apsaugodami ekosistemas ir sumažindami išlaidas.

Kaip pastebėjo vienas tyrėjas: “Mes nebespėliojame, kurie augalai yra geriausi. Dronai mums tai pasako.” Nuolat diegiant inovacijas, šis biologijos ir technologijų derinys galėtų užtikrinti milijardų žmonių aprūpinimą maistu ir kartu apsaugoti mūsų planetą.

NuorodaKhuimphukhieo, I. ir da Silva, JA (2025). Nepilotuojamų orlaivių sistemomis (UAS) pagrįstas didelio našumo fenotipavimas (HTP) kaip augalų selekcininkų įrankių rinkinys: išsami apžvalga. ’Smart Agricultural Technology“, 100888.