Kā bezpilota lidaparātu (UAS) balstīta augstas caurlaidspējas fenotipēšana pārveido mūsdienu augu selekciju

Tiek prognozēts, ka līdz 2050. gadam pasaules iedzīvotāju skaits sasniegs 9,8 miljardus cilvēku, divkāršojot pieprasījumu pēc pārtikas. Tomēr lauksaimniecības zemju paplašināšana, lai apmierinātu šo vajadzību, nav ilgtspējīga. Kopš 2000. gada izveidotas vairāk nekā 501 TP3 T jaunas lauksaimniecības zemes ir aizstājušas mežus un dabiskās ekosistēmas, pasliktinot klimata pārmaiņas un bioloģiskās daudzveidības samazināšanos.

Lai izvairītos no šīs krīzes, zinātnieki pievēršas augu selekcijas pētniecībai — zinātnei par kultūraugu attīstīšanu ar augstāku ražu, izturību pret slimībām un noturību pret klimata pārmaiņām. Tomēr tradicionālās selekcijas metodes ir pārāk lēnas, lai tiktu galā ar problēmas steidzamību.

Šeit droni un mākslīgais intelekts (MI) ienāk kā revolucionāri risinājumi, piedāvājot ātrāku un viedāku veidu, kā audzēt labākas kultūras.

Kāpēc tradicionālā augu selekcija atpaliek

Augu selekcija balstās uz augu atlasi ar vēlamām īpašībām, piemēram, sausuma toleranci vai izturību pret kaitēkļiem, un to krustošanu vairākās paaudzēs. Lielākā šī procesa problēma ir fenotipēšana — augu īpašību, piemēram, augstuma, lapu veselības vai ražas, manuāla mērīšana.

Piemēram, augu augstuma mērīšana 3000 parauglaukumu laukā var ilgt nedēļas, un cilvēciskās kļūdas var izraisīt neatbilstības līdz pat 20%. Turklāt kultūraugu raža uzlabojas tikai par 0,5–1% gadā, kas ir krietni zem 2,9% augšanas ātruma, kas nepieciešams, lai apmierinātu 2050. gada prasības.

Kukurūza, kas ir miljardiem cilvēku svarīga kultūra, ilustrē šo palēninājumu: tās gada ražas pieaugums ir samazinājies no 2,21 TP3T 20. gs. sešdesmitajos gados līdz 1,331 TP3T mūsdienās. Lai pārvarētu šo plaisu, zinātniekiem ir nepieciešami rīki, kas automatizē datu vākšanu, samazina kļūdas un paātrina lēmumu pieņemšanu.

Kā dronu tehnoloģija pārveido augu selekciju

Droni jeb bezpilota lidaparātu sistēmas (UAS), kas aprīkotas ar moderniem sensoriem un mākslīgo intelektu, revolucionizē lauksaimniecību. Šīs ierīces var lidot virs laukiem un dažu minūšu laikā apkopot precīzus datus par tūkstošiem augu, un šis process ir pazīstams kā augstas caurlaidspējas fenotipēšana (HTP).

Atšķirībā no tradicionālajām metodēm, droni uztver datus visā laukā, novēršot izlases neobjektivitāti. Tie izmanto specializētus sensorus, lai izmērītu visu, sākot no augu augstuma līdz pat ūdens stresa līmenim.

Piemēram, multispektrālie sensori uztver veselīgu lapu atstaroto tuvā infrasarkanā starojuma gaismu, savukārt termokameras identificē sausuma stresu, mērot lapotnes temperatūru.

Automatizējot datu vākšanu, droni samazina darbaspēka izmaksas un paātrina selekcijas ciklus, ļaujot izstrādāt uzlabotas kultūraugu šķirnes gados, nevis gadu desmitos.

Dronu sensoru un datu vākšanas zinātne

Droni izmanto dažādus sensorus, lai apkopotu kritiskus augu datus. RGB kameras, kas ir vispieejamākā iespēja, uztver redzamo gaismu, lai izmērītu vainaga segumu un augu augstumu. Cukurniedru laukos šīs kameras ir sasniegušas 64–69% precizitāti stiebru skaitīšanā, aizstājot kļūdu pakļauto manuālo skaitīšanu.

Multispektrālie sensori sniedzas tālāk, nosakot neredzamos viļņu garumus, piemēram, tuvos infrasarkanos starus, kas korelē ar hlorofila līmeni un augu veselību. Piemēram, tie ir prognozējuši sausuma toleranci cukurniedrēm ar precizitāti virs 80%.

• RGB kameras: Uztveriet sarkano, zaļo un zilo gaismu, lai izveidotu krāsu attēlus.
• Multispektrālie sensori: Noteikt gaismu ārpus redzamā spektra (piemēram, tuvā infrasarkanā starojuma).
• Termiskie sensori: Izmēriet augu izstaroto siltumu.
• LiDARIzmanto lāzera impulsus, lai izveidotu augu 3D kartes.
• Hiperspektrālie sensori: Uztveriet vairāk nekā 200 gaismas viļņu garumus īpaši detalizētai analīzei.

Termiskie sensori nosaka siltuma signālus, identificējot ūdens stresa skartus augus, kas šķiet karstāki nekā veselīgie. Kokvilnas laukos termiskie droni ir saskaņojuši uz zemes veiktos temperatūras mērījumus ar kļūdu, kas mazāka par 5%.

LiDAR sensori izmanto lāzera impulsus, lai izveidotu kultūraugu 3D kartes, mērot biomasu un augstumu ar 95% precizitāti enerģijas niedru izmēģinājumos. Vismodernākie rīki, hiperspektrālie sensori, analizē simtiem gaismas viļņu garumu, lai atklātu barības vielu trūkumu vai slimības, kas nav redzamas ar neapbruņotu aci.

Šie sensori palīdzēja pētniekiem sasaistīt 28 jaunus gēnus ar aizkavētu kviešu novecošanos, kas ir īpašība, kas palielina ražu.

No lidojuma līdz ieskatam: kā droni analizē kultūraugu datus

Dronu fenotipēšanas process sākas ar rūpīgu lidojuma plānošanu. Droni lido 30–100 metru augstumā, uzņemot attēlus, kas pārklājas, lai nodrošinātu pilnīgu pārklājumu. Piemēram, 10 hektāru lielu lauku var skenēt 15–30 minūtēs.

Pēc lidojuma programmatūra, piemēram, Agisoft Metashape, saliek tūkstošiem attēlu detalizētās kartēs, izmantojot Structure-from-Motion (SfM) — tehniku, kas 2D fotoattēlus pārveido 3D modeļos. Šie modeļi ļauj zinātniekiem ar vienu pogas pieskārienu izmērīt tādas pazīmes kā augu augstums vai vainaga segums.

Pēc tam mākslīgā intelekta algoritmi analizē datus, prognozējot ražu vai identificējot slimību uzliesmojumus. Piemēram, droni skenēja 3132 cukurniedru laukus tikai 7 stundās — uzdevums, kura izpilde manuāli aizņemtu trīs nedēļas. Šis ātrums un precizitāte ļauj selekcionāriem ātrāk pieņemt lēmumus, piemēram, sezonas sākumā atmest neproduktīvus augus.

Dronu galvenie pielietojumi mūsdienu lauksaimniecībā

Droni tiek izmantoti, lai risinātu dažas no lielākajām lauksaimniecības problēmām. Viens no galvenajiem pielietojumiem ir tieša īpašību mērīšana, kur droni aizstāj roku darbu. Kukurūzas laukos droni mēra augu augstumu ar 90% precizitāti, pļaušanas kļūdas no 0,5 metriem līdz 0,21 metram.

Viņi arī seko līdzi vainagu segumam — rādītājam, kas norāda, cik labi augi noēno zemi, lai nomāktu nezāles. Enerģijas niedru selekcionāri izmantoja šos datus, lai identificētu šķirnes, kas samazina nezāļu augšanu par 40%.

Vēl viens sasniegums ir paredzošā selekcija, kur mākslīgā intelekta modeļi izmanto dronu datus, lai prognozētu kultūraugu ražu. Piemēram, multispektrālie attēli ir prognozējuši kukurūzas ražu ar 80% precizitāti, pārspējot tradicionālo genomisko testēšanu.

Droni palīdz arī gēnu atklāšanā, palīdzot zinātniekiem atrast DNS segmentus, kas ir atbildīgi par vēlamajām īpašībām. Kviešu audzēšanā droni saistīja vainaga zaļumu ar 22 jauniem gēniem, potenciāli palielinot sausuma toleranci.

Turklāt hiperspektrālie sensori atklāj tādas slimības kā citrusaugļu zaļošanos nedēļas pirms simptomu parādīšanās, dodot lauksaimniekiem laiku rīkoties.

Ģenētisko ieguvumu palielināšana ar precīzijas tehnoloģiju

Ģenētiskais ieguvums — ikgadējais kultūraugu īpašību uzlabojums selekcijas rezultātā — tiek aprēķināts, izmantojot vienkāršu formulu:

(Atlases intensitāte × Iedzimtība × Pazīmju mainīgums) ÷ Vaislas cikla laiks.

Ģenētiskais pieaugums (ΔG) tiek aprēķināts šādi:
ΔG = (i × h² × σp) / L

Kur:

• i = Atlases intensitāte (cik stingri ir selekcionāri).
• h² = Iedzimtība (cik liela daļa pazīmes tiek nodota no vecākiem pēcnācējiem).
• σp = Pazīmju mainīgums populācijā.
• L = Laiks vienā vaislas ciklā.

Kāpēc tas ir svarīgiDroni uzlabo visus mainīgos:

1. iSkenēt 10 reizes vairāk augu, kas ļauj veikt stingrāku atlasi.
2. h²Samazināt mērījumu kļūdas, uzlabojot iedzimtības novērtējumus.
3. σp: Reģistrējiet smalkas pazīmju variācijas visos laukos.
4. LSamazināt cikla laiku no 5 gadi līdz 2–3 gadi izmantojot agrīnās prognozes.

Droni uzlabo katru šī vienādojuma daļu. Skenējot veselus laukus, tie ļauj selekcionāriem atlasīt labākos 1% augus, nevis labākos 10%, tādējādi palielinot atlases intensitāti. Tie arī uzlabo iedzimtības novērtējumus, samazinot mērījumu kļūdas.

Piemēram, manuāla auga augstuma novērtēšana ievieš 20% mainīgumu, savukārt droni to samazina līdz 5%. Turklāt droni fiksē smalkas pazīmju variācijas tūkstošiem augu, maksimāli palielinot pazīmju mainīgumu.

Vissvarīgākais ir tas, ka tie saīsina vairošanās ciklus, nodrošinot agrīnas prognozes. Cukurniedru audzētāji, kas izmanto dronus, ir trīskāršojuši savus ģenētiskos ieguvumus salīdzinājumā ar tradicionālajām metodēm, pierādot šīs tehnoloģijas transformācijas potenciālu.

Pārvarot izaicinājumus un pieņemt nākotni

Neskatoties uz daudzsološo pieeju, fenotipu noteikšana, izmantojot dronus, joprojām saskaras ar ievērojamām problēmām. Augstas izmaksas joprojām ir būtisks šķērslis – piemēram, hiperspektrālās kameras var pārsniegt $50 000, padarot tās nepieejamas lielākajai daļai mazo lauksaimnieku.

Lielā datu apjoma apstrādei ir nepieciešami arī ievērojami mākoņdatošanas resursi, kas palielina izmaksas. Mākslīgā intelekta platformas, piemēram, AutoGIS, automatizē datu analīzi, novēršot nepieciešamību pēc manuālas ievades.

Pētnieki arī integrē dronus ar augsnes sensoriem un meteoroloģiskajām stacijām, izveidojot reāllaika uzraudzības sistēmu, kas brīdina lauksaimniekus par kaitēkļiem vai sausumu. Šie jauninājumi paver ceļu jaunai precīzās lauksaimniecības ērai, kurā uz datiem balstīti lēmumi aizstāj minējumus.

Secinājums

Droni un mākslīgais intelekts ne tikai pārveido augu selekciju, bet arī no jauna definē ilgtspējīgu lauksaimniecību. Nodrošinot ātrāku sausumizturīgu, augstražīgu kultūraugu attīstību, šīs tehnoloģijas varētu divkāršot pārtikas ražošanu līdz 2050. gadam, nepaplašinot lauksaimniecības zemes.

Tas ļautu glābt vairāk nekā 100 miljonus hektāru mežu, kas ir līdzvērtīgi Ēģiptes platībai, un samazināt lauksaimniecības oglekļa pēdas nospiedumu. Lauksaimnieki, kas izmanto dronu datus, jau ir samazinājuši ūdens un pesticīdu patēriņu līdz pat 30%, aizsargājot ekosistēmas un samazinot izmaksas.

Kā atzīmēja kāds pētnieks: “Mēs vairs neminam, kuri augi ir vislabākie. Droni mums to pasaka.” Ar nepārtrauktu inovāciju šī bioloģijas un tehnoloģiju apvienošana varētu nodrošināt pārtikas nodrošinājumu miljardiem cilvēku, vienlaikus aizsargājot mūsu planētu.

AtsauceKhuimphukhieo, I. un da Silva, Dž. A. (2025). Bezpilota lidaparātu sistēmu (UAS) lauka augstas caurlaidspējas fenotipēšana (HTP) kā augu selekcionāru instrumentu komplekts: visaptverošs pārskats. Smart Agricultural Technology, 100888.