Ako vysokovýkonná fenotypizácia založená na UAS transformuje moderné šľachtenie rastlín

Predpokladá sa, že do roku 2050 dosiahne svetová populácia 9,8 miliardy ľudí, čím sa zdvojnásobí dopyt po potravinách. Rozširovanie poľnohospodárskej pôdy na uspokojenie tejto potreby je však neudržateľné. Viac ako 501 TP3 ton novej ornej pôdy vytvorenej od roku 2000 nahradilo lesy a prirodzené ekosystémy, čím sa zhoršila zmena klímy a strata biodiverzity.

Aby sa predišlo tejto kríze, vedci sa obracajú na šľachtenie rastlín – vedu o vývoji plodín s vyššími výnosmi, odolnosťou voči chorobám a odolnosťou voči zmene klímy. Tradičné metódy šľachtenia sú však príliš pomalé na to, aby držali krok s naliehavosťou problému.

A práve tu prichádzajú na scénu drony a umelá inteligencia (AI), ktoré menia pravidlá hry a ponúkajú rýchlejší a inteligentnejší spôsob pestovania lepších plodín.

Prečo tradičné šľachtenie rastlín zaostáva

Šľachtenie rastlín sa spolieha na výber rastlín s požadovanými vlastnosťami, ako je odolnosť voči suchu alebo škodcom, a ich kríženie počas viacerých generácií. Najväčším problémom v tomto procese je fenotypizácia – manuálne meranie charakteristík rastlín, ako je výška, zdravie listov alebo výnos.

Napríklad meranie výšky rastlín na poli s 3 000 parcelami môže trvať týždne, pričom ľudské chyby spôsobujú nezrovnalosti až do výšky 201 TP3T. Okrem toho sa výnosy plodín zlepšujú len o 0,5 – 11 TP3T ročne, čo je hlboko pod mierou rastu 2,91 TP3T potrebnou na splnenie požiadaviek v roku 2050.

Kukurica, základná plodina pre miliardy ľudí, ilustruje toto spomalenie: jej ročný rast úrody klesol z 2,21 TP3T v 60. rokoch 20. storočia na 1,331 TP3T dnes. Na preklenutie tejto priepasti vedci potrebujú nástroje, ktoré automatizujú zber údajov, znižujú chyby a urýchľujú rozhodovanie.

Ako technológia dronov transformuje šľachtenie rastlín

Drony alebo bezpilotné letecké systémy (UAS) vybavené pokročilými senzormi a umelou inteligenciou spôsobujú revolúciu v poľnohospodárstve. Tieto zariadenia dokážu lietať nad poľami a zhromažďovať presné údaje o tisíckach rastlín v priebehu niekoľkých minút, čo je proces známy ako vysokopriepustné fenotypovanie (HTP).

Na rozdiel od tradičných metód drony zachytávajú údaje z celých polí, čím eliminujú skreslenie vzorkovania. Používajú špecializované senzory na meranie všetkého od výšky rastlín až po úroveň vodného stresu.

Napríklad multispektrálne senzory detekujú blízke infračervené svetlo odrážané zdravými listami, zatiaľ čo termokamery identifikujú stres zo sucha meraním teploty korúnu.

Automatizáciou zberu údajov drony znižujú náklady na pracovnú silu a urýchľujú šľachtiteľské cykly, čo umožňuje vyvíjať vylepšené odrody plodín v priebehu rokov namiesto desaťročí.

Veda o senzoroch a zbere údajov z dronov

Drony sa spoliehajú na rôzne senzory na zhromažďovanie dôležitých údajov o rastlinách. RGB kamery, najdostupnejšia možnosť, zachytávajú viditeľné svetlo na meranie pokrytia koruny a výšky rastlín. Na poliach s cukrovou trstinou dosiahli tieto kamery presnosť 64 – 691 TP3T pri počítaní stoniek a nahradili tak manuálne počítanie náchylné na chyby.

Multispektrálne senzory idú ešte ďalej a detekujú neviditeľné vlnové dĺžky, ako je blízke infračervené žiarenie, ktoré korelujú s hladinami chlorofylu a zdravím rastlín. Napríklad predpovedali toleranciu cukrovej trstiny voči suchu s presnosťou viac ako 80%.

• RGB kamery: Zachytenie červeného, zeleného a modrého svetla na vytvorenie farebných obrázkov.
• Multispektrálne senzoryDetekcia svetla za hranicami viditeľného spektra (napr. blízkeho infračerveného žiarenia).
• Tepelné senzoryMeranie tepla vyžarovaného rastlinami.
• LiDARPoužíva laserové impulzy na vytváranie 3D máp rastlín.
• Hyperspektrálne senzoryZachyťte viac ako 200 svetelných vlnových dĺžok pre ultra detailnú analýzu.

Tepelné senzory detekujú tepelné signály a identifikujú rastliny vystavené stresu z vody, ktoré sa zdajú byť teplejšie ako zdravé rastliny. Na bavlníkových poliach sa termálne drony zhodovali s pozemnými meraniami teploty s chybou menšou ako 5%.

LiDAR senzory využívajú laserové impulzy na vytváranie 3D máp plodín, pričom v pokusoch s energetickou trstinou merajú biomasu a výšku s presnosťou 95%. Najmodernejšie nástroje, hyperspektrálne senzory, analyzujú stovky svetelných vlnových dĺžok, aby odhalili nedostatok živín alebo choroby neviditeľné voľným okom.

Tieto senzory pomohli výskumníkom prepojiť 28 nových génov s oneskoreným starnutím pšenice, čo je vlastnosť, ktorá zvyšuje výnosy.

Od letu k poznatkom: Ako drony analyzujú údaje o plodinách

Proces fenotypizácie dronov začína starostlivým plánovaním letu. Drony lietajú vo výške 30 – 100 metrov a zachytávajú prekrývajúce sa snímky, aby sa zabezpečilo úplné pokrytie. Napríklad pole s rozlohou 10 hektárov je možné naskenovať za 15 – 30 minút.

Po lete softvér ako Agisoft Metashape spojí tisíce obrázkov do podrobných máp pomocou techniky Structure-from-Motion (SfM) – techniky, ktorá prevádza 2D fotografie na 3D modely. Tieto modely umožňujú vedcom merať vlastnosti, ako je výška rastlín alebo ich pokryvnosť, jediným stlačením tlačidla.

Algoritmy umelej inteligencie potom analyzujú údaje, predpovedajú výnosy alebo identifikujú prepuknutia chorôb. Napríklad drony naskenovali 3 132 parciel cukrovej trstiny za púhych 7 hodín – úloha, ktorá by manuálne trvala tri týždne. Táto rýchlosť a presnosť umožňujú šľachtiteľom robiť rýchlejšie rozhodnutia, ako napríklad vyraďovať rastliny s nízkou výkonnosťou na začiatku sezóny.

Kľúčové aplikácie dronov v modernom poľnohospodárstve

Drony sa používajú na riešenie niektorých z najväčších výziev v poľnohospodárstve. Jednou z hlavných aplikácií je priame meranie znakov, kde drony nahrádzajú manuálnu prácu. Na kukuričných poliach drony merajú výšku rastlín s presnosťou 90%, čím znižujú chyby z 0,5 metra na 0,21 metra.

Sledujú tiež pokrytie koruny, čo je metrika ukazujúca, ako dobre rastliny tienia pôdu, aby potlačili burinu. Pestovatelia energetickej trstiny použili tieto údaje na identifikáciu odrôd, ktoré znižujú rast buriny o 40%.

Ďalším prelomom je prediktívne šľachtenie, kde modely umelej inteligencie využívajú údaje z dronov na predpovedanie výnosov plodín. Napríklad multispektrálne snímky predpovedali výnosy kukurice s presnosťou 80%, čím prekonali tradičné genomické testovanie.

Drony tiež pomáhajú pri objavovaní génov, čo vedcom pomáha lokalizovať segmenty DNA zodpovedné za žiaduce vlastnosti. V prípade pšenice drony prepojili zeleň porastu s 22 novými génmi, čo potenciálne zvyšuje odolnosť voči suchu.

Hyperspektrálne senzory navyše detekujú choroby, ako je napríklad zelenanie citrusov, týždne pred objavením sa príznakov, čo dáva poľnohospodárom čas konať.

Zvyšovanie genetických ziskov pomocou presnej technológie

Genetický zisk – ročné zlepšenie vlastností plodín v dôsledku šľachtenia – sa vypočíta pomocou jednoduchého vzorca:

(Intenzita výberu × Dedičnosť × Variabilita znakov) ÷ Čas šľachtiteľského cyklu.

Genetický zisk (ΔG) sa vypočíta ako:
ΔG = (i × h² × σp) / L

Kde:

• i = Intenzita výberu (akí prísni sú chovatelia).
• h² = Dedičnosť (do akej miery sa daná vlastnosť prenáša z rodičov na potomkov).
• σp = Variabilita znakov v populácii.
• L = Čas na cyklus rozmnožovania.

Prečo na tom záležíDrony zlepšujú všetky premenné:

1. iSkenovať 10x viac rastlín, čo umožňuje prísnejší výber.
2. h²Zníženie chýb merania, zlepšenie odhadov dedičnosti.
3. σpZachytenie jemných variácií znakov v celých poliach.
4. LSkráťte čas cyklu z 5 rokov až 2–3 roky prostredníctvom skorých predpovedí.

Drony vylepšujú každú časť tejto rovnice. Skenovaním celých polí umožňujú šľachtiteľom vybrať najlepších 1% rastlín namiesto najlepších 10%, čím zvyšujú intenzitu výberu. Zlepšujú tiež odhady dedičnosti znížením chýb merania.

Napríklad manuálne hodnotenie výšky rastlín zavádza variabilitu 20%, zatiaľ čo drony ju znižujú na 5%. Drony navyše zachytávajú jemné variácie znakov v tisíckach rastlín, čím maximalizujú variabilitu znakov.

A čo je najdôležitejšie, skracujú cykly rozmnožovania tým, že umožňujú včasné predpovede. Pestovatelia cukrovej trstiny používajúci drony strojnásobili svoje genetické zisky v porovnaní s tradičnými metódami, čo dokazuje transformačný potenciál tejto technológie.

Prekonávanie výziev a prijímanie budúcnosti

Napriek sľubným výsledkom čelí fenotypizácia pomocou dronov značným výzvam. Hlavnou prekážkou zostávajú vysoké náklady na pokročilé senzory – napríklad hyperspektrálne kamery môžu presiahnuť $50 000, čo ich robí pre väčšinu malých poľnohospodárov nedostupnými.

Spracovanie obrovského množstva zozbieraných údajov si tiež vyžaduje značné cloudové výpočtové zdroje, čo zvyšuje náklady. Platformy umelej inteligencie, ako napríklad AutoGIS, automatizujú analýzu údajov, čím eliminujú potrebu manuálneho zadávania.

Výskumníci tiež integrujú drony s pôdnymi senzormi a meteorologickými stanicami, čím vytvárajú systém monitorovania v reálnom čase, ktorý upozorňuje poľnohospodárov na škodcov alebo suchá. Tieto inovácie pripravujú cestu pre novú éru presného poľnohospodárstva, kde rozhodnutia založené na dátach nahrádzajú dohady.

Záver

Drony a umelá inteligencia nielen transformujú šľachtenie rastlín – nanovo definujú udržateľné poľnohospodárstvo. Umožnením rýchlejšieho vývoja plodín odolných voči suchu s vysokým výnosom by tieto technológie mohli do roku 2050 zdvojnásobiť produkciu potravín bez rozširovania poľnohospodárskej pôdy.

Tým by sa zachránilo viac ako 100 miliónov hektárov lesov, čo zodpovedá rozlohe Egypta, a znížila by sa uhlíková stopa poľnohospodárstva. Poľnohospodári využívajúci údaje z dronov už znížili spotrebu vody a pesticídov až o 301 TP3T, čím chránia ekosystémy a znižujú náklady.

Ako poznamenal jeden výskumník: “Už nehádame, ktoré rastliny sú najlepšie. Hovoria nám to drony.” S pokračujúcimi inováciami by táto fúzia biológie a technológie mohla zabezpečiť potravinovú bezpečnosť pre miliardy ľudí a zároveň chrániť našu planétu.

Referencia: Khuimphukhieo, I. a da Silva, JA (2025). Vysokokapacitné fenotypovanie (HTP) v teréne založené na bezpilotných leteckých systémoch (UAS) ako sada nástrojov šľachtiteľov rastlín: komplexný prehľad. Smart Agricultural Technology, 100888.