Како високопулсно фенотипирање засновано на беспилотним летелицама (UAS) трансформише модерно биљно узгајање

До 2050. године, предвиђа се да ће глобална популација достићи 9,8 милијарди људи, што ће удвостручити потражњу за храном. Међутим, ширење пољопривредног земљишта ради задовољавања ове потребе је неодрживо. Преко 50% новог обрадивог земљишта створеног од 2000. године заменило је шуме и природне екосистеме, погоршавајући климатске промене и губитак биодиверзитета.

Да би избегли ову кризу, научници се окрећу оплемењивању биљака – науци о развоју усева са већим приносима, отпорношћу на болести и климатске промене. Међутим, традиционалне методе оплемењивања су преспоре да би пратиле хитност проблема.

Ту дронови и вештачка интелигенција (ВИ) долазе до изражаја, нудећи бржи и паметнији начин узгоја бољих усева.

Зашто традиционално оплемењивање биљака заостаје

Оплемењивање биљака се заснива на одабиру биљака са пожељним особинама, као што су толеранција на сушу или отпорност на штеточине, и њиховом укрштању током више генерација. Највеће уско грло у овом процесу је фенотипизација – ручно мерење карактеристика биљака попут висине, здравља листа или приноса.

На пример, мерење висине биљака на пољу од 3.000 парцела може трајати недељама, при чему људске грешке узрокују недоследности и до 20%. Поред тога, приноси усева се побољшавају по стопи од само 0,5–1% годишње, што је далеко испод стопе раста од 2,9% потребне за задовољавање потреба 2050. године.

Кукуруз, основна култура за милијарде људи, илуструје ово успоравање: његов годишњи раст приноса је пао са 2,2% у 1960-им на 1,33% данас. Да би премостили овај јаз, научницима су потребни алати који аутоматизују прикупљање података, смањују грешке и убрзавају доношење одлука.

Како технологија дронова трансформише оплемењивање биљака

Дронови, или беспилотни летелице (UAS), опремљени напредним сензорима и вештачком интелигенцијом, револуционишу пољопривреду. Ови уређаји могу да лете изнад поља и прикупљају прецизне податке о хиљадама биљака за неколико минута, процес познат као фенотипизација високог протока (HTP).

За разлику од традиционалних метода, дронови прикупљају податке са целих поља, елиминишући пристрасност узорковања. Они користе специјализоване сензоре за мерење свега, од висине биљака до нивоа стреса од воде.

На пример, мултиспектрални сензори детектују блиску инфрацрвену светлост коју рефлектују здрави листови, док термалне камере идентификују стрес од суше мерењем температуре крошње.

Аутоматизацијом прикупљања података, дронови смањују трошкове рада и убрзавају циклусе оплемењивања, омогућавајући развој побољшаних сорти усева за године уместо за деценије.

Наука која стоји иза сензора и прикупљања података дроновима

Дронови се ослањају на разне сензоре за прикупљање важних података о биљкама. RGB камере, најприступачнија опција, снимају видљиву светлост за мерење покривености крошње и висине биљке. На пољима шећерне трске, ове камере су постигле тачност од 64–69% у бројању стабљика, замењујући ручно бројање склоно грешкама.

Мултиспектрални сензори иду даље детектовањем невидљивих таласних дужина попут блиског инфрацрвеног зрачења, које су у корелацији са нивоима хлорофила и здрављем биљака. На пример, предвидели су толеранцију на сушу код шећерне трске са тачношћу преко 80%.

• RGB камере: Снима црвено, зелено и плаво светло да би се креирале слике у боји.
• Мултиспектрални сензориДетекција светлости изван видљивог спектра (нпр. блиског инфрацрвеног зрачења).
• Термални сензориМерење топлоте коју емитују биљке.
• ЛиДАРКористи ласерске импулсе за креирање 3Д мапа биљака.
• Хиперспектрални сензориСнимите преко 200 светлосних таласних дужина за ултра-детаљну анализу.

Термални сензори детектују топлотне сигнале, идентификујући биљке које су под стресом због воде и које делују топлије од здравих. На пољима памука, термални дронови су ускладили мерења температуре са земље са грешком мањом од 5%.

ЛиДАР сензори користе ласерске импулсе за креирање 3Д мапа усева, мерећи биомасу и висину са прецизношћу од 95% у испитивањима енергетске трске. Најнапреднији алати, хиперспектрални сензори, анализирају стотине светлосних таласних дужина како би открили недостатке хранљивих материја или болести невидљиве голим оком.

Ови сензори су помогли истраживачима да повежу 28 нових гена са одложеним старењем пшенице, особином која повећава приносе.

Од лета до увида: Како дронови анализирају податке о усевима

Процес фенотипизације дрона почиње пажљивим планирањем лета. Дронови лете на висини од 30–100 метара, снимајући преклапајуће слике како би се осигурала потпуна покривеност. На пример, поље од 10 хектара може се скенирати за 15–30 минута.

Након лета, софтвер попут Agisoft Metashape-а спаја хиљаде слика у детаљне мапе користећи Structure-from-Motion (SfM) – технику која претвара 2Д фотографије у 3Д моделе. Ови модели омогућавају научницима да мере особине попут висине биљака или покривености крошње једним додиром дугмета.

Алгоритми вештачке интелигенције затим анализирају податке, предвиђајући приносе или идентификујући појаве болести. На пример, дронови су скенирали 3.132 парцеле шећерне трске за само 7 сати – задатак који би ручно трајао три недеље. Ова брзина и прецизност омогућавају узгајивачима да доносе брже одлуке, као што је одбацивање биљака са ниским учинком на почетку сезоне.

Кључне примене дронова у модерној пољопривреди

Дронови се користе за решавање неких од највећих изазова у пољопривреди. Једна од главних примена је директно мерење особина, где дронови замењују ручни рад. У пољима кукуруза, дронови мере висину биљке са тачношћу од 90%, смањујући грешке са 0,5 метара на 0,21 метар.

Такође прате покривеност крошње, метрику која показује колико добро биљке засјењују тло како би сузбиле коров. Узгајивачи енергетске трске користили су ове податке да идентификују сорте које смањују раст корова за 40%.

Још један пробој је предиктивно оплемењивање, где модели вештачке интелигенције користе податке дронова за предвиђање учинка усева. На пример, мултиспектрални снимци су предвидели приносе кукуруза са тачношћу од 80%, надмашујући традиционално геномско тестирање.

Дронови такође помажу у откривању гена, помажући научницима да лоцирају сегменте ДНК одговорне за пожељне особине. Код пшенице, дронови су повезали зеленило крошње са 22 нова гена, потенцијално повећавајући толеранцију на сушу.

Поред тога, хиперспектрални сензори откривају болести попут позеленења цитруса недељама пре него што се појаве симптоми, дајући пољопривредницима времена да делују.

Повећање генетских добитака прецизном технологијом

Генетска добит – годишње побољшање особина усева услед оплемењивања – израчунава се помоћу једноставне формуле:

(Интензитет селекције × Херитабилност × Варијабилност особина) ÷ Време циклуса узгоја.

Генетски добитак (ΔG) се израчунава као:
ΔG = (i × h² × σp) / L

Где:

• i = Интензитет селекције (колико су узгајивачи строги).
• h² = Наследност (колико се особина преноси са родитеља на потомство).
• σp = Варијабилност особина у популацији.
• L = Време по циклусу размножавања.

Зашто је то важноДронови побољшавају све варијабле:

1. iСкенирање 10 пута више биљака, што омогућава строжију селекцију.
2. h²Смањити грешке мерења, побољшати процене херитабилности.
3. σp: Забележите суптилне варијације особина у целим пољима.
4. LСкратите време циклуса са 5 година до 2-3 године путем раних предвиђања.

Дронови побољшавају сваки део ове једначине. Скенирањем целих поља, они омогућавају оплемењивачима да одаберу најбољих 1% биљака уместо најбољих 10%, повећавајући интензитет селекције. Такође побољшавају процене наслеђивања смањењем грешака у мерењу.

На пример, ручна процена висине биљке уводи варијабилност 20%, док дронови смањују ову варијабилност на 5%. Штавише, дронови бележе суптилне варијације особина код хиљада биљака, максимизирајући варијабилност особина.

Најважније је то што скраћују циклусе оплемењивања омогућавајући рана предвиђања. Узгајивачи шећерне трске који користе дронове утростручили су своје генетске добитке у поређењу са традиционалним методама, доказујући трансформативни потенцијал технологије.

Превазилажење изазова и прихватање будућности

Упркос свом обећању, фенотипизација заснована на дроновима и даље се суочава са значајним изазовима. Висока цена напредних сензора остаје главна препрека – хиперспектралне камере, на пример, могу прећи $50.000, што их чини недоступним за већину малих пољопривредника.

Обрада огромних количина прикупљених података такође захтева значајне ресурсе за рачунарство у облаку, што додатно повећава трошкове. АИ платформе попут AutoGIS-а аутоматизују анализу података, елиминишући потребу за ручним уносом.

Истраживачи такође интегришу дронове са сензорима за земљиште и метеоролошким станицама, стварајући систем за праћење у реалном времену који упозорава пољопривреднике на штеточине или суше. Ове иновације отварају пут новој ери прецизне пољопривреде, где одлуке засноване на подацима замењују нагађања.

Закључак

Дронови и вештачка интелигенција не само да трансформишу оплемењивање биљака — они редефинишу одрживу пољопривреду. Омогућавањем бржег развоја усева отпорних на сушу и високог приноса, ове технологије би могле удвостручити производњу хране до 2050. године без проширења пољопривредног земљишта.

Ово би спасило преко 100 милиона хектара шума, што је еквивалентно величини Египта, и смањило угљенични отисак пољопривреде. Пољопривредници који користе податке дронова већ су смањили потрошњу воде и пестицида за до 30%, штитећи екосистеме и смањујући трошкове.

Као што је један истраживач приметио: “Више не погађамо које су биљке најбоље. Дронови нам говоре.” Уз континуиране иновације, ова фузија биологије и технологије могла би да обезбеди безбедност хране за милијарде људи, истовремено штитећи нашу планету.

Референца: Khuimphukhieo, I., & da Silva, JA (2025). Фенотипизација високог протока (HTP) на терену заснована на беспилотним летелицама (UAS) као алат оплемењивача биљака: свеобухватни преглед. Smart Agricultural Technology, 100888.