Як високопродуктивне фенoтипування на основі БПАК трансформує сучасну селекцію рослин

За прогнозами, до 2050 року населення світу досягне 9,8 мільярда людей, що подвоїть попит на продукти харчування. Однак розширення сільськогосподарських угідь для задоволення цієї потреби є нестійким. Понад 501 TP3T нових сільськогосподарських угідь, створених з 2000 року, замінили ліси та природні екосистеми, погіршуючи зміну клімату та втрату біорізноманіття.

Щоб уникнути цієї кризи, вчені звертаються до селекції рослин — науки про виведення сільськогосподарських культур з вищою врожайністю, стійкістю до хвороб та кліматичних змін. Однак традиційні методи селекції надто повільні, щоб встигати за актуальністю проблеми.

Саме тут дрони та штучний інтелект (ШІ) вступають у роль революційних змін, пропонуючи швидший та розумніший спосіб вирощування кращих сільськогосподарських культур.

Чому традиційна селекція рослин відстає

Селекція рослин залежить від відбору рослин з бажаними ознаками, такими як посухостійкість або стійкість до шкідників, та їх схрещування протягом кількох поколінь. Найбільшим вузьким місцем у цьому процесі є фенотипування — ручне вимірювання характеристик рослин, таких як висота, здоров'я листя або врожайність.

Наприклад, вимірювання висоти рослин на полі з 3000 ділянок може тривати тижні, а людські помилки призводять до невідповідностей до 201 TP3T. Крім того, врожайність сільськогосподарських культур покращується лише на 0,5–11 TP3T щорічно, що значно нижче темпів зростання в 2,91 TP3T, необхідних для задоволення потреб 2050 року.

Кукурудза, основна культура для мільярдів людей, ілюструє це уповільнення: її річне зростання врожайності знизилося з 2,21 т/3 тонни у 1960-х роках до 1,331 т/3 тонни сьогодні. Щоб подолати цей розрив, вченим потрібні інструменти, які автоматизують збір даних, зменшують кількість помилок і пришвидшують прийняття рішень.

Як технологія дронів трансформує селекцію рослин

Дрони, або безпілотні літальні системи (БПЛА), оснащені передовими датчиками та штучним інтелектом, революціонізують сільське господарство. Ці пристрої можуть літати над полями та збирати точні дані про тисячі рослин за лічені хвилини, процес, відомий як високопродуктивне фенотипування (HTP).

На відміну від традиційних методів, дрони збирають дані з усіх полів, усуваючи систематичну помилку вибірки. Вони використовують спеціалізовані датчики для вимірювання всього: від висоти рослин до рівня водного стресу.

Наприклад, мультиспектральні датчики виявляють ближнє інфрачервоне світло, відбите здоровим листям, тоді як тепловізійні камери визначають стрес від посухи, вимірюючи температуру крони.

Автоматизуючи збір даних, дрони зменшують витрати на робочу силу та прискорюють цикли селекції, що дозволяє розробляти покращені сорти сільськогосподарських культур за роки, а не за десятиліття.

Наука, що стоїть за датчиками та збором даних дронами

Дрони використовують різноманітні датчики для збору важливих даних про рослини. RGB-камери, найдоступніший варіант, фіксують видиме світло для вимірювання покриву крони та висоти рослин. На полях цукрової тростини ці камери досягли точності 64–69% у підрахунку стебел, замінивши схильні до помилок ручні підрахунки.

Мультиспектральні датчики йдуть далі, виявляючи невидимі довжини хвиль, такі як ближнє інфрачервоне випромінювання, які корелюють з рівнем хлорофілу та здоров'ям рослин. Наприклад, вони передбачили посухостійкість цукрової тростини з точністю понад 80%.

• RGB-камери: Захоплення червоного, зеленого та синього світла для створення кольорових зображень.
• Мультиспектральні датчикиВиявляти світло за межами видимого спектру (наприклад, ближнього інфрачервоного).
• Теплові датчикиВимірювання тепла, що випромінюється рослинами.
• ЛіДАРВикористовує лазерні імпульси для створення 3D-карт рослин.
• Гіперспектральні датчикиЗахоплення понад 200 довжин хвиль світла для наддетального аналізу.

Теплові датчики виявляють теплові сигнали, ідентифікуючи рослини, що страждають від вологи, які виглядають гарячішими, ніж здорові. На бавовняних полях теплові дрони зіставили наземні вимірювання температури з похибкою менше 5%.

Датчики LiDAR використовують лазерні імпульси для створення 3D-карт сільськогосподарських культур, вимірюючи біомасу та висоту з точністю 95% у випробуваннях енергетичної тростини. Найсучасніші інструменти, гіперспектральні датчики, аналізують сотні довжин хвиль світла, щоб виявити дефіцит поживних речовин або хвороби, невидимі неозброєним оком.

Ці сенсори допомогли дослідникам пов'язати 28 нових генів із затримкою старіння пшениці, ознакою, яка підвищує врожайність.

Від польоту до розуміння: як дрони аналізують дані про врожай

Процес фенотипування дрона починається з ретельного планування польоту. Дрони літають на висоті 30–100 метрів, знімаючи зображення, що перекриваються, щоб забезпечити повне покриття. Наприклад, поле площею 10 гектарів можна просканувати за 15–30 хвилин.

Після польоту програмне забезпечення, таке як Agisoft Metashape, об'єднує тисячі зображень у детальні карти за допомогою Structure-from-Motion (SfM) – техніки, яка перетворює 2D-фотографії на 3D-моделі. Ці моделі дозволяють вченим вимірювати такі характеристики, як висота рослин або покрив крони, одним натисканням кнопки.

Потім алгоритми штучного інтелекту аналізують дані, прогнозуючи врожайність або виявляючи спалахи хвороб. Наприклад, дрони просканували 3132 ділянки цукрової тростини всього за 7 годин — завдання, яке вручну зайняло б три тижні. Така швидкість і точність дозволяють селекціонерам швидше приймати рішення, такі як відбракування низькопродуктивних рослин на початку сезону.

Ключові застосування дронів у сучасному сільському господарстві

Дрони використовуються для вирішення деяких найбільших проблем сільського господарства. Одним з основних застосувань є пряме вимірювання ознак, де дрони замінюють ручну працю. На кукурудзяних полях дрони вимірюють висоту рослин з точністю 90%, зменшуючи похибки з 0,5 метра до 0,21 метра.

Вони також відстежують покрив пологу, показник, який вказує на те, наскільки добре рослини затіняють землю для придушення бур'янів. Селекціонери енергетичної тростини використовували ці дані для визначення сортів, які зменшують ріст бур'янів на 40%.

Ще одним проривом є прогнозна селекція, де моделі штучного інтелекту використовують дані дронів для прогнозування врожайності сільськогосподарських культур. Наприклад, мультиспектральні зображення передбачили врожайність кукурудзи з точністю 80%, перевершуючи традиційне геномне тестування.

Дрони також допомагають у відкритті генів, допомагаючи вченим знаходити сегменти ДНК, відповідальні за бажані ознаки. У пшениці дрони пов'язали зеленість пологу з 22 новими генами, що потенційно підвищує стійкість до посухи.

Крім того, гіперспектральні датчики виявляють такі хвороби, як позеленіння цитрусових, за тижні до появи симптомів, даючи фермерам час діяти.

Збільшення генетичних переваг за допомогою прецизійних технологій

Генетичний приріст — щорічне покращення ознак сільськогосподарських культур завдяки селекції — розраховується за простою формулою:

(Інтенсивність відбору × Спадковість × Мінливість ознак) ÷ Тривалість циклу розмноження.

Генетичний приріст (ΔG) розраховується як:
ΔG = (i × h² × σp) / L

Де:

• i = Інтенсивність відбору (наскільки суворі селекціонери).
• h² = Спадковість (наскільки ознака передається від батьків до потомства).
• σp = Мінливість ознак у популяції.
• L = Час на цикл розмноження.

Чому це важливоДрони покращують усі змінні:

1. iСканування У 10 разів більше рослин, що дозволяє суворіший відбір.
2. h²Зменшення похибок вимірювань, покращення оцінок спадковості.
3. σp: Зафіксуйте ледь помітні варіації ознак по всіх полях.
4. LСкоротіть час циклу з від 5 років до 2–3 років за попередніми прогнозами.

Дрони покращують кожну частину цього рівняння. Скануючи цілі поля, вони дозволяють селекціонерам відбирати найкращі 1% рослин замість найкращих 10%, збільшуючи інтенсивність відбору. Вони також покращують оцінки спадковості, зменшуючи похибки вимірювань.

Наприклад, ручна оцінка висоти рослин вводить мінливість 20%, тоді як дрони скорочують її до 5%. Більше того, дрони фіксують тонкі варіації ознак у тисяч рослин, максимізуючи мінливість ознак.

Найголовніше, що вони скорочують цикли розмноження, дозволяючи робити ранні прогнози. Селекціонери цукрової тростини, які використовують дрони, потроїли свої генетичні переваги порівняно з традиційними методами, що доводить трансформаційний потенціал технології.

Подолання викликів та прийняття майбутнього

Незважаючи на свою перспективність, фенотипування за допомогою дронів все ще стикається зі значними труднощами. Висока вартість передових датчиків залишається основною перешкодою – наприклад, гіперспектральні камери можуть коштувати понад $50 000, що робить їх недоступними для більшості дрібних фермерів.

Обробка величезних обсягів зібраних даних також вимагає значних ресурсів хмарних обчислень, що збільшує витрати. Платформи штучного інтелекту, такі як AutoGIS, автоматизують аналіз даних, усуваючи необхідність ручного введення.

Дослідники також інтегрують дрони з ґрунтовими датчиками та метеостанціями, створюючи систему моніторингу в режимі реального часу, яка попереджає фермерів про шкідників або посуху. Ці інновації прокладають шлях до нової ери точного землеробства, де рішення на основі даних замінюють здогадки.

Висновок

Дрони та штучний інтелект не просто трансформують селекцію рослин, вони переосмислюють поняття сталого сільського господарства. Забезпечуючи швидший розвиток посухостійких високоврожайних культур, ці технології можуть подвоїти виробництво продуктів харчування до 2050 року без розширення сільськогосподарських угідь.

Це дозволило б зберегти понад 100 мільйонів гектарів лісів, що еквівалентно площі Єгипту, та зменшити вуглецевий слід сільського господарства. Фермери, які використовують дані дронів, вже скоротили використання води та пестицидів на суму до 301 т³/3 тонни, захищаючи екосистеми та знижуючи витрати.

Як зазначив один дослідник: “Ми більше не гадаємо, які рослини найкращі. Дрони нам підказують”. Завдяки постійним інноваціям це поєднання біології та технологій може забезпечити продовольчу безпеку для мільярдів людей, одночасно захищаючи нашу планету.

Посилання: Хуймпхухіео, І. та да Сілва, Дж. А. (2025). Польове високопродуктивне фенотипування (HTP) на основі безпілотних авіаційних систем (БПЛА) як інструментарій селекціонерів рослин: комплексний огляд. Розумні сільськогосподарські технології, 100888.