Izraelska studija pokazuje da modeli mašinskog učenja, trenirani na sedmogodišnjim visokorezolutnim podacima, mogu precizno predvideti dnevnu transpiraciju biljaka (XGBoost R² = 0.82). Najvažniji faktori su biomasa biljke i dnevna temperatura, a odstupanja između predikcije i merenja mogu ukazivati na rani stres usled suše, saliniteta, bolesti ili oštećenja korena. Trenutna primena je najpraktičnija u istraživačkim i kontrolisanim okruženjima, dok će za poljske sisteme biti potrebna integracija sa praktičnijim senzorima.
Kako AI Može Uštedeti Vodu i Otkriti Rani Stres Biljaka — Izraelska Studija (R² = 0.82)
Crop irrigation illustrative. (photo credit: Yoav Dudkevitch/TPS-IL)
Nova studija istraživača sa Hebrejskog univerziteta u Jerusalimu pokazuje da modeli mašinskog učenja mogu precizno predvideti dnevnu transpiraciju biljaka i istovremeno poslužiti kao rana detekcija stresa. Istraživanje se oslanja na sedam godina kontinuiranih, visokorezolutnih merenja na paradajzu, pšenici i ječmu uzgajanim u polu-komercijalnim staklenicima.
Metodologija i podaci
Tim pod vođstvom Shani Friedman i Nir Averbuch, uz nadzor prof. Menachema Mosheliona, koristio je vrlo precizan load-cell lizimetarski sistem koji u realnom vremenu beleži suptilne promene težine biljaka. Taj pristup omogućava direktno kvantifikovanje dnevne transpiracije — fiziološkog procesa isparavanja vode kroz listove — za razliku od uobičajenih metoda koje se oslanjaju na indirektne pokazatelje poput vremenskih uslova ili vlažnosti zemljišta.
Modeli i rezultati
Istraživači su trenirali modele mašinskog učenja, uključujući Random Forest i XGBoost, na podacima izvedenim iz ponašanja zdravih, dobro navodnjanih biljaka. U nezavisnim testovima XGBoost je postigao R² = 0.82, tačno prateći izmerenu transpiraciju čak i kada je primenjen u različitim klimatskim uslovima i u odvojenim istraživačkim objektima.
Ključni faktori i interpretacija
Od svih ulaznih varijabli, biomasa biljke i dnevna temperatura pokazale su se najuticajnijim u oblikovanju dnevne potrošnje vode. Prema autorima, sposobnost modela da generalizuje preko useva i lokacija sugeriše da ono što model uči predstavlja fundamentalne fiziološke signale, a ne samo specifičnu „buku" podataka.
"Razumevanje kako zdrava, dobro navodnjavana biljka treba da se ponaša omogućava nam da primetimo kada nešto nije u redu," kaže Shani Friedman.
Rani alarm za stres
Jedna od najvrednijih primena pristupa je mogućnost da odstupanja između predviđene i stvarne transpiracije posluže kao rana upozorenja o stresu — bilo usled suše, saliniteta, bolesti, oštećenja korena ili drugih faktora — često pre nego što se pojave vidljivi simptomi.
Ograničenja i perspektive
Trenutni rad se oslanja na lizimetarske podatke koji u praksi nisu široko dostupni proizvođačima, pa model za sada nije spreman za neposrednu primenu u polju. Ipak, istraživači vide ovo kao konceptualni korak: slične modele moguće je upariti sa praktičnijim, poljskim senzorima i tako razviti sisteme za precizno navodnjavanje i rane upozoravače za proizvođače.
U kratkom roku metoda je najkorisnija u istraživačkim i kontrolisanim uslovima (staklenici, selekciona ispitivanja), gde može pomoći u benchmarkovanju potrošnje vode, validaciji algoritama navodnjavanja i unapređenju menadžmenta proizvodnje. Na duži rok, modeli obučeni na fiziološkim podacima mogli bi postati deo naprednih alata precizne poljoprivrede koji štede vodu i smanjuju rizik od gubitaka.
Studija je objavljena u recenziranom časopisu Plant, Cell & Environment, i uspešno je testirana i u istraživačkom stakleniku na Univerzitetu u Tel Avivu, što podržava potencijalnu primenu u različitim klimama i sistemima proizvodnje.
Pomozite nam da budemo bolji.
