Detektywi roślin i inżynierowie z University of Florida wykorzystują sztuczną inteligencję do wczesnego wykrywania choroby, aby hodowcy, którzy produkują dynię letnią, mogli ją kontrolować. Wczesne wykrycie daje rolnikom szansę na lepsze plony.
Dynia letnia i zimowa uprawiana jest komercyjnie w całym stanie, szczególnie w południowo-wschodniej i południowo-zachodniej Florydzie. W 2019 r. plantatorzy z Florydy zebrali 7,700 akrów dyni o wartości produkcji 35.4 mln USD, jak podaje Krajowy Urząd Statystyczny Rolnictwa USDA. Ale mączniak prawdziwy, powszechny na całym świecie, może zmniejszyć plony.
„Idealnym środowiskiem do infekcji mączniaka prawdziwego jest wilgotna pogoda, gęste nasadzenia i cień” – powiedział Yiannis Ampatzidis, adiunkt UF/IFAS inżynierii rolniczej i biologicznej oraz współautor nowe badanie dotyczące wczesnego wykrywania mączniaka prawdziwego, opublikowane w czasopiśmie Biosystems Engineering.
Na potrzeby badań naukowcy z UF/IFAS wykorzystali system czujnikowy przymocowany do dronów, aby zebrać dane spektralne mączniaka prawdziwego na letniej dyni na polach i laboratoriach Centrum Badawczo-Edukacyjnego UF/IFAS na południowym zachodzie Florydy.
Naukowcy z UF/IFAS wykorzystali technologię, która nie opiera się na objawach wizualnych do wykrywania mączniaka prawdziwego, powiedział Ampatzidis. Ludzkie oczy widzą tylko jasną część widma elektromagnetycznego. Ta technologia może „widzieć” więcej. Dlatego naukowcy wykorzystali to badanie do zidentyfikowania najlepszych długości fal do wczesnego wykrywania mączniaka prawdziwego – na liściach, które albo nie miały objawów, albo wykazywały wczesne objawy.
Naukowcy wykorzystali uczenie maszynowe – podzbiór sztucznej inteligencji – który może „uczyć się” na podstawie danych spektralnych w celu wykrywania mączniaka prawdziwego. Dane pochodziły z dronów i naziemnych systemów czujnikowych. Wyszkolony model uczenia maszynowego zidentyfikował mączniaka prawdziwego na różnych etapach rozwoju choroby, powiedział Ampatzidis. System uczenia maszynowego buduje model matematyczny do wykrywania mączniaka prawdziwego bez zaprogramowania przez człowieka wykonywania określonych kroków.
Dzięki zdjęciom i analizie spektralnej odbicia liści dyni naukowcy wykryli puder w około 95% przypadków. W rzeczywistości, nawet bez widocznych objawów choroby, technologia wykazała naukowcom chorobę w 82% do 89% przypadków.
„Konieczne jest wczesne rozpoznanie mączniaka prawdziwego, ponieważ choroba rozprzestrzenia się szybko, a zmiany powiększają się, tworząc zakurzoną białą lub szarą powłokę” – powiedział Ampatzidis, doradca wydziałowy Jaafara Abdulridhy, badacza podoktoranckiego UF / IFAS, który kierował badania.
Pamela Roberts, profesor patologii roślin UF/IFAS, potrzebuje danych od inżynierów takich jak Ampatzidis, aby pomóc jej znaleźć choroby na najwcześniejszych etapach. Porównuje to do wczesnego wykrywania chorób człowieka.
„Wczesne wykrycie jakiegokolwiek problemu zdrowotnego, czy to u ludzi, czy u roślin, daje największą szansę na kontrolowanie go poprzez wczesną interwencję” – powiedział Roberts, współautor badania. „Podobnie choroby roślin można łatwiej kontrolować na początku, gdy populacja patogenów jest niska, w porównaniu z późniejszą epidemią”.
„Ponadto, ta technologia może faktycznie zmniejszyć użycie sprayów chemicznych, eliminując aplikacje, które można by wykonać, zanim faktycznie pojawi się jakakolwiek choroba do opanowania” – powiedziała. „Ponieważ mączniak prawdziwy jest chronicznym problemem dyni w południowo-zachodniej Florydzie, pozostaje tylko pytanie, kiedy, a nie czy, choroba się pojawi. Dokładny czas stosowania fungicydów, zarówno w rolnictwie konwencjonalnym, jak i ekologicznym, może zwiększyć skuteczność produktu i zmniejszyć straty”.
Głównymi objawami mączniaka prawdziwego są białe plamy lub plamy, zwykle na liściach. Rozpoznanie mączniaka prawdziwego we wczesnych stadiach infekcji jest trudne ze względu na objawy występujące na niższych, bardziej dojrzałych liściach, które często są pokryte innymi liśćmi.
„W skrócie, choroba może zmienić właściwości liści i wpłynąć na ilość światła odbijanego od liści w obszarach poza spektrum widzialnym, których ludzie nie mogą zobaczyć” – powiedział Ampatzidis.
- Brad Buck, Uniwersytet Florydy