Машинное обучение предлагает аграриям новый инструмент для прогнозирования расхода воды растениями

Новое исследование показывает, что модели машинного обучения могут точно предсказывать суточную транспирацию сельскохозяйственных культур, используя прямые измерения растений и данные об окружающей среде. Обучив модели на семилетних высокоточных данных с лизиметров, исследователи продемонстрировали высокую эффективность для томатов, пшеницы и ячменя. Результаты указывают на будущие инструменты, которые могут помочь как в управлении орошением, так и в раннем обнаружении стресса у растений.

Исследование Еврейского университета в Иерусалиме демонстрирует метод машинного обучения для ежедневного прогнозирования расхода воды растениями. В основе — данные о естественном поведении здоровых растений.

В исследовании, совместно проведённом Шани Фридман и Ниром Авербухом под руководством профессора Менахема Мошелиона, использовались семь лет непрерывного мониторинга томатов, пшеницы и ячменя в полукоммерческих теплицах. С помощью высокоточных лизиметров на тензодатчиках, фиксирующих малейшие изменения веса растения, команда получила точные данные о суточной транспирации — испарении воды через листья, отражающем водопотребление.

Модели, такие как Random Forest и XGBoost, показали возможность надёжного прогнозирования транспирации на основе условий среды и характеристик растений. В независимых тестах модель XGBoost достигла значения R² = 0.82, близко соответствуя измеренной транспирации даже в других климатических условиях и на внешних объектах. Хотя модели пока зависят от данных о весе с лизиметров — технологии, не типичной для полей, — это важный концептуальный шаг к инструментам прогнозирования на основе состояния растений.

Исследование опубликовано в журнале Plant, Cell & Environment.

Два фактора оказались особенно важными: биомасса растения и суточная температура. «Эти переменные постоянно определяли, сколько воды потребляли растения», — сказала Фридман. «Понимание того, как должно вести себя здоровое, хорошо орошаемое растение в конкретный день, также позволяет нам обнаружить, когда что-то идёт не так».

Поскольку модель предсказывает, что должно делать здоровое растение, неожиданные изменения в транспирации могут служить ранним признаком стресса, вызванного засухой, засолением, болезнью, повреждением корней или другими факторами. «Если растение ведёт себя иначе, чем предсказывает модель, это отклонение может быть индикатором ненормального или нездорового поведения», — добавила Фридман.

Авербух, чья работа сосредоточена на точном орошении, подчеркнул долгосрочный потенциал. «Сегодня многие решения по орошению всё ещё основываются на косвенных оценках, — пояснил он. — Хотя эта модель ещё не готова для полевого применения, результаты показывают, как будущие системы могут включать физиологические прогнозы для поддержки более точного планирования полива».

Исследование появляется в период растущего интереса к сельскому хозяйству, основанному на данных, особенно когда аграрии сталкиваются с усилением засух, волн жары и изменчивой погоды. Хотя подход ещё не является практическим решением для ферм, он даёт представление о том, как машинное обучение, экологический мониторинг и физиология растений могут в будущем объединиться в инструменты для управления орошением и диагностики стресса.

Важно, что модель хорошо показала себя при тестировании на растениях, выращенных в другой исследовательской теплице в Тель-Авивском университете, что говорит о потенциальной адаптивности подхода к разным климатам и условиям производства.

Для аграриев вывод ясен: машинное обучение становится больше, чем модным словом. В ближайшем будущем прогностические модели на основе реального поведения растений могут помочь раньше выявлять стресс, принимать более обоснованные решения по использованию воды и повышать устойчивость культур.