Глаза в небе: Использование дронов для оценки тяжести болезней сельскохозяйственных культур

Рис — одна из важнейших культур в мире и основной источник пищи для более чем половины населения Земли. Защита рисовых плантаций от болезней — важнейшая задача современного сельского хозяйства. Среди множества патогенов, поражающих рис, бактерия Xanthomonas oryzae, вызывающая бактериальный ожог (BB), является одним из самых опасных. Ежегодно из-за BB теряется урожай на сотни миллионов долларов, и миллионы тратятся на профилактику и исследования.

Одна из самых эффективных стратегий борьбы с BB — выращивание генетически устойчивых сортов. Однако, поскольку патогены быстро эволюционируют, исследователям приходится постоянно искать новые гены устойчивости. Это требует регулярного ручного отбора проб и оценки реакции растений на инфекцию — трудоемкий и длительный процесс.

В недавнем исследовании, опубликованном в Plant Phenomics, группа под руководством доктора Сюпина Фэна из Чжэцзянского университета (Китай) разработала инновационную стратегию, сочетающую дроны и машинное обучение для оценки вспышек BB в полевых условиях и поиска потенциальных генов устойчивости.

Методология: дроны, данные и глубокое обучение

Исследователи создали две экспериментальные площадки в провинции Чжэцзян, где выращивали более 60 сортов риса с разной устойчивостью к BB. Используя беспилотные летательные аппараты (БПЛА, дроны), оснащенные обычными и мультиспектральными камерами, они снимали посевы на разных стадиях развития растений. Эти изображения с БПЛА были объединены с данными о накопленной температуре (AT) и использованы для обучения модели глубокого обучения для оценки тяжести BB.

Объединение данных AT с изображениями с БПЛА, сделанными на разных стадиях роста, было уникальной стратегией этого исследования. Команда обнаружила, что этой информации достаточно для точного прогнозирования тяжести BB моделью.

Эффективный перенос модели между площадками

Исследователи также проверили, может ли модель, обученная на данных с одной площадки, быть дообучена с помощью небольшого набора данных с другой площадки для улучшения прогнозов на последней. Результаты оказались многообещающими. Как отмечает доктор Фэн: «Учитывая стоимость полевого отбора проб, мы обнаружили, что перенос всего 20% новых данных является полезной и экономически эффективной стратегией обновления модели для получения надежных прогнозов тяжести BB на разных площадках».

Применение для картирования QTL

Затем исследователи использовали этот новый метод для эффективного измерения тяжести BB с помощью БПЛА, чтобы провести картирование локусов количественных признаков (QTL).

«QTL отмечают место в геноме, где ген контролирует конкретные количественные признаки, такие как восприимчивость к болезни. Сопоставление QTL с реакцией культуры на стресс от патогена может помочь селекционерам определить функции или признаки культуры, которые контролирует данный набор QTL», — объясняет доктор Фэн.

В этом исследовании команда определила тяжесть заболевания BB косвенно, используя изображения с БПЛА, и объединила эту информацию с результатами генетического анализа множества образцов риса, взятых на разных стадиях роста и от разных сортов. С помощью этого подхода исследователям удалось обнаружить как ранее идентифицированные QTL, связанные с устойчивостью к BB, так и три новых.

Выводы и перспективы

Представленная стратегия может значительно сэкономить время в исследованиях сельскохозяйственных болезней. «По сравнению с ручными измерениями тяжести заболевания, методы дистанционного зондирования с БПЛА позволяют нам быстро собирать крупномасштабную фенотипическую информацию, что обеспечивает техническую поддержку для ускорения селекционных исследований», — заключает доктор Фэн. Хотя подход был разработан и протестирован специально для риса и BB, его можно адаптировать и для других культур и болезней.