Модель машинного обучения показала влияние публичной селекции на урожайность риса в условиях изменения климата

Изменение климата, экстремальные погодные явления, беспрецедентные температурные рекорды и повышение кислотности океанов затрудняют прогнозирование долгосрочной судьбы современных сортов сельскохозяйственных культур.

В статье, опубликованной в Proceedings of the National Academy of Sciences, Дайан Ван, доцент кафедры агрономии Университета Пердью, и её научный сотрудник Саджад Джамшиди сообщили о разработанной ими прогностической модели, которая использует алгоритмы машинного обучения для предсказания влияния изменения климата на урожайность риса.

Их работа была выполнена в сотрудничестве с исследователями из Корнеллского университета и Национального исследовательского центра риса Дейла Бамперса.

Суть модели и её значение

США входят в пятерку крупнейших экспортеров риса, что делает его производство в нескольких южных штатах важным для мирового продовольствия. Модель Ван и Джамшиди закладывает основу для прогнозов с использованием искусственного интеллекта для риса и других культур, потенциально помогая сельскому хозяйству совершенствовать методы селекции там, где сорта наиболее уязвимы к изменению климата.

Ключевой вывод

С помощью этой модели команда обнаружила, что современные сорта риса, вероятно, будут проявлять себя «менее плохо», чем старые сорта, в будущем, затронутом изменением климата. Публичные селекционные программы, например, на базе университетов, в значительной степени стоят за успехом современного риса.

Разработка новых сортов расширила генофонд американского риса, одновременно включив в него конкретные целевые признаки. Это исследование подчеркивает важность исторического и текущего вклада этих публичных селекционных программ.

Как создавалась модель

Рис имеет относительно небольшой геном по сравнению с другими культурами. Это, а также доступность исторических данных и семян старых сортов сделали его идеальной системой для разработки прогностической модели.

Команда получила исторические данные о температуре и погоде, а также, по словам Ван, «счастливую находку в виде отчётов о площадях сортов». С 1970-х годов штаты дельты Миссисипи, выращивающие рис на юге США, фиксировали, какой сорт риса и в какой пропорции выращивался на уровне округа. Многие из этих отчётов были предоставлены команде в виде печатных документов.

Затем группа получила семена старых сортов риса, которые больше не выращиваются широко, от коллег из центра Дейла Бамперса. Эти сорта были проанализированы на генетическом уровне, и Ван с коллегами сгруппировали сорта на основе общих аллелей (вариантов генов). Они преобразовали информацию из отчётов о площадях в «наборы аллелей» на уровне округа, а затем обучили модели машинного обучения, используя группы аллелей, данные об урожайности по округам и исторические данные об окружающей среде (температура, осадки).

Инновационный подход

Подход Джамшиди к построению этой модели особенно нов, потому что итоговая модель объединяет 10 методов машинного обучения в ансамблевую модель, которая может обрабатывать информацию более многогранно. Результаты ансамблевой модели являются более точными при использовании тех же предикторов.

Будущие направления

Это исследование не только предоставляет основу для построения моделей для других культур, но и открывает новое направление. Проведение физических экспериментов по выращиванию как старых, так и современных сортов риса в прогнозируемых условиях может служить дополнительной оценкой модели, а также дать подсказки о генетических и физиологических причинах разницы в устойчивости между группами сортов.

Как отмечает Ван, такие прогнозы — лишь первый шаг. Модель дала возможные исходы, но теперь необходимы последующие эксперименты, чтобы понять лежащие в их основе механизмы.