Οι δυνατότητες της τηλεπισκόπησης...
Από RemoteSensing Wiki
Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της ανθεκτικότητας των συστημάτων γεωργικής παραγωγής
Πρωτότυπος τίτλος: The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems
Συγγραφείς: Jinha Jung, Murilo Maeda, Anjin Chang, Mahendra Bhandari, Akash Ashapure και Juan Landivar-Bowles
Δημοσιεύθηκε: 7 Οκτωβρίου 2020 (Current Opinion in Biotechnology 2021)
Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.copbio.2020.09.003
Εισαγωγή
Τα σύγχρονα συστήματα γεωργικής παραγωγής και εφοδιασμού τροφίμων αντιμετωπίζουν αυξανόμενες προκλήσεις παγκοσμίως από την κλιματική αλλαγή, τη μείωση της παροχής νερού για άρδευση, την αύξηση του κόστους παραγωγής, τη συνολική μείωση του αγροτικού εργατικού δυναμικού και, πιο πρόσφατα, από μια πανδημία (COVID-19), απειλώντας την περιβαλλοντική και οικονομική βιωσιμότητα. Η επιστημονική πρόοδος οδήγησε σε μια καλύτερη κατανόηση του τρόπου με τον οποίο διάφορα στοιχεία του γεωργικού συστήματος αλληλεπιδρούν, από το κύτταρο έως το επίπεδο του πεδίου- αγρού. Παρά τις αλματώδεις προόδους στα γενετικά εργαλεία τις τελευταίες δεκαετίες, η αξιολόγηση με ακρίβεια της κατάστασης των καλλιεργειών σε μεγαλύτερη κλίμακα, απουσίαζε εμφανώς μέχρι πρότινος. Χάρη στις πρόσφατες εξελίξεις στον τομέα της Τηλεπισκόπησης και της Τεχνητής Νοημοσύνης (AI, Artificial Intelligence), είναι δυνατόν πλέον οι πληροφορίες σχετικά με τον φαινότυπο των φυτών να ποσοτικοποιηθούν με ακρίβεια σε μεγάλη κλίμακα, να αξιοποιηθεί αυτός ο όγκος των δεδομένων και τελικά να ενσωματωθεί σε εργαλεία πρόβλεψης. Τα δεδομένα αυτά είναι εύκολα προσβάσιμα μέσω της χρήσης Συστημάτων Μη Επανδρωμένων Αεροσκαφών (UAS, Unmanned Aircraft Systems). Αυτή η ανασκόπηση εστιάζει στη χρήση της τηλεπισκόπησης και της τεχνητής νοημοσύνης, καθώς και την ανάπτυξη εργαλείων που απαιτούνται για τη βελτίωση των γεωργικών συστημάτων. Τα Συστήματα Μη Επανδρωμένων Αεροσκαφών (UAS) ως θεμέλιο για την ψηφιακή γεωργία Τα φυτά συνδυάζουν τη γενετική (G, genetics) με το περιβάλλον τους (E, environments) ανταποκρινόμενα στις φυσικές και χημικές ιδιότητες του εδάφους, στη διαθεσιμότητα της υγρασίας, σε βιοτικούς και αβιοτικούς παράγοντες, καθώς και στις πρακτικές διαχείρισης (M, management practices). Από αυτή την άποψη, τα φυτά μπορούν να χρησιμεύσουν ως βιολογικοί ανιχνευτές πεδίου που μπορούν να αξιολογηθούν από αισθητήρες επί των UAS. Τα UAS εξοπλισμένα με κατάλληλους αισθητήρες μπορούν να μετρήσουν τη χρονική πορεία της ανάπτυξης των φυτών με ακρίβεια, γρήγορα και οικονομικά. Αυτά τα σχετικά οικονομικά συστήματα επιτρέπουν επίσης τη συλλογή δεδομένων χωρικής και υψηλής χρονικής ανάλυσης, που προηγουμένως δεν ήταν διαθέσιμα μέσω συμβατικών αερομεταφερόμενων και πλατφορμών τηλεπισκόπησης. Λόγω των πιθανών πλεονεκτημάτων, οι ερευνητές έχουν διερευνήσει τη χρήση UAS δεδομένων για την αξιολόγηση των φαινοτυπικών χαρακτηριστικών των φυτών σε επίπεδο πεδίου- αγρού, καθώς και για να παρακολουθήσουν τις ασθένειες των καλλιεργειών, να χαρτογραφήσουν τα ζιζάνια και να εκτιμήσουν τη βιομάζα και την απόδοση. Ακόμη τα δεδομένα υψηλής χρονικής ανάλυσης μπορούν να χρησιμοποιηθούν για την εκτίμηση των παραμέτρων των καλλιεργειών όπως το ύψος και η κάλυψη των υπέργειων τμημάτων (canopy) των καλλιεργειών, οι δείκτες βλάστησης, η επιλογή γονοτύπων και η πρόβλεψη για την απόδοση των καλλιεργειών. Ιδιαίτερα σημαντική είναι η συλλογή/επεξεργασία και ερμηνεία των δεδομένων, καθώς και η ποιότητα αυτών κατά την ανάπτυξη εφαρμογών για τη διασφάλιση της ακρίβειας των μοντέλων πρόβλεψης. Τα UAS βασιζόμενα σε συστήματα φαινοτύπου υψηλής απόδοσης (HTP, High Throughput Phenotyping) έχουν τρομερή επιρροή στον ταχέως εξελισσόμενο τομέα της Τεχνητής Νοημοσύνης (AI). Εκτός από την ποιότητα των μη επεξεργασμένων δεδομένων, όταν χρησιμοποιείται ένας μεγάλος όγκος δεδομένων για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, έχει αποδειχθεί ότι η απόδοση είναι εξαιρετική ακόμη και όταν εμπλέκονται δεδομένα με θόρυβο, γεγονός που υποδηλώνει ότι ο όγκος των δεδομένων εκπαίδευσης είναι απαραίτητος για την ανάπτυξη μοντέλων τεχνητής νοημοσύνης για γεωργικές εφαρμογές. Επιπλέον, προσφέρονται εμπορικά γεωργικά εργαλεία που βασίζονται σε τεχνητή νοημοσύνη.
Γεφύρωση του χάσματος μεταξύ γονιδιώματος και φαινοτύπου με UAS
Οι μελέτες συσχέτισης σε επίπεδο γονιδιώματος (GWAS, Genome-Wide Association Studies) έχουν επίσης χρησιμοποιηθεί για τον εντοπισμό γονιδίων- δεικτών που συνδέονται με συγκεκριμένες περιοχές του DNA (QTL, Quantitative Trait Loci) για κάποιο φαινοτυπικό χαρακτηριστικό, για διάφορα γνωρίσματα που προκαλούνται από ασθένειες. Για την πλήρη αξιοποίηση των δυνατοτήτων των γονιδιωματικών εργαλείων για τη βελτίωση των καλλιεργειών, απαιτούνται ακριβείς φαινοτυπικές μετρήσεις, ειδικά σε επίπεδο αγρού- πεδίου. Οι πρόσφατες εξελίξεις στα UAS μπορούν να παρέχουν ακριβή και αξιόπιστα δεδομένα για το φαινότυπο. Για παράδειγμα, οι Condorelli et al. και Shokat et al. έδειξαν ότι οι GWAS των δεικτών βλάστησης (NDVI, Normalized Difference Vegetation Index), θα μπορούσαν να βοηθήσουν στον εντοπισμό των QTL περιοχών που μπορούν να χρησιμοποιηθούν για την ενίσχυση της ανθεκτικότητας στην ξηρασία στο σιτάρι.
Ψηφιακή γεωργία: συνδυασμός τηλεπισκόπησης, μοντέλων προσομοίωσης και τεχνητής νοημοσύνης (AI)
Η εκτεταμένη χωρική κάλυψη από τα UAS εξακολουθεί να μην είναι εφικτή επί του παρόντος λόγω περιορισμένου χρόνου μπαταρίας και πτήσης. Επιπλέον, παρόλο που τα UAS έχουν χαμηλό λειτουργικό κόστος, το κόστος επεξεργασίας δεδομένων αυξάνεται καθώς ο όγκος των δεδομένων αυξάνεται εκθετικά κατά την κάλυψη μεγαλύτερων περιοχών. Τα ελεύθερα διαθέσιμα δορυφορικά δεδομένα, που παρέχουν μεγαλύτερη χωρική και χρονική ανάλυση, έχουν χρησιμοποιηθεί για την παρακολούθηση της βλάστησης και την εκτίμηση των αποδόσεων. Ωστόσο, έχει δοθεί περιορισμένη προσοχή στον τρόπο προσαρμογής τους για εφαρμογές γεωργίας ακριβείας κατάλληλης κλίμακας. Οι ουσιαστικές εξελίξεις στην τεχνολογία Machine Learning (ML) δημιουργούν μια μοναδική ευκαιρία για την ανάπτυξη μοντέλων πρόβλεψης με ακρίβεια σε μεγάλη κλίμακα και με προδιαγραφές. Τα μοντέλα προσομοίωσης καλλιεργειών χρησιμοποιούν μεταβλητές εισόδου όπως πληροφορίες διαχείρισης καλλιεργειών, καιρικές συνθήκες και δεδομένα εδάφους για την εκτίμηση της παραγωγικότητας των καλλιεργειών και έχουν γίνει ισχυρά εργαλεία για τη συσχέτιση της φυσιολογίας, της γενετικής και των επιστημών που ασχολούνται με το φαινότυπο (phenomics).
Συμπεράσματα και προοπτικές
Η ανάπτυξη πρακτικών βιώσιμης διαχείρισης των καλλιεργειών αποτελεί κεντρικό θέμα στη γεωργική έρευνα εδώ και δεκαετίες. Ενώ τα συστήματα γεωργίας και παραγωγής τροφίμων έχουν εξελιχθεί σημαντικά, οι συνεχιζόμενες τεχνολογικές εξελίξεις αποτελούν μια μοναδική ευκαιρία για την αντιμετώπιση των προκλήσεων. Τα UAS που βασίζονται σε HTP έχει αποδειχθεί ότι είναι μια ακριβής και αξιόπιστη πλατφόρμα για την ποσοτικοποίηση φαινοτυπικών πληροφοριών σε κλίμακα πεδίου- αγρού, και μπορούν επίσης να συσχετιστούν με τις GWAS ακόμη και για να επιταχύνουν τους κύκλους ανάπτυξης σε πολλές καλλιέργειες. Πρωτοποριακές έρευνες σχετικά με τα συστήματα UAS που βασίζονται σε HTP με μοντέλα τηλεπισκόπησης, τεχνητής νοημοσύνης και προσομοίωσης καλλιεργειών για να αναπτύξουν εφαρμογές ψηφιακής γεωργίας μεγάλης περιοχής- κλίμακας. Με τη διεπιστημονικότητα στους κλάδους των βιολογικών και περιβαλλοντικών επιστημών και της επιστήμης των υπολογιστών, είναι δυνατόν να αντιμετωπιστούν τα διάφορα προβλήματα.
Συντομογραφίες
- UAS: Unmanned Aircraft Systems
- HTTP: High Throughput Phenotyping
- AI: Artificial Intelligence, Τεχνητή Νοημοσύνη
- VIs: Vegetation Indices, Δείκτες Βλάστησης
- NDVI: Normalized Difference Vegetation Index
- GPS: Global Positioning System, Παγκόσμια Σύστημα Εντοπισμού Θέσης
- DSM: Digital Surface Model
- NGS: Next-generation sequencing
- GWAS: Genome-Wide Association Studies
- QTL: Quantitative Trait Loci
- ML: Machine Learning
