در این استراتژی با توسعه پهپادهای یادگیرنده میتوان علاوه بر اندازهگیری میزان شیوع بیماری BB، به بررسی ژنهای مقاوم نیز پرداخت. محققان دو سایت آزمایشی را در استان ژجیانگ چین راهاندازی کردند که در آن بیش از 60 نوع برنج را با مقاومتهای متفاوت در برابر پاتوژن زانتوموناس کشت دادند. محققان از مزارع کشت برنج با استفاده از پهپادهایی که مجهز به دوربینهای معمولی و چند طیفی بودند، در مراحل مختلف توسعه گیاه برنج تصویربرداری کردند.
همانطور که نتایج نشان میدهد، استراتژی کلی که در این مطالعه به کار رفته است میتواند به صرفه جویی در زمان واقعی انجام تحقیقات بر روی بیماریهای کشاورزی تبدیل شود. نتیجهگیری دکتر فنگ این گونه است که در مقایسه با پایش مستقیم شدت بیماریهای کشاورزی، تکنیکهای سنجش از راه دور توسط پهپاد ما را قادر میسازد تا اطلاعات فنوتیپی در مقیاس بزرگ را به سرعت جمعآوری کنیم، و مهمتر از همه، در حالی که این رویکرد به طور خاص برای برنج و BB توسعه یافته است، میتواند با سایر محصولات و بیماریها نیز سازگار شود.
به منظور آموزش هوش مصنوعی، محققان تصاویر گرفته شده توسط پهپادها را با دادههای دمای انباشته در یک دوره معین ادغام کردند و یک مدل یادگیری عمیق (Deep Learning) برای ارزیابی شدت سوختگی برگهای برنج ایجاد کردند.
نکته مهمی که در مورد کشت گیاهان باید دانست، این است که هر گونه گیاهی برای رسیدن به مرحله پایانی رشد خود به دریافت میزان خاصی از درجه حرارت در طول فصل رشدش نیاز دارد که مجموع دماهای دریافتی در کل دوره رشد را دمای انباشته یا تجمعی (Accumulated temperature) میگویند. برای محاسبه میزان درجه حرارت تجمعی باید دمای مبنای گونه مورد مطالعه را بدانیم، دمای مبنا نیز عبارت است از دمایی که بالاتر از آن گونه گیاهی شروع به رشد میکند.
یکی از ثمربخشترین راهکارها برای کنترل بیماری (BB) و سایر بیماریها، پرورش برنجهایی با مقاومت ژنتیکی بالا است. با این حال، از آنجایی که پاتوژنها میتوانند به سرعت تکامل پیدا کنند، محققان باید به طور مداوم ژنهای جدیدی را که مقاومت ایجاد میکنند کشف کرده و سپس آنها را در نسلهای بعدی بکار ببرند. از این رو، محققان باید به طور منظم چندین گیاه برنج را در زمانهای مختلف سال نمونهبرداری کرده و پاسخ گیاه به عفونت باکتریایی را اندازهگیری کنند؛ که یک کار فشرده و زمانبر محسوب میشود.
دکتر زوپینگ فنگ گفت: خوشبختانه تا اینجای کار نتایج بدست آمده از هوش مصنوعی آموزشدیده بسیار امیدوار کننده بود؛ البته ما متوجه شدیم که در سایتهای مختلف با توجه به هزینه نمونه برداری میدانی، انتقال تنها 20 درصد از دادههای جدید برای بهروزرسانی مدلها و دستیابی به پیشبینیهای قابل اعتماد کافی است. در ادامه، به دنبال انجام نقشهبرداری مکان صفات کمی (Quantitative trait locus (QTL)) بودیم. نقشه برداری یک تجزیه و تحلیل آماری برای شناسایی نشانگرهای مولکولی (مانند SNPها یا AFLPها) است که منجر به تغییر کمی یک صفت خاص میشود.
نتیجه بر اساس رای موافق و رای مخالف