Фото: із відкритих джерел
Моделі машинного навчання, навчені на даних із жовтих клейових пасток і погодних показниках, змогли точніше за традиційні підходи прогнозувати зростання чисельності західного квіткового трипса. Це може дати виробникам додатковий час для реагування ще до появи помітних пошкоджень у посівах.
Про це повідомляє сайт Аграрії разом з посиланням на Agropages.
Команда Texas A&M AgriLife Research повідомила про результати дослідження, в якому штучний інтелект застосували для прогнозування динаміки популяцій західного квіткового трипса (western flower thrips) — шкідника, що пошкоджує рослини під час живлення та переносить віруси. Роботу опублікували в журналі Ecological Informatics.
Дослідження очолив ентомолог Кіран Гадхаве (Kiran Gadhave) з Texas A&M AgriLife High Plains Research and Extension Center (Canyon). До роботи також долучилися постдок-дослідник Аріндер Арора (Arinder Arora) та фітопатолог Нолан Андерсон (Nolan Anderson) з того ж центру.
«If we can see pest risk building even a week earlier, that changes everything. Accurately predicting risks sooner shifts management from reacting to damage to staying ahead of it», — зазначив Кіран Гадхаве.
Як збирали дані та що враховували в моделях
За даними авторів, традиційні підходи до прогнозування шкідників у виробничих умовах часто спираються на обмежений набір параметрів — зокрема температуру, вологість і поточну чисельність шкідника — і не завжди достатньо точно відображають реальний ризик спалаху.
У цьому дослідженні використали польові спостереження на Texas A&M AgriLife Research Station у Bushland. Команда проаналізувала дані з майже 1 700 жовтих клейових пасток, які щотижня розміщували у двох типах систем вирощування — у відкритому ґрунті та у високих тунелях (high tunnel) — на томатах і перці.
Підрахунки з пасток поєднали з набором до 16 змінних довкілля, серед яких: температура, вологість, швидкість і напрям вітру, опади. Окремо враховували розмір «батьківської популяції» (parent population), зафіксованої 14 днів до цього.
«AI represents a powerful addition to our modeling because it allows us to analyze many more environmental and biological variables simultaneously and uncover patterns we simply could not see before», — пояснив Кіран Гадхаве.
Точність прогнозу та роль мікроклімату
Моделі машинного навчання показали високу точність прогнозування розвитку популяції трипса: у відкритому ґрунті — майже 88%, у високих тунелях — близько 85%.
Водночас, за словами дослідників, точність різко знижувалася, коли модель намагалися застосувати одночасно до відкритого ґрунту й високих тунелів навіть в одній локації. Це підкреслює, що мікроклімат формує різні «екосистеми» для шкідника, навіть якщо ділянки розташовані поруч.
«What stood out was how quickly models broke down across the different systems. Even neighboring fields behaved like different ecosystems, which tells us pest dynamics are fundamentally shaped by microclimate», — додав Гадхаве.
Що найбільше впливало на ризик спалаху
У двох системах вирощування ключовим параметром, пов’язаним зі спалахами, виявився розмір «батьківської популяції». Якщо трипси були присутні двома тижнями раніше, ризик сильного спалаху, за висновками авторів, суттєво зростав. Наступним за значущістю фактором була температура, а вітер і вологість впливали на те, як популяції поширюються та нарощуються.
Що це означає для виробників
Західний квітковий трипс у матеріалі названо «supervector» через здатність переносити віруси: навіть невеликі популяції можуть призводити до значних втрат урожаю після старту передачі вірусів. Тому точніший локальний прогноз, за логікою дослідження, може допомогти виробникам раніше помічати наростання ризику та планувати захисні заходи до того, як пошкодження стануть очевидними.
Автори також зазначають потенціал підходу для застосування на інших культурах, проти інших шкідників і в різних регіональних мікрокліматах.