Новое исследование показывает, что модели машинного обучения могут точно прогнозировать суточную транспирацию сельскохозяйственных культур, используя прямые измерения растений и данные об окружающей среде. Обучив модели на данных лизиметров высокого разрешения за семь лет, исследователи продемонстрировали высокую эффективность на примере томатов, пшеницы и ячменя. Полученные результаты указывают на перспективность инструментов, которые могут помочь как в управлении орошением, так и в раннем выявлении стресса у растений.
Когда дело доходит до полива, разница между «достаточным» и «избыточным» количеством воды может решить судьбу всего сезона. Новое исследование Еврейского университета в Иерусалиме указывает на перспективное направление: метод машинного обучения, который прогнозирует потребление воды растениями каждый день, используя данные высокого разрешения, отражающие естественное поведение здоровых растений.
Исследование, проведенное совместно первыми авторами Шани Фридман и Ниром Авербухом под руководством профессора Менахема Мошелиона, объединяет результаты семилетнего непрерывного мониторинга растений томата, пшеницы и ячменя, выращиваемых в полупромышленных теплицах. Используя высокоточную лизиметрическую систему с датчиком нагрузки — технологию, регистрирующую незначительные изменения веса растений, — команда получила высокоточные измерения суточной транспирации, испарения воды через листья, отражающего потребление воды растением.
В ходе исследования было показано, что, используя данные измерений в таких моделях, как Random Forest и XGBoost, машинное обучение может надежно прогнозировать суточную транспирацию на основе условий окружающей среды и характеристик растений. В независимых тестах модель XGBoost достигла коэффициента детерминации R² равным 0,82, что точно соответствует измеренной транспирации даже в различных климатических условиях и на открытых площадках. Хотя в настоящее время модели основаны на данных о весе, полученных с помощью лизиметров — технологии, которую фермеры обычно не используют в полевых условиях, — они подчеркивают важный концептуальный шаг к созданию инструментов прогнозирования, основанных на данных о растениях.
Результаты исследования опубликованы в журнале Plant, Cell & Environment.
Два фактора оказались особенно важными: биомасса растений и суточная температура. «Эти переменные неизменно влияли на количество воды, потребляемой растениями. Понимание того, как должно вести себя здоровое, хорошо орошаемое растение в тот или иной день, также позволяет нам выявлять отклонения от нормы», — сказал Фридман.
Поскольку модель предсказывает, как должно вести себя здоровое растение, неожиданные изменения в транспирации могут служить ранними признаками стресса, вызванного засухой, засолением, болезнями, повреждением корней или другими факторами окружающей среды. «Если растение ведет себя иначе, чем предсказывает модель, это отклонение может указывать на аномальное или нездоровое поведение растения», — добавил Фридман.
Авербух, чья работа посвящена точному орошению, подчеркнул долгосрочный потенциал. «Сегодня многие решения об орошении по-прежнему принимаются на основе косвенных оценок. Хотя эта модель еще не готова к полевым испытаниям, полученные результаты показывают, как будущие системы могут включать физиологические прогнозы для более точного планирования орошения», — пояснил он.
Исследование проводится в период растущего интереса к сельскому хозяйству, основанному на данных, особенно в условиях растущего давления на фермеров из-за засухи, жары и изменчивых погодных условий. Хотя этот подход пока не является практическим решением для фермерских хозяйств, он дает представление о том, как машинное обучение, мониторинг окружающей среды и физиология растений могут в конечном итоге объединиться в инструменты, поддерживающие как управление орошением, так и диагностику стресса.
Важно отметить, что модель показала хорошие результаты при тестировании на растениях, выращенных в другой исследовательской теплице Тель-Авивского университета, что позволяет предположить, что данный подход может адаптироваться к различным климатическим условиям и производственным установкам.
Для фермеров вывод очевиден: машинное обучение становится чем-то большим, чем просто модным словом. В ближайшем будущем прогностические модели, основанные на реальном поведении растений, могут помочь выявлять стресс на ранних стадиях, принимать более взвешенные решения по водопотреблению и повышать устойчивость сельскохозяйственных культур.
Источник: Hebrew University of Jerusalem.
На фото - конфигурация системы лизиметра с датчиком нагрузки и теплицы. Источник: Plant, Cell & Environment (2025). DOI: 10.1111/pce.70222