В США промышленные поля томатов и перца столкнулись с масштабным кризисом — нашествием западного цветочного трипса (Frankliniella occidentalis). Этот крошечный вредитель стал настоящим проклятием для американских фермеров. Он не просто портит внешний вид плодов, оставляя на них рубцы, но и переносит смертельный для пасленовых вирус пятнистого увядания томатов (TSWV), способный полностью уничтожить плантации.
Чтобы решить эту проблему, исследователи из Texas A&M AgriLife Research (кафедра энтомологии Техасского университета A&M) обратились к технологиям искусственного интеллекта. Результаты их работы были опубликованы в научном журнале Ecological Informatics.
Ученые создали и обучили модели машинного обучения, которые анализируют погодные данные в реальном времени (температуру, влажность, осадки) и сопоставляют их с циклами размножения трипсов. Модель способна с точностью более 90% прогнозировать вспышки популяции вредителя на 7–14 дней вперед.
Как объяснил ведущий исследователь Киран Гадхав: «Если мы видим увеличение риска появления вредителей хотя бы на неделю раньше — это меняет абсолютно всё. Точное и раннее прогнозирование рисков позволяет сместить стратегию управления: вместо запоздалого реагирования на уже нанесенный ущерб фермеры могут принимать упреждающие, точечные меры».
До появления ИИ-прогнозов американские фермеры использовали стандартный набор методов, который регулярно давал сбои:
- Химическая атака (пестициды): поля массово обрабатывали агрохимическими инсектицидами, однако, западный цветочный трипс обладает уникальной биологической адаптивностью и феноменальной скоростью размножения. Он быстро вырабатывает генетическую устойчивость (резистентность) к любым классам химикатов. Сегодня у многих популяций трипса в США выработался иммунитет даже к современным препаратам (например, на основе спинетоpама). Кроме того, личинки и взрослые особи трипса — мастера маскировки. Они прячутся глубоко внутри нераскрывшихся цветочных бутонов, пазух листьев и складок плодов. Химический раствор при стандартном распылении просто не проникает в эти укрытия.
- Светоотражающая мульча и физические барьеры: фермеры укрывали междурядья специальной серебристой пластиковой пленкой, которая дезориентирует трипсов отраженным светом и мешает им садиться на кусты. Это отличная превентивная мера, но когда популяция вредителя уже разрослась, пленка бессильна. Трипсы начинают активно мигрировать с соседних сорняков и дикорастущих растений-хозяев.
Как ИИ меняет правила игры?
Главная проблема традиционного контроля заключалась в том, что аграрии выезжали с опрыскивателями в поле, когда трипс уже массово атаковал растения.
Получая от нейросети предупреждение за неделю до вспышки, американские фермеры теперь могут использовать интегрированную защиту. Они успевают вовремя выпустить на грядки естественных врагов трипса — хищных клещей и клопов рода Orius, или применить щадящие биорациональные препараты (например, на основе бактерий Burkholderia rinojensis). Эти методы работают на упреждение, уничтожая личинок до того, как они успеют нанести урожаю непоправимый вред или разнести вирус по всему полю.
Команда проанализировала данные примерно из 1700 жёлтых липких ловушек, которые еженедельно устанавливались на открытых полях и в производственных системах в высоких туннелях для помидоров и перца. Эти данные были объединены с до 16 экологическими переменными, включая температуру, влажность, скорость и направление ветра, а также количество осадков и размер популяции, зарегистрированный 14 дней назад.
Модели машинного обучения предсказывали популяции трипсов в открытых местах с точностью, близкой к 88%, и достигали около 85% точности в высоких туннелях.
«ИИ представляет собой мощный вклад в наше моделирование, потому что позволяет одновременно анализировать гораздо больше переменных окружающей среды и биологии и выявлять закономерности, которые мы раньше просто не замечали. Это исследование показало, что мы можем делать очень точные локальные прогнозы развития вредителей», — сказал Гадхав.
Ученые также пришли к выводу, что точность моделей снижается, когда одни и те же параметры применялись одновременно к открытым полям и высокотоннельным системам на одном и том же участке. Для исследователей этот результат показывает, что микроклиматы функционируют как отдельные экосистемы для вредителей, даже если производственные участки расположены рядом.
«Особенно заметно, как быстро модели перестали работать между разными системами. Даже соседние поля вели себя как разные экосистемы, что говорит нам о том, что динамика вредителей фундаментально формируется микроклиматом», — сказал Гадхав.
Размер популяции, существовавшей двумя неделями ранее, был определен как один из основных прогнозных параметров в обеих производственных системах. Когда трипсы уже присутствовали в этот период, риск тяжёлой вспышки значительно увеличивался. Температура стала вторым по значимости фактором, а ветер и влажность влияли на расселение и эволюцию популяций.
По словам Кирана Гадхаве, использование моделей ИИ для прогнозирования локализованной динамики популяций вредителей может применяться к разным культурам, вредителям и региональным микроклиматам. Для исследователя современные инструменты прогнозирования вредителей и болезней могут изменить способы мониторинга и защиты сельскохозяйственных культур.
«Это доказательство того, что сельскохозяйственные инструменты на базе ИИ не являются футуристическими. Они уже существуют, и ученые в AgriLife Research хорошо подготовлены для руководства их разработкой и применением на местах, где они могут принести пользу производителям», — заключил исследователь.
