Применение агродронов поможет цифровизовать процесс селекции новых сортов сельхозкультур
Цифровые технологии могут помочь селекционерам собирать данные намного быстрее и качественнее. За последние несколько лет в фенотипировании произошла инструментальная, техническая и технологическая революция. Чтобы обеспечить их лучшую оптимизацию в рамках CGIAR (глобального партнерства, объединяющего международные организации, занимающиеся исследованиями в области продовольственной безопасности), а также национальных программ селекции будут использоваться беспилотные летательные аппараты (БПЛА) Unmanned Aerial Vehicle (UAV) . Проект привел к разработке ключевых операционных процедур и модели для более централизованного подхода к внедрению технологии, сообщает сайт Agropages.com.
В проекте задействованы специалисты Международного центра по улучшению кукурузы и пшеницы (CIMMYT), Международного научно-исследовательского института сельскохозяйственных культур для полузасушливых тропиков (ICRISAT) и CGIAR Big Data.
Преимущества технологии
В процессе селекции растений ученым необходимо собрать много данных. Однако благодаря цифровому фенотипированию этот процесс можно ускорить, а главное повысить его эффективность и снизить затраты.
«Технические специалисты сталкиваются с практическими проблемами на местах при сборе данных», — говорит Собхан Сайджа, руководитель группы ICRISAT по улучшению урожая. – «Большие посевные площади требуют много времени для сбора данных вручную, что иногда приводит к искажению информации. Беспилотные летательные аппараты решают эту проблему».
Например, вместо физического осмотра участков, беспилотные летательные аппараты, оснащенные различными камерами и датчиками, могут собирать данные, просто пролетая над посевами. Спутниковые снимки и портативные устройства/смартфоны также можно использовать для ускорения сбора данных и обеспечения большей согласованности. Это означает, что измерение таких характеристик, как размер растения, время созревания или даже болезнь, может быть выполнено намного быстрее и с достаточной точностью. Это также облегчает включение важных черт, которые часто игнорируются из-за трудоемких процессов ручной оценки, таких как «сохраняемые черты».
Пробел в навыках цифрового фенотипирования
Однако применение этих технологий по-прежнему ограничен. Отчасти причина кроется в наборе навыков, необходимых для использования таких методов, и в разрыве в понимании между программами разведения и потенциальными поставщиками технологий.
Инициативная группа выявила два основных ограничения в использовании технологии визуализации с помощью агродронов.
Первая причина — это создание качественных изображений. Для каждого полета необходимы стандартные операционные процедуры (SOP) (включая рекомендации по техническим вопросам, таким как наземные контрольные точки, высота и скорость полета, минимальное перекрытие изображения). Если SOP не соблюдать, низкое качество видеоизображений не позволит получать достоверные данные.
Вторая причина — обработка изображений. Необходимо разработать систему анализа данных.
Чтобы решить эти проблемы и ускорить внедрение цифрового фенотипирования в программах разведения и NARES, инициативные группы решили объединить усилия и заключили соглашение о партнерстве с компанией Hiphen, разработчик системы по анализу изображений сельскохозяйственных культур.
Запуск инициативы по беспилотным летательным аппаратам
Для тестирования технологии была выбрана местность в Патанчеру в Индии, где можно было бы провести эксперимент с различными культурами: кукуруза, сорго, нут и горох.
Но реальные проблемы возникли накануне начала тестирования. Правительство Индии ввело в действие новые правила, запрещающие операторам управлять беспилотными летательными аппаратами до тех пор, пока они не смогут подтвердить свою квалификацию. На завершение этого процесса ушло несколько месяцев.
В ожидании одобрения команда провела серию встреч с селекционерами сельскохозяйственных культур и другими экспертами, чтобы понять требования к характеристикам каждой культуры (относящиеся к профилям продуктов) и оптимизировать работу различных направлений проекта — от законодательства до пилотирования беспилотных летательных аппаратов и анализа изображений.
Затем были разработаны SOP, используя таблицы наземной логистики, разработанные для каждой культуры. Это обеспечило операторов беспилотных летательных аппаратов документом, которому они должны следовать в течение сезона. «Дорожная карта» включала расписание полетов беспилотников, а также такие характеристики, как высота полета, тип используемой камеры во время видеосъемки.
Первые полеты состоялись в начале февраля этого года, после того как были выданы разрешения на использование беспилотников. Хотя в период вегетации было уже слишком поздно измерять ряд характеристик, команда решила начать испытания несмотря ни на что — чтобы убедиться, что в рамках проект могут быть созданы качественные изображения.
Операторы достигли высокого уровня качества полетов. Например, местоположение поля по GPS и карта поля были необходимы до того, как наземные контрольные точки могли быть размещены по всему полю. Это позволило пилоту дрона выполнять полеты во время посева. Невыполнение одного из этих важных шагов вызвало бы проблемы по всей дальнейшей цепочке испытаний.
На этом пути необходимо было внести и другие улучшения. Например, было обнаружено, что наложение изображений на урожай сорго после дождя было недостаточным и низкого качества.
В общей сложности беспилотные летательные аппараты совершили 58 полетов над посевами 4 сельхозкультур во время сезона дождя и устойчивой солнечной погоды. Собранные данные включали количество растений, высоту растений, период вегетации, плотность посевов.
Затем данные были загружены в платформу Coverfield компании Hiphen. Технические специалисты оценили качество этих изображений, чтобы создать исправленные «ортоизображения». Ряд наборов данных изображений был признан непригодным для анализа, в частности, из–за недостаточного перекрытия изображений сорго. Полученные данные затем загружались на платформу Cloverfield для каждого полета, и селекционеры проходили обучение по доступу к данным.
«Несмотря на трудности, связанные с частой удаленной работой, COVID и разрешений, мы довольны результатами», — говорит Густаво Тейшейра, руководитель отдела операций и фенотипирования EIB. «Собран достаточно большой массив данных, который можно адаптировать, и много знаний о том, как создать вести обработку анализа данных».
Крупномасштабное внедрение фенотипирования на основе беспилотных летательных аппаратов имеет реальный потенциал, чтобы помочь сельскохозяйственным исследованиям и семеноводству преодолеть ошибки, неэффективность и затраты на оборудование. Чтобы стимулировать масштабирование цифровых технологий планируется создать бизнес-предложение по замене существующих методов фенотипирования. Однако еще необходимо изучить планы развертывания и масштабирование необходимой инфраструктуру для каждой станции. Затем следующим шагом будет внедрение инструментов цифрового фенотипирования в других регионах, особенно в Африке.