Μια μελέτη που διεξήχθη στο Ιράν δείχνει τις δυνατότητες της φασματοσκοπίας Vis/NIR και της μηχανικής μάθησης για την ανίχνευση του ιού πριν εμφανιστούν τα συμπτώματα.
Δύσκολα στον περιορισμό τους, συχνά επιμένουν στους φυτικούς ιστούς και, στα αρχικά στάδια, μπορούν να προκαλέσουν ασαφή συμπτώματα ή να συγχέονται εύκολα με αυτά που προκαλούνται από άλλα παράσιτα. Οι ιογενείς λοιμώξεις εξακολουθούν να αποτελούν σημαντική απειλή για την παγκόσμια γεωργική παραγωγικότητα. Στην περίπτωση των κολοκυθιών , μία από τις πιο σημαντικές είναι ο ιός του κίτρινου μωσαϊκού της κολοκυθιάς , γνωστός ως ZYMV . Αυτό το παθογόνο μπορεί να θέσει σε κίνδυνο γρήγορα την παραγωγή, με συμπτώματα που περιλαμβάνουν μωσαϊκό φύλλων, χλώρωση, παραμορφώσεις φύλλων, μειωμένη βλαστική ανάπτυξη και δυσμορφίες των καρπών. Το πρόβλημα, ωστόσο, δεν είναι μόνο η σοβαρότητα της ζημιάς. είναι πάνω απ 'όλα η ταχύτητα με την οποία η μόλυνση μπορεί να εξαπλωθεί μέσω σπόρων, αφίδων-φορέων και μηχανικής επαφής. Τι θα γινόταν αν ήταν δυνατόν να αναχαιτιστεί η μόλυνση πριν το φυτό δείξει ορατά σημάδια;
Μια μελέτη που διεξήχθη στο Ιράν από μια ομάδα ερευνητών από το Πανεπιστήμιο Shiraz προσπάθησε να απαντήσει σε αυτό το ερώτημα . Ανέπτυξαν ένα νέο πλαίσιο φασματικού δείκτη ειδικού για ασθένειες, που ονομάζεται Φασματικός Δείκτης Κολοκυθιού ή SZI. Αλλά τι είναι;
Υγιή και μολυσμένα φυτά: ο πειραματικός σχεδιασμός
Η αρχή είναι σχετικά απλή. Ένα μολυσμένο φύλλο αντανακλά το φως διαφορετικά από ένα υγιές φύλλο. Ακόμα και όταν το ανθρώπινο μάτι δεν μπορεί ακόμη να αντιληφθεί καμία αλλαγή, η μόλυνση μπορεί να έχει ήδη τροποποιήσει ορισμένες φυσιολογικές παραμέτρους, όπως η περιεκτικότητα σε χλωροφύλλη, η εσωτερική δομή των ιστών, η κατάσταση του νερού ή η κυτταρική οργάνωση. Αυτές είναι ελάχιστες αλλαγές, αόρατες στην κανονική παρατήρηση πεδίου, αλλά ανιχνεύσιμες με τη χρήση οπτικών αισθητήρων. Η προσέγγιση των ερευνητών βασίζεται σε αυτό το σήμα έγκαιρης προειδοποίησης: μέτρηση της ανακλαστικότητας των φύλλων με αισθητήρες Vis/NIR και έλεγχος του κατά πόσον, συνδυάζοντας αυτά τα δεδομένα με μοντέλα μηχανικής μάθησης, είναι δυνατή η ανίχνευση της μόλυνσης από τον ιό ZYMV σε κολοκυθάκια ακόμη και στο ασυμπτωματικό στάδιο.
Για να το ανακαλύψουν, οι ερευνητές καλλιέργησαν φυτά κολοκυθιού σε θερμοκήπιο, τα οποία εμβολιάστηκαν τεχνητά με ZYMV, και τα συνέκριναν με υγιή φυτά ελέγχου. Στη συνέχεια, προσδιορίστηκαν τρεις ομάδες: υγιή φυτά, μολυσμένα αλλά ακόμα ασυμπτωματικά φυτά και μολυσμένα φυτά που ήταν ήδη συμπτωματικά. Οι μετρήσεις ελήφθησαν με φασματοφωτόμετρο Vis/NIR, ικανό να ανιχνεύει φως που ανακλάται από τα φύλλα στην περιοχή μεταξύ 400 και 2500 νανόμετρα . Αυτό είναι ένα ευρύ τμήμα του φάσματος φωτός: από 400 νανόμετρα, που αντιστοιχεί στο ορατό φως, έως 2500 νανόμετρα, υπέρυθρες, ιδιαίτερα χρήσιμες για την ανίχνευση αλλαγών που σχετίζονται με χρωστικές ουσίες, δομή ιστών και περιεκτικότητα σε νερό.
Ο δείκτης SZI και ο ρόλος της μηχανικής μάθησης
Το βασικό βήμα της μελέτης, ωστόσο, ήταν η ανάπτυξη του δείκτη SZI , ο οποίος κατασκευάστηκε όχι με βάση γενικές ζώνες, αλλά επιλέγοντας τα μήκη κύματος που είναι πιο χρήσιμα για τη διάκριση υγιών από μολυσμένα φυτά. Για να το πετύχουν αυτό, οι ερευνητές χρησιμοποίησαν αλγόριθμους μηχανικής μάθησης, συγκεκριμένα το Random Forest , ικανούς να εντοπίσουν ποια τμήματα του φάσματος περιείχαν τις πιο σχετικές πληροφορίες. Τα δεδομένα έδειξαν ότι δεν ήταν απαραίτητο να χρησιμοποιηθεί ολόκληρο το φάσμα: μερικά επιλεγμένα μήκη κύματος ήταν επαρκή για την επίτευξη υψηλής απόδοσης. Το πιο ενδιαφέρον αποτέλεσμα αφορά την περιοχή 400-920 nm , δηλαδή την ορατή και την εγγύς υπέρυθρη περιοχή. Σε αυτό το φασματικό παράθυρο, ο δείκτης SZI πέτυχε ακρίβεια 89% στην αναγνώριση μολυσμένων αλλά ακόμα ασυμπτωματικών φυτών.
Αυτό είναι σημαντικό επειδή αυτή η ζώνη είναι συμβατή με πολλούς πιο προσβάσιμους οπτικούς αισθητήρες, συμπεριλαμβανομένων συστημάτων που μπορούν να χρησιμοποιηθούν σε φορητές πλατφόρμες ή ενδεχομένως σε drones.
Σύνοψη επιστημονικής εργασίας. Πηγή, Smart Farm Technology
Πριν εμφανιστούν τα συμπτώματα, τα φυσιολογικά σήματα έχουν ήδη αλλάξει
Η μελέτη διερευνά ένα άλλο σημαντικό σημείο. Τα μήκη κύματος που παρέχουν τις περισσότερες πληροφορίες είναι αυτά που βρίσκονται κυρίως στις περιοχές που συνδέονται με τη χλωροφύλλη . Αυτές είναι περιοχές ευαίσθητες σε αλλαγές στη φωτοσύνθεση, τη δομή του μεσόφυλλου, την κυτταρική ακεραιότητα και την εσωτερική σκέδαση φωτός στον ιστό των φύλλων. Αυτό εξηγεί γιατί ο δείκτης SZI είχε την καλύτερη απόδοση στην περιοχή των 400-920 nm . Στα αρχικά στάδια της μόλυνσης, στην πραγματικότητα, το κυρίαρχο σήμα δεν φαίνεται να είναι η προχωρημένη απώλεια νερού ή η κατάρρευση των ιστών, αλλά μια σειρά από πιο ανεπαίσθητες βιοχημικές και μικροδομικές αλλοιώσεις.
Η φάση προεπεξεργασίας δεδομένων αποδείχθηκε επίσης κρίσιμη. Εφαρμόζοντας την λεγόμενη πρώτη παράγωγο — μια τιμή που υποδεικνύει πώς αλλάζει το σήμα από το ένα μήκος κύματος στο άλλο — οι ερευνητές βελτίωσαν την αναγνωσιμότητα του σήματος και τον διαχωρισμό μεταξύ υγιών και μολυσμένων φυτών. Με αυτήν τη διαδικασία, το μοντέλο Random Forest πέτυχε ακρίβεια 93% , σε σύγκριση με το 81% που επιτεύχθηκε με τα ακατέργαστα δεδομένα.
Ένα πολλά υποσχόμενο εργαλείο, αλλά όχι ακόμη λειτουργικό
Τα αποτελέσματα είναι ενδιαφέροντα, αλλά θα πρέπει να ερμηνεύονται με προσοχή. Η μελέτη διεξήχθη υπό ελεγχόμενες συνθήκες θερμοκηπίου, σε μία μόνο ποικιλία κολοκυθιού, Cucurbita pepo cv. Snowman , και με ένα μόνο απομονωμένο ιό. Υπάρχει επίσης ένα περιθώριο σφάλματος που πρέπει να ληφθεί υπόψη. Κατά την αναγνώριση ασυμπτωματικών μολυσμένων φυτών, το SZI παρήγαγε περίπου 17% ψευδώς αρνητικά και 20% ψευδώς θετικά . Αυτό επιβεβαιώνει ότι ο δείκτης δεν μπορεί να θεωρηθεί, τουλάχιστον προς το παρόν, ως οριστική διαγνωστική εξέταση.
Η αξία του έγκειται αλλού: στην παροχή ενός συστήματος έγκαιρης προειδοποίησης ικανού να υποστηρίξει την παρακολούθηση σε θερμοκήπια και, ενδεχομένως, στο πεδίο. Σε περιπτώσεις όπου μεγάλος αριθμός φυτών δεν μπορεί να υποβληθεί σε μοριακή ανάλυση, ένα εργαλείο διαλογής που βασίζεται σε αισθητήρες θα μπορούσε να βοηθήσει στην επιλογή δειγμάτων προτεραιότητας. Από αυτή την άποψη, ο Δείκτης Φασματικού Κολοκυθιού αντιπροσωπεύει μια πολλά υποσχόμενη απόδειξη της έννοιας. Δεν είναι ακόμη μια τεχνολογία έτοιμη για επιχειρησιακή χρήση, αλλά είναι ένα συγκεκριμένο βήμα προς μια πιο έγκαιρη, επιλεκτική και βασισμένη σε δεδομένα άμυνα.
Federica Del Vecchio
© fruitjournal.com
