ທົ່ວໂລກ: ກ້ອງຖ່າຍຮູບ Hyperspectral ກວດຈັບພະຍາດ Blight ໃນช่วงปลายດ້ວຍຄວາມຖືກຕ້ອງສູງເຖິງ 98%, ແຕ່ມີພຽງ 79% ກ່ອນອາການ
ການຄົ້ນຄວ້າກ່ຽວກັບກ້ອງຖ່າຍວິດີໂອໂດຣນ ແລະ ກ້ອງຖ່າຍຮູບພາກສະໜາມສະແດງໃຫ້ເຫັນຄວາມແມ່ນຍຳສູງສຳລັບພະຍາດຕົ້ນອ່ອນທີ່ເຫັນໄດ້ຊັດເຈນ. ການກວດພົບແຕ່ຫົວທີກ່ອນທີ່ຈຸດຕ່າງໆຈະປາກົດຂຶ້ນແມ່ນຍາກກວ່າ, ແລະ ຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃນຫ້ອງທົດລອງຈະສູນເສຍຄວາມແມ່ນຍຳໃນພາກສະໜາມ.
ພະຍາດຕົ້ນເນົ່າເປື່ອຍຊ້າ (Late blight) ເຊິ່ງເກີດຈາກພະຍາດ Phytophthora infestans ເປັນພະຍາດມັນຕົ້ນທີ່ມີລາຄາແພງທີ່ສຸດໃນຫຼາຍພາກພື້ນ. ຜູ້ປູກຍັງພົບມັນໂດຍການຍ່າງໄປມາໃນທົ່ງນາ. ນັກຄົ້ນຄວ້າກຳລັງທົດສອບກ້ອງຖ່າຍຮູບທີ່ວັດແທກແຖບແສງແຄບຫຼາຍຮ້ອຍແຖບ ເຊິ່ງເອີ້ນວ່າ hyperspectral imaging ເພື່ອຊອກຫາພະຍາດໄດ້ໄວຂຶ້ນ. ການສຶກສາທີ່ເຜີຍແຜ່ສະແດງໃຫ້ເຫັນວ່າເທັກໂນໂລຢີສາມາດເຮັດໄດ້ ແລະ ບໍ່ສາມາດເຮັດໄດ້ໃນປະຈຸບັນ.
ຮູບພາບໂດຣນຂອງພະຍາດທີ່ເບິ່ງເຫັນໄດ້
ທີມງານຈາກມະຫາວິທະຍາໄລ Manchester Metropolitan ໃນສະຫະລາຊະອານາຈັກ, ສະພາວິທະຍາສາດຈີນ ແລະ ມະຫາວິທະຍາໄລກະສິກຳ Hebei ໄດ້ສ້າງຮູບແບບການຮຽນຮູ້ເລິກສຳລັບຮູບພາບ hyperspectral ທີ່ຖ່າຍໂດຍໂດຣນ. ໃນເອກະສານປີ 2022 ໃນ ເຊັນເຊີຈາກໄລຍະໄກ, ຮູບແບບດັ່ງກ່າວມີຄວາມຖືກຕ້ອງສະເລ່ຍ 98.09% ໃນຂໍ້ມູນການທົດສອບ ແລະ 95.75% ໃນຊຸດຂໍ້ມູນເອກະລາດ. ມັນມີປະສິດທິພາບດີກ່ວາວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກມາດຕະຖານ ແລະ ການຮຽນຮູ້ເລິກທີ່ທີມງານໄດ້ປຽບທຽບ.
ກ່ອນອາການຈະປາກົດ
ການກວດພົບແຕ່ຫົວທີແມ່ນຍາກກວ່າ. ນັກຄົ້ນຄວ້າຈາກມະຫາວິທະຍາໄລ Lincoln, ມະຫາວິທະຍາໄລກະສິກຳ Nanjing, ມະຫາວິທະຍາໄລວິທະຍາສາດກະສິກຳຊູແອັດ ແລະ ມະຫາວິທະຍາໄລ Copenhagen ໄດ້ທົດສອບກ້ອງຖ່າຍຮູບໃກ້ກັບພືດໃນການທົດລອງພາກສະໜາມໃນປະເທດເດນມາກໃນເດືອນກໍລະກົດ 2020, ອີງຕາມເອກະສານຂອງເຂົາເຈົ້າກ່ຽວກັບ arXivທົ່ງນາມີຫຼາຍກວ່າ 20 genotypes ມັນຕົ້ນ. ຮູບພາບທີ່ຖ່າຍ 3, 7 ແລະ 9 ມື້ຫຼັງຈາກການສັກຢາ, ເມື່ອບໍ່ມີຈຸດໃດໆເຫັນໄດ້, ຖືກຈັດປະເພດເປັນໄລຍະຕົ້ນຫຼາຍ. ຊຸດຂໍ້ມູນມີຮູບພາບຂະໜາດນ້ອຍ 15,360 ຮູບທີ່ຕັດອອກຈາກຮູບພາບພາກສະໜາມ 240 ຮູບ. ຄວາມຖືກຕ້ອງຂອງຮູບພາບທົດສອບ 2,000 ຮູບແມ່ນ 73.9% ກັບທຸກແຖບ ແລະ 79.0% ກັບຫົກແຖບທີ່ເລືອກລະຫວ່າງ 492 ແລະ 765 nm.
ວັນຈັນ-ວັນສຸກ. ຍົກເລີກການຕິດຕາມໄດ້ດ້ວຍການຄລິກດຽວ.
ຈາກຫ້ອງທົດລອງສູ່ພາກສະໜາມ
ການສຶກສາປີ 2021 ໃນ ການກະເສດທີ່ຖືກຕ້ອງ ໂດຍ S. Appeltans, JG Pieters ແລະ AM Mouazen ໄດ້ສ້າງຫ້ອງສະໝຸດ 8,585 ສະເປກຕຣຳຈາກໃບທີ່ແຍກອອກ, ເຊິ່ງຖືກຕິດປ້າຍວ່າມີສຸຂະພາບດີ ຫຼື ຢູ່ໃນຫ້າໄລຍະຂອງພະຍາດ. ຮູບແບບທຳອິດບັນລຸຄວາມຖືກຕ້ອງ 94.1% ໃນຂໍ້ມູນຫ້ອງທົດລອງ ແຕ່ລົ້ມເຫຼວໃນພາກສະໜາມ. ຫຼັງຈາກທີມງານໄດ້ປ່ຽນການປະມວນຜົນຂໍ້ມູນ, ຄວາມຖືກຕ້ອງຂອງຫ້ອງທົດລອງໄດ້ຫຼຸດລົງເຖິງ 80.8%, ແຕ່ຫຼັງຈາກນັ້ນຮູບແບບໄດ້ກວດພົບອາການໃນພາກສະໜາມ. ການຄາດຄະເນພາກສະໜາມຂອງມັນກົງກັບການໃຫ້ຄະແນນທາງສາຍຕາກັບ R² = 0.985.
ກ້ອງຖ່າຍຮູບຫຼາຍສະເປກຕຣຳທີ່ງ່າຍດາຍກວ່າໃນໂດຣນກໍ່ກຳລັງຖືກທົດສອບເຊັ່ນກັນ. ການສຶກສາໃນປີ 2021 ໃນ ຄອມພິວເຕີແລະເອເລັກໂຕຣນິກໃນການກະສິກໍາ ໄດ້ປຽບທຽບວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກຫ້າວິທີ ແລະ ພົບວ່າການສະໜັບສະໜູນແບບເສັ້ນຊື່ vector ແລະຕົວຈັດປະເພດປ່າໄມ້ແບບສຸ່ມເຮັດວຽກໄດ້ດີທີ່ສຸດໃນການສ້າງແຜນທີ່ເຂດການເນົ່າເປື່ອຍໃນຊ່ວງທ້າຍໆດ້ວຍການເຮັດວຽກຂອງມະນຸດໜ້ອຍ.
ເປັນຫຍັງມັນຈຶ່ງສໍາຄັນ
ການຄົ້ນຄວ້າສະແດງໃຫ້ເຫັນວ່າກ້ອງຖ່າຍຮູບສາມາດສ້າງແຜນທີ່ພະຍາດຕົ້ນເນົ່າເປື່ອຍທີ່ເຫັນໄດ້ຢ່າງຖືກຕ້ອງຫຼາຍ. ສຳລັບການຕັດສິນໃຈສີດຢາ, ເປົ້າໝາຍທີ່ມີຄຸນຄ່າຫຼາຍກວ່າແມ່ນການຊອກຫາພະຍາດກ່ອນທີ່ຈຸດຈະປາກົດ, ແລະຄວາມຖືກຕ້ອງຍັງຄົງຢູ່ທີ່ປະມານ 74–79% ໃນການສຶກສາພາກສະໜາມ.
ໃນປະຈຸບັນ, ເທັກໂນໂລຢີນີ້ສາມາດສະໜັບສະໜູນການສຳຫຼວດ ແລະ ຊ່ວຍກວດສອບພາກສະໜາມໄດ້, ແຕ່ມັນຍັງບໍ່ທັນສາມາດທົດແທນການຄາດຄະເນພະຍາດ ແລະ ການເດີນທາງປູກພືດໄດ້ເທື່ອ.
ຮູບພາບ: ໃບມັນຕົ້ນທີ່ຕິດເຊື້ອພະຍາດຕົ້ນເນົ່າເປື່ອຍ (Phytophthora infestans) (ຮູບປະກອບ). Björn Andersson (SLU) / ວິກິພີເດຍ, Cc ໂດຍ SA 4.0