Του Πέσαχ Μπένσον • 16 Δεκεμβρίου 2025
Ιερουσαλήμ, 16 Δεκεμβρίου 2025 (TPS-IL) — Μια νέα ισραηλινή μελέτη δείχνει ότι τα μοντέλα μηχανικής μάθησης ενδέχεται σύντομα να προσφέρουν στους καλλιεργητές έναν πολύ πιο ακριβή τρόπο πρόβλεψης της ποσότητας νερού που καταναλώνουν οι καλλιέργειές τους καθημερινά, θέτοντας παράλληλα τα θεμέλια για την έγκαιρη ανίχνευση του στρες των φυτών.
Η έρευνα επικεντρώθηκε στην ημερήσια διαπνοή των φυτών — μια διαδικασία κατά την οποία το νερό εξατμίζεται μέσω των φύλλων και αποτελεί βασικό δείκτη της ποσότητας νερού που καταναλώνει πράγματι ένα φυτό. Παρόλο που η διαπνοή είναι ζωτικής σημασίας για τον σχεδιασμό της άρδευσης, οι περισσότερες υφιστάμενες μέθοδοι αξιολόγησής της βασίζονται σε έμμεσες πληροφορίες, όπως τα μετεωρολογικά δεδομένα ή η υγρασία του εδάφους, και όχι στη φυσιολογική συμπεριφορά του ίδιου του φυτού.
Υπό την καθδήγηση της Σάνι Φρίντμαν και του Νιρ Άβερμπουχ και υπό την επίβλεψη του καθ. Μεναχέμ Μοσέλιον από το Εβραϊκό Πανεπιστήμιο της Ιερουσαλήμ, η μελέτη βασίστηκε σε 7 χρόνια συνεχών μετρήσεων υψηλής ανάλυσης από φυτά τομάτας, σιταριού και κριθαριού που καλλιεργήθηκαν σε συνθήκες ημιεμπορικών θερμοκηπίων. Χρησιμοποιώντας ένα σύστημα λυσίμετρου κυψέλης φορτίου υψηλής ακρίβειας, η ομάδα κατέγραψε λεπτές αλλαγές στο βάρος των φυτών σε πραγματικό χρόνο, επιτρέποντας την άμεση και εξαιρετικά ακριβή μέτρηση της ημερήσιας διαπνοής.
Αυτό το μακροπρόθεσμο σύνολο δεδομένων σε επίπεδο φυτού κατέστησε δυνατή μια βασική καινοτομία: την εκπαίδευση μοντέλων μηχανικής μάθησης σχετικά με το πώς συμπεριφέρονται στην πραγματικότητα τα υγιή, καλά αρδευόμενα φυτά, και όχι με βάση έμμεσους περιβαλλοντικούς δείκτες. Τροφοδοτώντας τα δεδομένα σε μοντέλα όπως το Random Forest και το XGBoost, η ομάδα έδειξε ότι η μηχανική μάθηση μπορεί να προβλέψει με αξιοπιστία την ημερήσια διαπνοή από τις περιβαλλοντικές συνθήκες και τα χαρακτηριστικά των φυτών σε πολλαπλές καλλιέργειες.
Σε ανεξάρτητες δοκιμές, το μοντέλο XGBoost πέτυχε τιμή R² 0,82, ταιριάζοντας στενά με τη μετρούμενη διαπνοή ακόμη και όταν εφαρμόστηκε υπό διαφορετικές κλιματικές συνθήκες και σε ξεχωριστές ερευνητικές εγκαταστάσεις. Σύμφωνα με τους ερευνητές, αυτή η ικανότητα γενίκευσης σε διάφορες καλλιέργειες και περιβάλλοντα υποδηλώνει ότι τα μοντέλα συλλαμβάνουν θεμελιώδη φυσιολογικά σήματα και όχι θόρυβο ειδικό για κάθε καλλιέργεια.
Δύο μεταβλητές αναδείχθηκαν ιδιαίτερα σημαντικές: η βιομάζα των φυτών και η ημερήσια θερμοκρασία. «Αυτές οι μεταβλητές διαμόρφωσαν σταθερά την ποσότητα νερού που καταναλώνουν τα φυτά», δήλωσε η Φρίντμαν. «Η κατανόηση του πώς αναμένεται να συμπεριφερθεί ένα υγιές, καλά αρδευόμενο φυτό σε μια δεδομένη ημέρα μας επιτρέπει επίσης να εντοπίζουμε πότε κάτι δεν πάει καλά».
Αυτή η έννοια αντιπροσωπεύει μια άλλη πρωτότυπη πτυχή του έργου. Επειδή το μοντέλο προβλέπει τι πρέπει να κάνει ένα υγιές φυτό, οι απροσδόκητες αποκλίσεις από την πρόβλεψη μπορούν να χρησιμεύσουν ως πρώιμα προειδοποιητικά σημάδια στρες. Τέτοιο στρες θα μπορούσε να προκληθεί από ξηρασία, αλατότητα, ασθένειες, βλάβες στις ρίζες ή άλλες περιβαλλοντικές πιέσεις, ενδεχομένως πριν εμφανιστούν ορατά συμπτώματα.
«Εάν ένα φυτό συμπεριφέρεται διαφορετικά από ό,τι προβλέπει το μοντέλο, αυτή η απόκλιση μπορεί να είναι δείκτης ανώμαλης ή αν健康的 συμπεριφοράς του φυτού», δήλωσε η Φρίντμαν.
Ο Άβερμπουχ, του οποίου η έρευνα επικεντρώνεται στην άρδευση ακριβείας, δήλωσε ότι τα ευρήματα δείχνουν μια στροφή στον τρόπο με τον οποίο τα εργαλεία που βασίζονται σε δεδομένα θα μπορούσαν να χρησιμοποιηθούν στη γεωργία. «Σήμερα, πολλές αποφάσεις άρδευσης εξακολουθούν να βασίζονται σε έμμεσες εκτιμήσεις», είπε. «Αν και αυτό το μοντέλο δεν είναι ακόμη έτοιμο για αγρός, τα ευρήματα δείχνουν πώς τα μελλοντικά συστήματα θα μπορούσαν να ενσωματώσουν φυσιολογικές προβλέψεις για να υποστηρίξουν πιο ακριβή προγραμματισμό άρδευσης».
Ενώ η τρέχουσα προσέγγιση εξαρτάται από δεδομένα λυσίμετρου που δεν είναι συνήθως διαθέσιμα στους καλλιεργητές, οι ερευνητές τη βλέπουν ως ένα εννοιολογικό βήμα προς εργαλεία λήψης αποφάσεων με γνώμονα τα φυτά που θα μπορούσαν τελικά να προσαρμοστούν σε πιο πρακτικούς αισθητήρες.
Η μελέτη απέδωσε επίσης καλά όταν δοκιμάστηκε σε φυτά που καλλιεργήθηκαν σε ξεχωριστό ερευνητικό θερμοκήπιο στο Πανεπιστήμιο Τελ Αβίβ, ενισχύοντας τη δυνατότητα ευρύτερης εφαρμογής σε διαφορετικά κλίματα και συστήματα παραγωγής.
Βραχυπρόθεσμα, η προσέγγιση της μελέτης είναι περισσότερο εφαρμόσιμη σε ερευνητικά και ελεγχόμενα περιβάλλοντα καλλιέργειας. Παρέχοντας μια ακριβή φυσιολογική βάση αναφοράς για το πώς τα υγιή φυτά πρέπει να διαπνέουν υπό δεδομένες συνθήκες, το μοντέλο μπορεί να βοηθήσει τους ερευνητές να αξιολογήσουν την κατανάλωση νερού των καλλιεργειών, να επικυρώσουν τους αλγορίθμους άρδευσης και να βελτιώσουν τη διαχείριση των θερμοκηπίων. Οι αποκλίσεις μεταξύ της προβλεπόμενης και της μετρούμενης διαπνοής μπορούν επίσης να χρησιμεύσουν ως πρώιμος δείκτης στρες των φυτών σε δοκιμές αναπαραγωγής ή πειραματικά συστήματα, συχνά πριν εμφανιστούν ορατά συμπτώματα.
Μακροπρόθεσμα, οι γνώσεις από το μοντέλο δείχνουν προς πιο προηγμένα εργαλεία γεωργίας ακριβείας για τους καλλιεργητές, υποστηρίζοντας καλύτερο προγραμματισμό άρδευσης και εξοικονόμηση νερού. Καθώς παρόμοια μοντέλα συνδυάζονται με αισθητήρες έτοιμους για τον αγρό, θα μπορούσαν επίσης να αποτελέσουν τη βάση συστημάτων έγκαιρης προειδοποίησης που ειδοποιούν τους καλλιεργητές για το αναδυόμενο στρες που προκαλείται από ξηρασία, αλατότητα, ασθένειες ή βλάβες στις ρίζες.
Η μελέτη δημοσιεύτηκε στο επιστημονικό περιοδικό με κριτές Plant, Cell & Environment.




