Машинное обучение и искусственный интеллект ускоряют разработку новых сортов сельскохозяйственных культур для адаптации к изменению климата — для поддержания тепла!
Саммит по адаптации к изменению климата 2021 года состоялся 25 января этого года (2021 года) с целью ускорить выполнение Парижского соглашения об изменении климата 2015 года. Саммит начался на открытии с настоятельной необходимости ускорить выполнение Парижского соглашения. Экономика – это Окружающая среда и Образование (Люди). Время ограничено, чтобы наверстать упущенное и удержать мир ниже 2 градусов по Цельсию, обещание, данное пять лет назад.
В связи с саммитом была также обнародована новая Научная декларация об адаптации к изменению климата, урок, извлеченный из борьбы с Covid-19. Роль науки имеет решающее значение, поскольку сейчас она помогает бороться с этой ужасной пандемией и в процессе восстановления. В недалеком прошлом наука помогла успешно остановить разрушение озонового слоя, внедрив Монреальский протокол 1987 года по сокращению использования искусственных хлорфторуглеродов (ХФУ). Цитировать:
«Наука помогла нам показать путь, дипломаты, страны и промышленность смогли наметить пути выхода из этих молекул (ХФУ), и теперь мы действительно видим, как планета начинает поправляться. Это замечательно», — Сьюзан Соломон и Дженнифер Чу (MIT, 2016).
Адаптация в сельском хозяйстве — машинное обучение и искусственный интеллект для поиска адаптивных признаков (немодифицированных генов) в сельскохозяйственных культурах для ускорения производства продуктов питания
Одной из 17 Целей ООН в области устойчивого развития (ЦУР) является достижение продовольственной безопасности и улучшение питания в рамках перспективы устойчивого развития к 2030 году. Все эти ЦУР, сменяющие предыдущие Цели развития тысячелетия ООН, взаимосвязаны. Интересно, что именно еда объединяет их всех в соответствии со встроенной моделью Стокгольмского центра устойчивости.
Изменение климатических условий
Поскольку мы находимся в разгар изменения климата, существует настоятельная необходимость ускорить операционные процессы, чтобы производить больше продуктов питания для достижения продовольственной безопасности и устойчивости сельского хозяйства. В качестве иллюстрации текущих изменяющихся климатических условий мы использовали наборы климатических данных Канады для изучения предполагаемых тенденций или сдвигов некоторых климатических переменных, таких как тенденции изменения температуры.
На приведенных выше рисунках показаны тенденции температуры в Канаде зимой и летом 1955, 1975, 1995 и 2015 годов соответственно. Эти карты показывают, что изменения более заметны зимой, поскольку среднемесячные температуры января продолжают расти.
Тенденция повышения температуры является глобальным явлением, при этом на крайнем севере регистрируется более аномальное повышение. На приведенной выше карте, созданной НАСА с использованием проекции Робинсона, показаны глобальные аномалии приземной температуры за период с января 2016 года по июнь 2016 года.
ML/AI для ускорения адаптации и смягчения последствий
Чтобы адаптироваться к изменяющимся климатическим условиям, мы искали адаптивные признаки, используя различные методы машинного обучения, где в качестве предикторов использовались разные слои климатических карт или поверхностей, например, указанные выше, включая разные карты поверхности. В этом процессе использовались различные источники приземных климатических данных, включая большие наборы данных из Канадского центра моделирования и анализа климата.
Другой набор данных, использованный в процессе моделирования, включал записанные данные большого количества образцов растений, хранящихся в генобанках по всему миру. Затем были применены методы машинного обучения, чтобы виртуально оценить, обладают ли эти образцы растений признаками, необходимыми для обеспечения устойчивости сельскохозяйственных культур к изменению климата, например, устойчивостью к жаре.
Более 7 миллионов образцов растений хранятся в более чем 1 750 генобанках по всему миру. Такие образцы могут быть источником признаков, которые могут оказать впечатляющее влияние на урожайность растений, например, признаки, обнаруженные в образцах растений японской пшеницы «Норин 10».
Образцы, которые были подвергнуты виртуальному скринингу на наличие признаков адаптации к теплу, были выращены в полевых условиях, чтобы подтвердить, действительно ли они обладают признаками, предсказанными различными моделями машинного обучения.
Интересно, что совпадения, основанные на кривой AUC и других показателях, были обнаружены между прогнозами машинного обучения и фактическими оценками и наблюдениями в реальном поле. Те образцы растений, которые были предсказаны и выбраны моделями для виртуального поддержания тепла, также являются теми, которые поддерживали тепло в реальных условиях тепла. Растения, предсказанные моделями, обладают тепловыми свойствами, они также обладают способностью снижать температуру своей поверхности в условиях жары по сравнению со случайной выборкой растений (рисунок ниже).
Растения, которые, вероятно, обладают искомыми признаками адаптации, в настоящее время используются для выращивания нескольких сельскохозяйственных культур во всем мире. Некоторые из найденных признаков тщетно искали в прошлом.
Результаты демонстрируют на практике потенциал машинного обучения и общий потенциал ИИ в ускорении адаптации к изменению климата и смягчении его последствий.
использованная литература
Бари, А. (2018) Машинное обучение на работе: ускорение обнаружения данных. ISBN-13: 978–1973573951 https://www.amazon.com/dp/1973573954
Бари, А., А.Б. Дамания, М. Маккей и С. Даянандан (ред.). 2016 Прикладная математика и омика для оценки генетических ресурсов сельскохозяйственных культур для адаптивных признаков к изменению климата. CRC Press, Taylor & Francis Group, Бока-Ратон, Флорида, США. ISBN 9781498730136. . https://www.routledge.com/products/9781498730136
Бари, А., Х. Хазаи, Ф.Л. Стоддард, К. Стрит, М. Й. Силланпаа, Ю. П. Чауби, С. Даянандан, Д.Ф. Эндресен, Э. Де Пау, А.Б. Дамания (2016). In silico оценка генетических ресурсов растений для поиска признаков адаптации к изменению климата. Изменение климата 134 (4): 667–680. http://dx.doi.org/10.1007/s10584-015-1541-9
Некоторые другие ссылки по ML/AI и «большим данным» в сельском хозяйстве:
Математика помогает найти гены климатоустойчивых пищевых культур
Водяные воины: 12 горячих борцов с засухой в передовой биоэкономике
Большая роль больших данных в сельском хозяйстве
In silico оценка генетических ресурсов растений для поиска признаков адаптации к изменению климата. Изменение климата 134(4): 667–680. http://dx.doi.org/10.1007/s10584-015-1541-9
Прикладная математика и омика для оценки генетических ресурсов сельскохозяйственных культур для адаптивных признаков к изменению климата
