17:34 2024-03-25
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Modelul de învățare automată demonstrează efectul creșterii publice asupra producției de orez în schimbările climatice
_ Modelul de învățare automată demonstrează efectul creșterii publice asupra producției de orez în schimbările climatice
Schimbările climatice, evenimentele meteorologice extreme, înregistrările fără precedent în ceea ce privește temperaturile și oceanele acide mai ridicate fac dificilă prezicerea soartei pe termen lung a soiurilor de culturi moderne.
Într-o lucrare publicată în Proceedings of the National Academy of Sciences, Diane Wang, profesor asistent la Departamentul de Agronomie din Purdue, și cercetătorul ei post-doctoral Sajad Jamshidi, au raportat despre un model predictiv pe care l-au dezvoltat care utilizează algoritmi de învățare automată pentru a prezice modul în care producția de orez va fi afectată de schimbările climatice.
Lucrările lor au fost finalizate în colaborare cu cercetătorii de la Universitatea Cornell și Centrul Național de Cercetare a Orezului Dale Bumpers.
„Cu aceste tipuri de modele statistice la scară largă, luați practic un set de predictori - cum ar fi vremea sau genetica - și le mapați pentru a rezolva un rezultat. Aici, suntem interesați să anticipăm randamentul", a spus Wang.
SUA se află în topul cinci exportatori de orez, ceea ce face ca producția de orez în mai multe state din sud să fie importantă pentru dietele din întreaga lume. Lucrările lui Wang și Jamshidi sunt o bază pentru predicțiile inteligenței artificiale în orez și alte culturi, ajutând potențial agricultura să perfecționeze practicile de reproducere în care soiurile de culturi sunt cele mai vulnerabile la schimbările climatice.
Prin acest model, echipa a descoperit că soiurile moderne de orez sunt susceptibile să se descurcă „mai puțin rău” decât soiurile mai vechi într-un viitor afectat de schimbările climatice. Programele publice de ameliorare, precum cele bazate în universități, sunt în mare parte în spatele succesului orezului de astăzi.
Dezvoltarea lor de noi soiuri a a lărgit fondul genetic pentru orezul din SUA, încorporând în același timp trăsături specifice, vizate. Wang a spus că acest studiu subliniază importanța contribuțiilor istorice și continue ale acestor programe publice de ameliorare.
„Modelul de ansamblu prezice că grupurile moderne de Soiurile de orez se vor descurca mai puțin rău decât grupurile de soiuri mai vechi, dar aș fi atent să spun că ne-am terminat treaba”, a spus Wang. „Există multă incertitudine cu privire la climatele viitoare, iar aceste tipuri de modele sunt doar un instrument pentru a explora scenarii.”
Orezul are un genom mic în comparație cu alte culturi. Acest lucru și disponibilitatea datelor istorice și a semințelor vechi au făcut din acesta sistemul de studiu ideal pentru proiectarea unui model predictiv. Echipa a obținut date istorice privind temperaturile și vremea, precum și ceea ce Wang a numit „descoperirea întâmplătoare a rapoartelor de suprafață a varietăților”.
Începând cu anii 1970, statele de cultivare a orezului din sudul SUA din regiunea Deltei Mississippi au înregistrat ceea ce s-a cultivat varietate de orez în ce proporţie la nivelul judeţului. Multe dintre aceste rapoarte de suprafață au fost trimise echipei ca documente dactilografiate. Grupul a obținut apoi semințe din soiuri vechi de orez care nu mai sunt cultivate în mod obișnuit de la colaboratorii de la Centrul Național de Cercetare a Orezului Dale Bumpers.
Aceste soiuri de orez au fost analizate la nivel genetic, iar Wang și colaboratorii au grupat soiuri pe baza asupra alelelor sau variațiilor genelor pe care le împărtășeau. Ei au tradus aceste informații din varietatea de rapoarte de suprafață în „pungi de alele” la nivel de județ și apoi au instruit modele de învățare automată folosind grupurile de alele și randamentele la nivel de județ cu date istorice de mediu, cum ar fi temperatura și precipitațiile.
Eforturile lui Jamshidi în construirea acestui model sunt deosebit de noi, deoarece modelul final combină 10 metode de învățare automată pentru a crea un model de ansamblu care poate procesa informații cu o abordare mai multifațetă. Ieșirea modelului de ansamblu oferă rezultate mai precise cu aceiași predictori.
Nu numai că acest studiu va oferi un cadru pentru a construi modele pentru alte culturi cu predictori similari, dar Wang vede o altă direcție posibilă pentru această cercetare. Efectuarea de experimente fizice prin cultivarea atât a soiurilor de orez vechi, cât și a celor moderne în condiții anticipate ar putea servi ca o evaluare suplimentară a modelului, precum și să ofere indicii asupra structurii genetice și fiziologice care cauzează diferența de rezistență între grupurile de soiuri.
Wang a spus: „Aceste tipuri de predicții sunt într-adevăr primul pas. Modelul ne-a oferit câteva rezultate potențiale, dar acum cineva trebuie să execute experimentele ulterioare pentru a ajunge la mecanismele de bază.”
Wang și laboratorul ei continuă să studieze interacțiunile dintre genetica culturilor și mediul lor și folosesc modelare și alte tehnologii pentru a crea un viitor mai previzibil pentru agricultură.
Comentarii:
Adauga Comentariu