Capturing Spatial Heterogeneity Using UAV-Derived Multispectral Phenotypes and Random Regression Models Improves Genetic Evaluation in Alfalfa Breeding Trials
यह अध्ययन प्रदर्शित करता है कि रैंडम रिग्रेशन मॉडल में अनुदैर्ध्य (longitudinal) UAV-व्युत्पन्न मल्टीस्पेक्ट्रल फेनोटाइप्स को एकीकृत करना अल्फाल्फा प्रजनन परीक्षणों में स्थानिक विषमता को प्रभावी ढंग से कैप्चर करता है, जिससे पारंपरिक स्थानिक सुधार विधियों की तुलना में आनुवंशिक मूल्यांकन की सटीकता और पुनरुत्पादकता में सुधार होता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
किसानों और पौधों के प्रजनकों (plant breeders) को लंबे समय से पता है कि एक खेत कभी भी पूरी तरह से एकसमान नहीं होता है। यहाँ तक कि भूमि के एक ही टुकड़े में, एक कोने में मिट्टी अधिक समृद्ध हो सकती है, दूसरे में पानी का निकास अलग हो सकता है, और एक पंक्ति से दूसरी पंक्ति तक तापमान थोड़ा भिन्न हो सकता है। यह असमानता, जिसे स्थानिक विषमता (spatial heterogeneity) कहा जाता है, शोर की एक ऐसी परत बनाती है जो उगाई जा रहे पौधों की वास्तविक क्षमता को छिपा सकती है। जब प्रजनक अगली पीढ़ी के लिए सबसे अच्छे बीजों का चयन करने की कोशिश करते हैं, तो यह पर्यावरणीय शोर एक औसत दर्जे के पौधे को चैंपियन जैसा दिखा सकता है, या एक उत्कृष्ट पौधे को कमजोर दिखा सकता है। इसे ठीक करने के लिए, वैज्ञानिक पारंपरिक रूप से उन सांख्यिकीय तरीकों पर भरोसा करते रहे हैं जो यह मानते हैं कि मिट्टी की स्थितियाँ एक पौधे से दूसरे पौधे तक क्रमिक और अनुमानित रूप से बदलती हैं, ठीक वैसे ही जैसे ही आप किसी हीटर से दूर जाते हैं तो तापमान कम हो सकता है। हालाँकि, ये पुराने तरीके वास्तविक दुनिया के जटिल, बदलते पैटर्न को अक्सर पकड़ नहीं पाते हैं, विशेष रूप से तब जब वे केवल अंतिम फसल को देखते हैं।
एक नया दृष्टिकोण इस समस्या को देखने के हमारे नजरिए को बदल रहा है, जिसमें पौधों का उपयोग स्वयं सेंसर के रूप में किया जा रहा है। पर्यावरण में भिन्नता का अनुमान लगाने के बजाय, वैज्ञानिक अब यह देख रहे हैं कि पौधे समय के साथ इसके प्रति कैसे प्रतिक्रिया करते हैं। विशेष कैमरों से लैस ड्रोन को खेतों के ऊपर उड़ाकर, शोधकर्ता पूरे बढ़ते मौसम के दौरान फसलों की विस्तृत छवियां कैप्चर कर सकते हैं। ये छवियां दर्शाती हैं कि पौधे कैसे बढ़ रहे हैं, वे कितने हरे हैं, और वे अपने तत्काल परिवेश की विशिष्ट स्थितियों के प्रति कैसे प्रतिक्रिया कर रहे हैं। डेटा का यह निरंतर प्रवाह वैज्ञानिकों को पहले की तुलना में कहीं अधिक सटीकता के साथ खेत की छिपी हुई विविधताओं का मानचित्र बनाने की अनुमति देता है, जिससे पौधे की वास्तविक आनुवंशिक गुणवत्ता को इस बात से अलग किया जा सकता है कि उसे कहाँ लगाया गया था।
हाल ही में अल्फाल्फा (alfalfa), जो कि एक महत्वपूर्ण चारा फसल है, पर केंद्रित एक अध्ययन में शोधकर्ताओं ने यह परीक्षण करने के लिए प्रयास किया कि क्या पौधों को समय के साथ देखने की यह विधि प्रजनन कार्यक्रमों की सटीकता में सुधार कर सकती है। कॉर्नेल यूनिवर्सिटी, न्यू मैक्सिको स्टेट यूनिवर्सिटी और वर्जीनिया टेक के वैज्ञानिकों के नेतृत्व वाली टीम ने दो बहुत ही अलग क्षेत्रों में परीक्षण किए: न्यू मैक्सिको के शुष्क, विस्तृत खेत और न्यूयॉर्क के अधिक सघन, विविध भूखंड। उन्होंने सैकड़ों अलग-अलग अल्फाल्फा किस्मों को उगाया और 2022 और 2023 के बढ़ते मौसमों के दौरान उनकी बारीकी से निगरानी की। ड्रोन का उपयोग करके, वे सप्ताह में लगभग एक बार खेतों के ऊपर से उड़े, और मल्टीस्पेक्ट्रल छवियां लीं जिन्होंने पौधों द्वारा परावर्तित प्रकाश को मापा। इन छवियों से, उन्होंने वनस्पति सूचकांक (vegetation indices) की गणना की, जो हरे कैनोपी (canopy) के स्वास्थ्य और घनत्व को दर्शाने वाले संख्यात्मक मान हैं। विभिन्न प्रकार के मापों में से, एक सूचकांक जो लाल प्रकाश के बजाय हरे प्रकाश पर निर्भर था, पौधे के स्वास्थ्य और भविष्य की उपज का सबसे विश्वसनीय संकेतक साबित हुआ।
इस विशाल मात्रा में डेटा को समझने के लिए अध्ययन के मूल में दो-चरणीय प्रक्रिया शामिल थी। सबसे पहले, शोधकर्ताओं ने साप्ताहिक ड्रोन छवियों का विश्लेषण करने के लिए 'रैंडम रिग्रेशन' नामक एक सांख्यिकक तकनीक का उपयोग किया। इस पद्धति ने उन्हें प्रत्येक विशिष्ट भूखंड के समय के साथ बदलने के मॉडल बनाने की अनुमति दी, जिससे उस विशेष स्थान को प्रभावित करने वाली अद्वितीय, निरंतर पर्यावरणीय स्थितियों को पकड़ा जा सका। उन्होंने इन दीर्घकालिक पर्यावरणीय प्रभावों को एक "स्थायी पर्यावरणीय प्रभाव" (permanent environmental effect) के रूप में माना, जो कि उस विशिष्ट भूखंड के कारण होने वाले लाभ या हानि को मापने का एक तरीका है, जो पौधे की आनुवंशिकी से स्वतंत्र है। दूसरे चरण में, उन्होंने इन गणना किए गए पर्यावरणीय प्रभावों को लिया और इनका उपयोग अल्फाल्फा किस्मों के अंतिम आनुवंशिक मूल्यांकन को समायोजित करने के लिए किया।
परिणामों ने दिखाया कि यह नई विधि पारंपरिक दृष्टिकोणों की तुलना में वास्तविक आनुवंशिक विजेताओं को खोजने में काफी बेहतर थी। बड़े न्यू मैक्सिको परीक्षणों में, जहाँ खेत में मिट्टी की स्थितियाँ व्यापक रूप से भिन्न थीं, इस नई विधि ने मानक तरीकों की तुलना में आनुवंशिक भविष्यवाणियों की निरंतरता में दो से तीन गुना सुधार किया। इसने सफलतापूर्वक असमान खेत के कारण होने वाले शोर को हटा दिया, जिससे पौधों की वास्तविक क्षमता प्रकट हुई। न्यूयॉर्क के परीक्षणों में भी, जहाँ खेत अधिक एकसमान थे और स्थानिक शोर कम था, यह नई विधि पारंपरिक तकनीकों के समान या उनसे बेहतर प्रदर्शन करती रही। महत्वपूर्ण रूप से, शोधकर्ताओं ने पाया कि ड्रोन द्वारा पहचाने गए पर्यावरणीय भिन्नता के पैटर्न खेतों के वास्तविक उपज मानचित्रों (yield maps) से मेल खाते थे, जिससे पुष्टि हुई कि ड्रोन वास्तव में मिट्टी और पानी की उपलब्धता के वास्तविक, भौतिक अंतरों को कैप्चर कर रहे थे।
यह अध्ययन प्रदर्शित करता है कि पौधों को स्वयं, यदि बारीकी से देखा जाए, तो वे हमें ठीक-ठीक बता सकते हैं कि खेत कहाँ संघर्ष कर रहा है और कहाँ फल-फूल रहा है। इस जानकारी का उपयोग प्रजनन डेटा को सुधारने के लिए करके, वैज्ञानिक भविष्य के लिए बीज बचाने के बारे में अधिक सटीक निर्णय ले सकते हैं। इस दृष्टिकोण के लिए किसी नए महंगे उपकरण या किसानों द्वारा वर्तमान में अपने खेतों के प्रबंधन के तरीके में जटिल बदलाव की आवश्यकता नहीं है; इसमें केवल आधुनिक ड्रोनों द्वारा पहले से ही एकत्र किए जा रहे डेटा का स्मार्ट तरीके से उपयोग करना शामिल है। निष्कर्ष बताते हैं कि जैसे-जैसे उच्च-तकनीकी खेती अधिक सामान्य होती जा रही है, पौधे के विकास की निरंतर कहानी से सीखने की क्षमता फसल की पैदावार में सुधार करने और सर्वोत्तम आनुवंशिकी को चुनने के लिए एक मानक उपकरण बन जाएगी, चाहे वह असमान जमीन पर ही क्यों न उगी हो।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।