A breeder in the sky: scoring flowering with fewer flights

Nel mondo dell'agricoltura, il tempismo è tutto. Per un genetista vegetale che cerca di sviluppare una nuova varietà di mais, sapere esattamente quando una coltura fiorirà è fondamentale. Questo momento determina se la pianta potrà sopravvivere a una brina locale, quanto tempo avrà per crescere prima del raccolto e se prospererà in una specifica regione. Tradizionalmente, trovare questa risposta è stato un compito laborioso e umano. Poiché i fiori non appaiono in una data fissa sul calendario, ma dipendono dal meteo e dalla genetica, i ricercatori devono camminare nei loro campi ogni pochi giorni, osservando i primi segni di polline o di seta. Devono ripetere questo processo per settimane, dalla prima pianta in fiore all'ultima, per ottenere una media accurata per ogni appezzamento. Questo monitoraggio costante è lento, costoso e limita il numero di campi che un team può studiare contemporaneamente.

Per risolvere questo problema, gli scienziati si sono rivolti ai droni, o veicoli aerei non pilotati, che possono scattare foto ad alta risoluzione di interi campi dal cielo. Tuttavia, scattare semplicemente delle foto non è sufficiente. I tentativi precedenti di utilizzare queste immagini per prevedere il tempo di fioritura richiedevano spesso che un drone sorvolasse lo stesso campo decine di volte, catturando immagini ogni singolo giorno o ogni due giorni durante la stagione della fioritura. Ciò creava una quantità enorme di dati che era difficile da elaborare e richiedeva ancora voli frequenti e costosi. La sfida rimaneva: poteva un computer imparare a dire esattamente quando un chicco di mais era fiorito partendo da solo da un manipolo di foto, magari anche da una sola, senza la necessità di essere fatto volare costantemente?

Un team di ricercatori ha ora risposto a questa domanda con un nuovo approccio che cambia il modo in cui il problema viene visto. Invece di insegnare a un computer semplicemente di decidere se una pianta sta "fiorendo" o "non fiorendo" in un singolo scatto, hanno addestrato un modello di intelligenza artificiale ad agire come un cronometrista. Hanno chiesto al modello di guardare una foto di un appezzamento di mais e stimare quanti giorni mancassero alla pianta dal suo momento di massima fioritura. Questo poteva essere un numero negativo, il che significava che la pianta non aveva ancora fiorito, o un numero positivo, il che significava che aveva già superato quella fase. Trattando la fioritura come una linea temporale continua piuttosto che come un semplice interruttore sì-o-no, il modello poteva imparare dai sottili cambiamenti nell'aspetto della pianta sia prima che dopo la fioritura.

I ricercatori hanno costruito questo sistema utilizzando una vasta collezione di dati raccolti in sei anni. Hanno combinato più di 200.000 immagini di droni scattate in prove in campo in sette diversi stati, coprendo oltre 1.200 diversi tipi di ibridi di mais. Queste immagini erano accoppiate con registri precisi di quando ogni specifico appezzamento era effettivamente fiorito, come determinato dagli osservatori umani che percorrevano i campi. Il team ha utilizzato un tipo potente di IA noto come Vision Transformer, progettato per comprendere schemi visivi complessi. Hanno mostrato al computer immagini di appezzamenti di mais insieme all'esatta differenza di tempo tra quando la foto è stata scattata e quando il mais è fiorito. Nel tempo, il modello ha imparato a riconoscere gli indizi visivi che segnalano che una pianta si sta avvicinando alla sua data di fioritura, come l'orientamento delle foglie superiori o il sottile allungamento del fusto, molto prima che il fiore sia visibile all'occhio umano.

I risultati sono stati sorprendentemente efficaci. Il team ha testato il proprio modello su esperimenti sul campo che non aveva mai visto prima, inclusi località e anni completamente nuovi per il sistema. Anche quando al modello veniva fornita una singola immagine di un campo scattata entro due settimane dalla data di fioritura, riusciva a prevedere il tempo di fioritura con un errore medio di circa tre giorni. Questo livello di precisione è paragonabile alla precisione degli osservatori umani che percorrono i campi. Quando i ricercatori hanno mediato le previsioni di due o tre voli, l'errore è sceso ulteriormente, spesso a meno di due giorni. Ciò suggerisce che i genetici potrebbero ottenere risultati altamente accurati con molti meno voli di drone di quanto precedentemente ritenuto necessario, riducendo potenzialmente il costo e lo sforzo del monitoraggio delle colture di un margine significativo.

Lo studio ha anche rivelato come il computer "vede" le piante. Visualizzando quali parti dell'immagine il modello si concentrava, i ricercatori hanno scoperto che l'attenzione dell'IA cambiava dinamicamente man mano che le piante crescevano. Prima che i fiori apparissero, il modello si concentrava sul centro della pianta dove il fiore sarebbe infine emerso. Con il passare del tempo, il suo focus si spostava sulle foglie circostanti e sulla forma complessiva della chioma. Ciò indica che il modello non sta solo cercando un fiore; sta comprendendo l'intero viaggio di sviluppo della pianta. Può rilevare sottili cambiamenti fisiologici che avvengono giorni prima che un essere umano possa notare qualsiasi differenza, e continua a tracciare lo stato della pianta molto dopo che la fioritura è avvenuta.

Una delle scoperte più significative è stata che il modello funzionava bene anche quando i dati provenivano da anni diversi, località diverse e tipi di telecamere differenti. Ciò suggerisce che il sistema è abbastanza robusto da essere utilizzato in nuovi ambienti senza dover essere riaddestrato da zero con dati locali. I ricercatori hanno anche testato se l'uso di una misurazione del tempo basata sulla temperatura, nota come gradi giorno di crescita, migliorasse i risultati. Sebbene questo metodo offrisse un leggero vantaggio in termini di precisione, il modello funzionava molto bene anche utilizzando semplici giorni di calendario. Ciò significa che il sistema non richiede dati meteorologici complessi per funzionare, rendendolo più facile da implementare in una vasta gamma di contesti.

Le implicazioni per la selezione vegetale sono sostanziali. Riducendo la necessità di voli quotidiani e di valutazione manuale, questo metodo consente ai ricercatori di monitorare popolazioni di colture molto più ampie con meno risorse. Apre la porta allo studio di come diverse varietà genetiche rispondano al tempo di fioritura attraverso una gamma più ampia di ambienti, il che è essenziale per sviluppare colture che possano adattarsi a un clima che cambia. Lo studio dimostra che un singolo volo di drone, o forse solo pochi, può fornire la stessa informazione critica che un tempo richiedeva settimane di lavoro umano. Il modello non sostituisce il genetista, ma agisce come uno strumento potente che estende il suo raggio d'azione, permettendogli di vedere i ritmi invisibili della crescita delle piante dal cielo.