Ni Pesach Benson • Disyembre 16, 2025
Jerusalem, 16 Disyembre, 2025 (TPS-IL) — Isang bagong pag-aaral sa Israel ang nagmumungkahi na ang mga machine-learning model ay maaaring magbigay sa mga magsasaka ng mas tumpak na paraan upang mahulaan kung gaano karaming tubig ang ginagamit ng kanilang mga pananim araw-araw, habang naglalatag din ng pundasyon para sa mas maagang pagtuklas ng stress sa halaman.
Nakatuon ang pananaliksik sa pang-araw-araw na plant transpiration — isang proseso kung saan ang tubig ay sumisingaw sa mga dahon at isang mahalagang indikasyon kung gaano karaming tubig ang aktwal na kinokonsumo ng isang halaman. Bagaman ang transpiration ay sentro sa pagpaplano ng irigasyon, karamihan sa mga kasalukuyang pamamaraan ng pagtatasa nito ay umaasa sa hindi direktang impormasyon tulad ng datos ng panahon o kahalumigmigan ng lupa, sa halip na sa sariling physiological behavior ng halaman.
Pinangunahan nina Shani Friedman at Nir Averbuch sa ilalim ng pangangasiwa ni Prof. Menachem Moshelion sa Hebrew University of Jerusalem, ang pag-aaral ay gumamit ng pitong taon ng tuluy-tuloy, high-resolution na mga sukat mula sa mga halaman ng kamatis, trigo, at barley na itinanim sa semi-commercial na kondisyon sa greenhouse. Gamit ang isang high-precision load-cell lysimeter system, naitala ng koponan ang mga banayad na pagbabago sa bigat ng halaman sa real time, na nagbigay-daan sa direktang at napakatumpak na pagsukat ng pang-araw-araw na transpiration.
Ang pangmatagalang dataset na ito sa antas ng halaman ay nagbigay-daan sa isang mahalagang inobasyon: ang pagtuturo sa mga machine-learning model kung paano aktwal na kumikilos ang malusog, maayos na natubigan na mga halaman, sa halip na sa mga hindi direktang environmental proxy. Sa pamamagitan ng pagpapakain ng datos sa mga model tulad ng Random Forest at XGBoost, ipinakita ng koponan na ang machine learning ay maaasahang makakapaghula ng pang-araw-araw na transpiration mula sa mga kondisyon ng kapaligiran at mga katangian ng halaman sa maraming pananim.
Sa mga independiyenteng pagsubok, ang XGBoost model ay nakakuha ng R² value na 0.82, na malapit na tumutugma sa nasukat na transpiration kahit na ginamit sa ilalim ng iba’t ibang kondisyon ng klima at sa magkahiwalay na mga pasilidad ng pananaliksik. Ayon sa mga mananaliksik, ang kakayahang ito na mag-generalize sa mga pananim at kapaligiran ay nagpapahiwatig na ang mga modelo ay nakakakuha ng mga pangunahing physiological signal sa halip na mga crop-specific na ingay.
Dalawang variable ang lumitaw bilang lalong maimpluwensya: ang plant biomass at ang pang-araw-araw na temperatura. “Ang mga variable na ito ay patuloy na humubog kung gaano karaming tubig ang kinokonsumo ng mga halaman,” sabi ni Friedman. “Ang pag-unawa kung paano inaasahang kumilos ang isang malusog, maayos na natubigan na halaman sa isang partikular na araw ay nagpapahintulot din sa atin na matuklasan kapag may mali.”
Ang konseptong iyon ay kumakatawan sa isa pang nobelang aspeto ng trabaho. Dahil hinuhulaan ng modelo kung ano ang dapat gawin ng isang malusog na halaman, ang mga hindi inaasahang paglihis mula sa hula ay maaaring magsilbing mga babala ng stress. Ang ganitong stress ay maaaring magresulta mula sa tagtuyot, alat, sakit, pinsala sa ugat, o iba pang mga panggigipit sa kapaligiran, posibleng bago pa lumitaw ang mga nakikitang sintomas.
“Kung ang isang halaman ay kumikilos nang iba kaysa sa hinuhulaan ng modelo, ang paglihis na iyon ay maaaring maging isang indikasyon ng abnormal o hindi malusog na pag-uugali ng halaman,” sabi ni Friedman.
Sinabi ni Averbuch, na ang pananaliksik ay nakatuon sa precision irrigation, na ang mga natuklasan ay nagtuturo sa isang pagbabago sa kung paano magagamit ang mga data-driven na kasangkapan sa agrikultura. “Ngayon, maraming desisyon sa irigasyon ang umaasa pa rin sa mga hindi direktang pagtatantya,” sabi niya. “Bagaman ang modelong ito ay hindi pa handa para sa field, ang mga natuklasan ay nagpapakita kung paano ang mga hinaharap na sistema ay maaaring magsama ng mga physiological prediction upang suportahan ang mas tumpak na pag-iskedyul ng irigasyon.”
Habang ang kasalukuyang diskarte ay nakasalalay sa lysimeter data na hindi karaniwang magagamit ng mga magsasaka, nakikita ng mga mananaliksik ito bilang isang konseptwal na hakbang patungo sa mga plant-driven na kasangkapan sa paggawa ng desisyon na maaaring umangkop sa mas praktikal na mga sensor.
Ang pag-aaral ay mahusay din nang sinubukan sa mga halaman na itinanim sa isang hiwalay na research greenhouse sa Tel Aviv University, na nagpapatibay sa potensyal para sa mas malawak na aplikasyon sa iba’t ibang klima at mga sistema ng produksyon.
Sa malapit na hinaharap, ang diskarte ng pag-aaral ay pinaka-angkop sa pananaliksik at mga kontroladong kapaligiran sa paglaki. Sa pamamagitan ng pagbibigay ng isang tumpak na physiological baseline para sa kung paano dapat mag-transpire ang malusog na mga halaman sa ilalim ng mga ibinigay na kondisyon, ang modelo ay makakatulong sa mga mananaliksik na mag-benchmark ng Paggamit ng tubig ng pananim, mag-validate ng mga irrigation algorithm, at mapabuti ang pamamahala ng greenhouse. Ang mga paglihis sa pagitan ng hinulaan at nasukat na transpiration ay maaari ding magsilbing isang maagang indikasyon ng stress sa halaman sa mga breeding trial o mga experimental system, madalas bago pa lumitaw ang mga nakikitang sintomas.
Sa mas mahabang panahon, ang mga pananaw mula sa modelo ay nagtuturo sa mas advanced na mga precision agriculture tool para sa mga magsasaka na sumusuporta sa mas mahusay na pag-iskedyul ng irigasyon at pagtitipid ng tubig. Habang ang mga katulad na modelo ay ipinares sa mga field-ready sensor, maaari rin silang bumuo ng batayan ng mga sistema ng maagang babala na nagpapaalerto sa mga magsasaka sa lumalalang stress na dulot ng tagtuyot, alat, sakit, o pinsala sa ugat.
Ang pag-aaral ay nai-publish sa peer-reviewed na Plant, Cell & Environment.