Forskere fra Skoltech har laget et maskinlæringssystem som vil hjelpe verdensromsbyråer med å velge de "riktige" plantene for å gi fremtidige langvarige romoppdrag med den nødvendige mengden biomasse og oksygen. Funnene deres ble presentert i tidsskriftet IEEE Pervasive Computing.
”Den viktigste fordelen med metoden vår er at det er nok å få et tredimensjonalt bilde for hver plantesort bare en gang. Etter det, for å spå biomasseveksten, er det nok å bruke de enkleste kameraene. Dette forenkler og reduserer kostnadene for prognoserings-, kontroll- og optimaliseringssystemer for drivhus og systemer for kunstig livsstøtte i verdensrommet, bemerker Dmitry Shadrin, en student fra Skoltech, sitert av universitetets pressetjeneste.
Langsiktige romflyvninger, ifølge eksperter fra NASA og Roscosmos i dag, vil kreve opprettelse av fullt autonome livstøttesystemer som tillater produksjon av vann, oksygen og alle nødvendige næringsstoffer i en ubegrenset tid.
Planter og forskjellige encellede alger, som er i stand til å produsere biomasse i store mengder og i høy hastighet, regnes som nøkkelen til opprettelsen i dag. I løpet av de siste to tiårene har forskere gjort store fremskritt i denne retningen, og skapt to drivhus ombord ISS og dyrket kål, salat, aster og mange andre planter i dem.
Slike suksesser får biologer, romleger og andre forskere til å undre seg over hvor mange planter som er nødvendig for å overleve et mannskap som flyr til Mars eller andre planeter. Overskuddet av dem kan gjøre oppdraget for dyrt og urealiserbart, og manglende - undergang fremtidige tilhengere av Mark Watney fra "The Martian" til en langsom død.
Til tross for at forskere har studert planter i tusenvis av år, er det ikke så lett å utarbeide slike estimater, siden hastigheten på deres vekst og biomasse gevinst avhenger av mange forskjellige biologiske og fysiske faktorer - mengden fuktighet og sporstoffer i jorda, lysnivået og dusinvis av andre ting. I tillegg er selve biomassen ganske vanskelig å "veie" uten å drepe planten i seg selv, noe som forstyrrer vurderingen av dens vekstrate.
Shadrin og hans kolleger i Skoltech, Rupert Gerzer, Tatiana Podladchikova og Andrey Somov, fant ut hvordan de raskt og nøyaktig kunne gjøre slike vurderinger ved å observere veksten av dvergtomater ved hjelp av 3D- og 2D-kameraer.
Ved å analysere tilstanden til tomater i forskjellige vekststadier, var russiske forskere i stand til å utlede flere mønstre assosiert med biomassesettet og brukte dem til å lage maskinlæringssystemer som var i stand til å vurdere disse egenskapene ved å analysere enkle todimensjonale fotografier av tomatblader og en tredimensjonal modell av planten.
Salgsfremmende video:
Ytterligere observasjoner viste at dette programmet korrekt spådde veksten av tomater, så vel som flere varianter av salat, i løpet av de første 30 dagene av livet etter plantingen. Dette gjør at den ikke bare kan brukes til å beregne "plass" livstøttesystemer, men også for å optimalisere driften av drivhusene.
