A Skoltech tudósai olyan gépi tanulási rendszert hoztak létre, amely segít a világ űrügynökségeinek a "megfelelő" növények kiválasztásában, hogy a jövőben hosszú távú űri missziókkal szolgáljanak a szükséges mennyiségű biomasszával és oxigénnel. Megállapításaikat az IEEE Pervasive Computing folyóiratban mutatták be.
„Módszerünk fő előnye az, hogy elegendő, ha minden növényfajra háromdimenziós képet kapunk egyszer. Ezt követően a biomassza növekedésének előrejelzéséhez elegendő a legegyszerűbb kamerák használata. Ez jelentősen leegyszerűsíti és csökkenti az üvegházak és a mesterséges életfenntartó rendszerek előrejelzési, ellenőrzési és optimalizálási rendszereinek költségeit az űrben”- jegyzi meg Dmitrij Shadrin, a Skoltech végzős hallgató, az egyetem sajtószolgálata idézve.
A mai NASA és a Roscosmos szakértői szerint a hosszú távú űrrepülésekhez teljesen autonóm életmentő rendszereket kell létrehozni, amelyek lehetővé teszik a víz, oxigén és minden szükséges tápanyag előállítását korlátlan ideig.
A növények és különféle egysejtű algák, amelyek nagy mennyiségben és nagy sebességgel képesek előállítani biomasszát, manapság létrejöttük kulcsa. Az elmúlt két évtizedben a tudósok jelentős előrelépéseket tettek ebben az irányban, két üvegházat hoztak létre az ISS fedélzetén, és benne káposztát, salátát, őszirózsát és sok más növényt termesztettek.
Az ilyen sikerek arra késztetik a biológusokat, az űrdoktorokat és más kutatókat, hogy hány növényre van szükség a Marsra vagy más bolygóra repülő személyzet túléléséhez. Túlmúlása miatt a misszió túl drága és megvalósíthatatlanná válhat, és Mark Watney követői hiányoznak a "Mars" -ból a lassú halálhoz.
Annak ellenére, hogy a tudósok évszázadok óta tanulmányozzák a növényeket, ilyen becsléseket nem könnyű elkészíteni, mivel növekedésük és a biomassza nyereségének mértéke számos különféle biológiai és fizikai tényezőtől függ - a talaj nedvességtartalmának és nyomelemeinek mennyiségétől, a megvilágítás szintjétől és több tucat más tényezőtől. Ezenkívül maga a biomassza meglehetősen nehéz "súlyozni" anélkül, hogy magát a növényt megölné, ami befolyásolja a növekedési ütemének felmérését.
Shadrin és Skoltech kollégái, Rupert Gerzer, Tatjana Podladchikova és Andrey Somov kitalálták, hogyan lehet gyorsan és pontosan elvégezni ezeket az értékeléseket a törpeparadicsom növekedésének 3D és 2D kamerákkal történő megfigyelésével.
A paradicsom különböző növekedési szakaszokban levő állapotának elemzésével az orosz tudósok több biomassza-készlettel kapcsolatos mintát vontak le, és gépi tanulási rendszerek létrehozására használtak, amelyek képesek ezeknek a tulajdonságoknak a kiértékelésére, a paradicsomlevelek egyszerű kétdimenziós fényképeinek és a növény háromdimenziós modelljének elemzésével.
Promóciós videó:
További megfigyelések azt mutatták, hogy ez a program helyesen megjósolta a paradicsom, valamint a különféle salátafajták növekedési ütemét az ültetés utáni életének első 30 napjában. Ez lehetővé teszi nemcsak a "hely" életmentő rendszerek kiszámításához, hanem az üvegházak működésének optimalizálásához is.