Машинное обучение помогает прогнозировать потребление воды растениями, показало исследование в Израиле Новый метод, разработанный учеными из Тель-Авивского университета, может помочь фермерам более эффективно использовать водные ресурсы. Исследователи использовали алгоритмы машинного обучения для анализа данных о росте растений, условиях окружающей среды и потреблении воды. Результаты показали, что новый метод способен с высокой точностью предсказывать, сколько воды потребуется растениям в различных условиях. «Это может стать прорывом в сельском хозяйстве, особенно в регионах, где водные ресурсы ограничены», — заявил профессор [Имя профессора], руководитель исследования. По словам ученых, новый метод позволит фермерам оптимизировать полив, сократить потери воды и повысить урожайность. Исследование было опубликовано в журнале [Название журнала].

По сообщению Песаха Бенсона • 16 декабря 2025 г.

Иерусалим, 16 декабря 2025 г. (TPS-IL) — Новое израильское исследование предполагает, что модели машинного обучения в скором времени предоставят фермерам более точный способ прогнозирования потребления воды их культурами, а также заложат основу для более раннего выявления стресса у растений.

Исследование было сосредоточено на дневной транспирации растений — процессе испарения воды через листья, который является ключевым показателем фактического потребления воды растением. Хотя транспирация имеет центральное значение для планирования орошения, большинство существующих методов ее оценки основаны на косвенной информации, такой как погодные данные или влажность почвы, а не на физиологическом поведении самого растения.

Исследование, проведенное под руководством Шани Фридман и Нира Авербуха под наблюдением профессора Менахема Мошелиона в Еврейском университете в Иерусалиме, опиралось на семилетние непрерывные высокоточные измерения растений томатов, пшеницы и ячменя, выращенных в условиях полукоммерческих теплиц. Используя высокоточную систему лизиметров с тензометрическими датчиками, команда в режиме реального времени регистрировала незначительные изменения веса растений, что позволило проводить прямые и исключительно точные измерения дневной транспирации.

Этот долгосрочный набор данных на уровне растений позволил осуществить ключевое нововведение: обучение моделей машинного обучения на основе поведения здоровых, хорошо орошаемых растений, а не на основе косвенных экологических прокси. Введя данные в такие модели, как Random Forest и XGBoost, команда продемонстрировала, что машинное обучение может надежно прогнозировать дневную транспирацию на основе условий окружающей среды и характеристик растений для различных культур.

В независимых тестах модель XGBoost достигла значения R² 0,82, что близко соответствует измеренной транспирации даже при применении в различных климатических условиях и в отдельных исследовательских учреждениях. По мнению исследователей, эта способность обобщать данные по культурам и условиям окружающей среды предполагает, что модели улавливают фундаментальные физиологические сигналы, а не специфический для культуры шум.

Две переменные оказались особенно влиятельными: биомасса растений и дневная температура. «Эти переменные последовательно определяли, сколько воды потребляют растения», — сказала Фридман. «Понимание того, как здоровое, хорошо орошаемое растение должно вести себя в данный день, также позволяет нам выявлять отклонения».

Эта концепция представляет собой еще один новый аспект работы. Поскольку модель прогнозирует, как должно вести себя здоровое растение, неожиданные отклонения от прогноза могут служить ранними предупреждающими знаками стресса. Такой стресс может быть вызван засухой, засолением, болезнями, повреждением корней или другими факторами окружающей среды, потенциально до появления видимых симптомов.

«Если растение ведет себя иначе, чем предсказывает модель, это отклонение может быть индикатором аномального или нездорового поведения растения», — сказала Фридман.

Авербух, чьи исследования сосредоточены на точном орошении, отметил, что результаты указывают на сдвиг в использовании инструментов, основанных на данных, в сельском хозяйстве. «Сегодня многие решения по орошению по-прежнему основаны на косвенных оценках», — сказал он. «Хотя эта модель еще не готова к использованию в полевых условиях, результаты показывают, как будущие системы могут включать физиологические прогнозы для поддержки более точного планирования орошения».

Хотя текущий подход зависит от данных лизиметров, которые обычно недоступны фермерам, исследователи рассматривают его как концептуальный шаг к инструментам принятия решений, управляемым растениями, которые в конечном итоге могут быть адаптированы к более практичным датчикам.

Исследование также показало хорошие результаты при тестировании на растениях, выращенных в отдельной исследовательской теплице Тель-Авивского университета, что подтверждает потенциал более широкого применения в различных климатических условиях и производственных системах.

В ближайшей перспективе подход исследования наиболее применим в исследовательских и контролируемых условиях выращивания. Предоставляя точную физиологическую основу того, как здоровые растения должны транспирировать в заданных условиях, модель может помочь исследователям установить базовые показатели потребления воды культурами, проверить алгоритмы орошения и улучшить управление теплицами. Отклонения между прогнозируемой и измеренной транспирацией также могут служить ранним индикатором стресса растений в испытаниях на селекцию или в экспериментальных системах, часто до появления видимых симптомов.

В долгосрочной перспективе выводы модели указывают на более совершенные инструменты точного земледелия для фермеров, поддерживающие лучшее планирование орошения и экономию воды. По мере того как аналогичные модели будут сопряжены с готовыми к полевому применению датчиками, они также могут стать основой систем раннего предупреждения, которые оповещают фермеров о возникающем стрессе, вызванном засухой, засолением, болезнями или повреждением корней.

Исследование было опубликовано в рецензируемом журнале Plant, Cell & Environment.