Σύμφωνα με τους LA Times, η τεχνολογία μπορεί να ανιχνεύσει τα «πρώιμα σημάδια» του φυτικού ιού, του ιού των φυλλωμάτων της αμπέλου, ο οποίος μεταδίδεται από αλευρώδη.
Παραδοσιακά, λόγω της φύσης της νόσου, προηγουμένως μπορούσε να εντοπιστεί μόνο με ανάλυση κλήματος προς κλήμα στο έδαφος ακολουθούμενη από δοκιμές, η οποία στη συνέχεια θα έδινε αποτελέσματα πολύ αργά για να αποτρέψει την εμφάνισή της.
Παράλληλα, τα στοιχεία υποδηλώνουν ότι ζημιές και απώλειες ύψους έως και 3 δισεκατομμυρίων δολαρίων σημειώνονται ετησίως στις ΗΠΑ λόγω του ιού, με τη μόνη θεραπεία μόλις καταλήξει να αφαιρεθούν τα αμπέλια.
Αλλά η νέα τεχνολογία της NASA χρησιμοποίησε υπέρυθρες εικόνες από ένα αεροπλάνο για να δει ποια αμπέλια παρουσίαζαν συμπτώματα, επιτρέποντας στους καλλιεργητές να αντιδράσουν πριν να είναι πολύ αργά. Καθώς ο ιός έχει μια λανθάνουσα περίοδο κατά την οποία τα αμπέλια έχουν μολυνθεί, αλλά δεν εμφανίζουν ορατά συμπτώματα, τον καθιστά ιδανικό μοντέλο για την αξιολόγηση της επεκτασιμότητας της ανίχνευσης ασθενειών με βάση τη φασματοσκοπία απεικόνισης, είπαν οι επιστήμονες. Η τεχνολογία θα μπορούσε να χρησιμοποιηθεί στο μέλλον και για άλλες γεωργίες.
Έρευνα μεταξύ Σεπτεμβρίου 2020 και 2021, είδε συνεργάτες της βιομηχανίας να αναζητούν 317 εκτάρια ανά κλήμα για ορατά ιικά συμπτώματα και συνέλεξαν ένα υποσύνολο για δοκιμές μοριακής επιβεβαίωσης. Τα συμπτωματικά αμπέλια που εντοπίστηκαν το 2021 θεωρήθηκε ότι είχαν μολυνθεί λανθάνοντα κατά τη στιγμή της απεικόνισης με τυχαία δασικά μοντέλα «εκπαιδευμένα σε ένα φασματοσκοπικό σήμα μη μολυσμένων αμπελιών και μολυσμένων με νόσο των φύλλων». Τα μοντέλα ήταν σε θέση να διαφοροποιήσουν μεταξύ μη μολυσμένων και μολυσμένων αμπελιών σε ανάλυση 1 έως 5 μέτρων, κατέληξε.
Έδειξε επίσης ότι τα μοντέλα με την καλύτερη απόδοση είχαν ακρίβεια 87% στη διάκριση μεταξύ μη μολυσμένων και ασυμπτωματικών κλημάτων και ακρίβεια 85% στη διάκριση μεταξύ μη μολυσμένων και ασυμπτωματικών + συμπτωματικών κλημάτων.
Καταλήγοντας, είπε: «Βρίσκουμε ότι η αερομεταφερόμενη φασματοσκοπία απεικόνισης και η μηχανική μάθηση μπορούν να χρησιμοποιηθούν για την ανάπτυξη μοντέλων που εντοπίζουν αποτελεσματικά το φασματοσκοπικό σήμα της μόλυνσης από GLRaV-3 (φυλλόφυλλο) σε αμπέλια σε διάφορες χωρικές αναλύσεις, ανεξάρτητα από την ορατή εκδήλωση συμπτωμάτων.
«Ο στόχος της δουλειάς μας δεν είναι να αντικαταστήσουμε τις υπάρχουσες στρατηγικές αναζήτησης πεδίου ή μοριακές δοκιμές, αλλά αντίθετα να αναπτύξουμε πιο στρατηγικά αυτούς τους πόρους».
ΠΗΓΗ: thedrinksbusiness.com
