Forskare från Skoltech har skapat ett maskininlärningssystem som hjälper rymdorganisationerna i världen att välja de "rätta" växterna för att ge framtida långsiktiga rymduppdrag med den nödvändiga mängden biomassa och syre. Deras resultat presenterades i tidskriften IEEE Pervasive Computing.
”Huvudfördelen med vår metod är att det räcker med att få en tredimensionell bild för varje växtart endast en gång. För att förutsäga tillväxten av biomassa räcker det att använda de enklaste kamerorna. Detta förenklar och reducerar kostnaderna för prognos-, kontroll- och optimeringssystem för växthus och konstgjorda livssystem i rymden kraftigt, säger Dmitry Shadrin, en forskarstuderande i Skoltech, citerad av universitetets presstjänst.
Långsiktiga rymdflygningar, enligt NASA- och Roscosmos-experter idag, kommer att kräva skapande av helt autonoma livssystem som möjliggör produktion av vatten, syre och alla nödvändiga näringsämnen under en obegränsad tid.
Växter och olika encelliga alger, som kan producera biomassa i stora mängder och i hög hastighet, anses vara nyckeln till skapandet idag. Under de senaste två decennierna har forskare gjort betydande framsteg i denna riktning och skapat två växthus ombord på ISS och odlat kål, sallad, aster och många andra växter i dem.
Sådana framgångar får biologer, rymdläkare och andra forskare att undra hur många växter som behövs för att överleva en besättning som flyger till Mars eller andra planeter. Deras överskott kan göra uppdraget för dyrt och orealiserbart, och bristen på döda framtida följare av Mark Watney från "The Martian" till en långsam död.
Trots att forskare har studerat växter i tusentals år är det inte så lätt att förbereda sådana uppskattningar, eftersom hastigheten på deras tillväxt och biomassaökning beror på många olika biologiska och fysiska faktorer - mängden fukt och spårelement i jorden, belysningsnivån och dussintals andra saker. Dessutom är själva biomassan ganska svår att "väga" utan att döda själva växten, vilket stör störningen av dess tillväxthastighet.
Shadrin och hans Skoltech-kollegor, Rupert Gerzer, Tatiana Podladchikova och Andrey Somov, räknade ut hur man snabbt och exakt kan göra sådana bedömningar genom att observera tillväxten av dvärgtomater med 3D- och 2D-kameror.
Genom att analysera tillståndet för tomater i olika tillväxtstadier kunde ryska forskare härleda flera mönster förknippade med biomassuppsättningen och använde dem för att skapa maskininlärningssystem som kunde bedöma dessa egenskaper genom att analysera enkla tvådimensionella fotografier av tomatblad och en tredimensionell modell av anläggningen.
Kampanjvideo:
Ytterligare observationer visade att detta program korrekt förutspådde tillväxthastigheten för tomater, såväl som flera olika salladsorter under de första 30 dagarna av deras liv efter plantering. Detta gör att den inte bara kan användas för att beräkna "rymd" -livsstödssystem, utan också för att optimera drivhusens drift.
