Skoltechin tutkijat ovat luoneet koneoppimisjärjestelmän, joka auttaa maailman avaruusjärjestöjä valitsemaan "oikeat" kasvit toimittamaan tulevia pitkäaikaisia avaruusoperaatioita tarvittavalla määrällä biomassaa ja happea. Heidän havaintonsa esiteltiin lehdessä IEEE Pervasive Computing.
”Menetelmämme tärkein etu on, että riittää, että saadaan kolmiulotteinen kuva jokaisesta kasvilajista vain kerran. Sen jälkeen biomassan kasvun ennustamiseen riittää, että käytetään yksinkertaisimpia kameroita. Tämä yksinkertaistaa ja vähentää huomattavasti avaruudessa olevien kasvihuoneiden ja keinotekoisten elämäntukijärjestelmien ennustamis-, hallinta- ja optimointijärjestelmien kustannuksia”, toteaa Skoltechin jatko-opiskelija Dmitri Shadrin, yliopiston tiedotusyksikön lainaama.
NASA: n ja Roscosmos-asiantuntijoiden mukaan nykyään pitkäaikaiset avaruuslennot edellyttävät täysin itsenäisten elämän tukijärjestelmien luomista, jotka mahdollistavat veden, hapen ja kaikkien tarvittavien ravintoaineiden tuotannon rajoittamattoman ajan.
Kasveja ja erilaisia yksisoluisia leviä, jotka pystyvät tuottamaan biomassaa suurina määrinä ja suurella nopeudella, pidetään avaimena niiden luomiseen. Kahden viime vuosikymmenen aikana tutkijat ovat edistyneet merkittävästi tähän suuntaan, luoneet kaksi kasvihuoneet ISS: n päälle ja kasvataneet niissä kaalia, salaattia, astersta ja monia muita kasveja.
Tällaiset menestykset saavat biologit, avaruuslääkärit ja muut tutkijat ihmettelemään, kuinka monta kasvia tarvitaan Marsille tai muille planeetoille lentävän miehistön selviytymiseen. Niiden liiallinen voi tehdä tehtävästä liian kallista ja toteuttamatonta, ja tulevien Mark Watneyn seuraajien puute "Marsista" hitaan kuolemaan.
Huolimatta siitä, että tutkijat ovat tutkineet kasveja tuhansien vuosien ajan, ei ole niin helppoa laatia tällaisia arvioita, koska niiden kasvunopeus ja biomassan voitto riippuvat monista erilaisista biologisista ja fysikaalisista tekijöistä - kosteuden ja hivenaineiden määrästä maaperässä, valaistuksen tasosta ja kymmenistä muista asioista. Lisäksi itse biomassaa on melko vaikea "punnita" tappamatta itse kasetta, mikä häiritsee sen kasvunopeuden arviointia.
Shadrin ja hänen Skoltech-kollegansa Rupert Gerzer, Tatjana Podladchikova ja Andrey Somov keksivat kuinka nopeasti ja tarkasti tehdä tällaisia arviointeja tarkkailemalla kääpiötomaattien kasvua 3D- ja 2D-kameroilla.
Analysoimalla tomaattien tilaa eri kasvuvaiheissa, venäläiset tutkijat pystyivät päättelemään useita biomassasarjaan liittyviä kuvioita ja käyttivät niitä luomaan koneoppimisjärjestelmiä, jotka pystyivät arvioimaan näitä ominaisuuksia analysoimalla yksinkertaisia kaksiulotteisia valokuvia tomaatinlehdistä ja kolmiulotteista mallia kasvista.
Mainosvideo:
Lisähavainnot osoittivat, että tämä ohjelma ennusti oikein tomaattien, samoin kuin useiden salaattien lajikkeiden kasvuvauhdin niiden ensimmäisen 30 päivän aikana istutuksen jälkeen. Tämän ansiosta sitä voidaan käyttää paitsi "avaruus" elämän tukijärjestelmien laskemiseen, myös kasvihuoneiden toiminnan optimointiin.