A talajban úszó robottól, amely valós időben képes érzékelni a gyökérzónában uralkodó körülményeket, a termésromlást előrejelző számítási modellekig terjedő projektek kaptak vetőmagot a Cornell-kezdeményezés a digitális mezőgazdaságértaz új Kutatási Innovációs Alap.
Nyolc interdiszciplináris kutatócsoport – a Mezőgazdasági és Élettudományi Főiskola, a Mérnöki, Számítástechnikai és Információtudományi Főiskola, a Cornell Tech és a College of Veterinary Medicine (CVM) – három évre 225,000 XNUMX dollárig terjedő díjat kap. A jelentkezéshez a csapatoknak legalább két főiskola Cornell oktatóinak részvételével kellett biztosítani az egyetemeken átívelő együttműködést.
„Ezek a kutatási projektek a digitális eszközökben – például számítási modellekben, robotrendszerekben, mesterséges intelligenciában és a „dolgok internetében” – rejlő izgalmas lehetőségeket képviselik, hogy átalakítsák a mezőgazdaságot az élelmiszer-termelési folyamat minden lépésében” Susan McCouch, Barbara McClintock növénynemesítési és genetikai professzor, valamint a Cornell Initiative for Digital Agriculture (CIDA) igazgatója. „Az ehhez hasonló interdiszciplináris együttműködések a tudomány határait feszegetik, hogy növeljék a mezőgazdaság termelékenységét és fenntarthatóságát, valamint elősegítsék a felfedezések és a gyakorlati innovációk sorát.”
A közel három tucat oktatóból álló multidiszciplináris csoport, amelynek elnöke Renata Ivanek, a CVM Populációs Orvostudományi és Diagnosztikai Tudományok Tanszékének docense, 31 pályázat közül választotta ki a nyolc projektet. A díjakat a CIDA Kutatási Innovációs Alap és az Egyesült Államok Mezőgazdasági Minisztériumának Hatch Act programja finanszírozza.
A projektek:
Az eper terméshozamának javítása natív és robotporzók révén: Kirstin Petersen, villamos- és számítástechnikai adjunktus; és Scott McArt, a rovartan adjunktusa. Munkájuk során integrálni fogják a vadon élő és irányított beporzók automatizált megfigyelését a robotbeporzással, megalapozva egy biológiai-hibrid rendszert, amely képes megfigyelni, előre jelezni és javítani a terméshozamot. A kutatók tartós és kis teljesítményű rovarkamerás csapdákat fejlesztenek, drónokat használnak a gyors keresztbeporzáshoz, és olyan növekedési modelleket készítenek, amelyeket egy online alkalmazáson keresztül eljuttathatnak a gazdálkodóhoz.
Új talajrobotika és érzékelés a vízhasználat hatékonyságának talaj-gyökér fenotipizálásához: Taryn Bauerle, a School of Integrative Plant Science (SIPS) egyetemi docense; Robert Shepherd, a Sibley School of Mechanical and Aerospace Engineering (MAE) docense; Mike Gore, Liberty Hyde Bailey A SIPS molekuláris nemesítésének és genetikájának professzora és docense; Johannes Lehmann, a SIPS talaj- és növénytudományi professzora; és Abraham Stroock, a William C. Hooey igazgatója és Gordon L. Dibble, a kémiai és biomolekuláris mérnöki professzor. A növények gyökerei körüli talajban lévő víz elérhetőségével és áramlásával kapcsolatos valós idejű információk elérése érdekében a kutatók érzékelési stratégiát és talajúszó robotot dolgoznak ki a gyökérzóna félig autonóm feltárására.
Mikrobiom-informált számítási modellek és döntéstámogató eszközök a friss termékek romlásának előrejelzésére: a spenót mint modellrendszer: Martin Wiedmann, a Gellért család élelmiszerbiztonsági professzora; és Ivanek. A kutatók számítási modellt dolgoznak ki a mikrobiom kölcsönhatásairól és a feldolgozás, szállítás és kiskereskedelem során fellépő perturbációkról, hogy megjósolják a friss spenót eltarthatóságát.
Gyorsított és automatizált stresszdiagnosztika almaültetvényekben: Awais Khan, a Cornell AgriTech SIPS docense; Serge Belongie, a Cornell Tech számítástechnika professzora; és Noah Snavely, a Cornell Tech számítástechnika docense. A növénypatológiában, a fenotipizálásban és a számítógépes látásban szerzett szakértelmet ötvözve a csapat szakértők által jegyzett betegségadat-készleteket hoz létre az almák számára, globális kihívási versenyt vezet, hogy új megoldásokat találjon a betegségek osztályozására és számszerűsítésére, számítógépes látásmodelleket fejleszt a sok betegség tüneteinek pontos megkülönböztetésére. betegségeket, és felhasználóbarát alkalmazásokat fejlesztenek az almatermesztők támogatására.
Szén-dioxid-gazdálkodás: A gépi intelligencia, a big data és a folyamatmodellek kombinálása ennek a feltörekvő szektornak a támogatására: Lehmann és Fengqi You, Roxanne E. és Michael J. Zak energetikai rendszermérnöki professzor a Smith School of Chemical and Biomolecular Engineeringben. Ennek a projektnek a célja a talaj szerves széntartalmának pontos előrejelzése a talajfolyamatok modellezésének gépi tanulással, mély tanulással és big data kombinálásával, hogy olyan platformot hozzon létre, amely a bizonyítékokon alapuló politikát és a talajegészségügybe és az éghajlatváltozás mérséklésére irányuló befektetéseket ösztönzi.
Funkció-célzott, nagy felbontású fenotipizálási platform a genetikai-funkciók összefüggéseinek levezetésére a rizomikrobiomban a növényi tápanyagok felhasználásának elősegítése érdekében: April Gu, az építő- és környezetmérnök professzor; Jenny Kao-Kniffin, a SIPS docense; és Kilian Weinberger, a számítástechnika docense. A kutatók egy innovatív fenotipizálási-genotipizálási technológiai platformot fognak kifejleszteni, amely lehetővé teszi számukra, hogy világszínvonalú mezőgazdasági fenotipizálási létesítményt építsenek Cornellben, hogy felfedezzék és profilozzák a növények számára előnyös új mikroorganizmusokat.
Az égbolt és a talaj méretezhető digitális érzékelői: A dolgok internetes megközelítése az extrém hőség, aszály és csapadék mezőgazdasági szintű időjárás-előrejelzéseinek javítására: Toby Ault, a föld- és légkörtudományok adjunktusa; és Max Zhang, a MAE docense. A kutatók a dolgok létező, vezeték nélküli internetének felhasználásával figyelemmel kísérik és előrejelzik a szélsőséges időjárás előrejelzéséhez szükséges kulcsfontosságú változókat az állam, a megye és a mezőgazdasági üzemek szintjén, hogy az élelmiszer-termelők számára eszköztárat biztosítsanak a veszélyek előrejelzéséhez.
Prediktív modellek fejlesztése a szubklinikai és klinikai tőgygyulladás pontos kimutatására automatizált fejőrendszerekkel fejt tejelő teheneknél: Rick Watters, a CVM vezető munkatársa és a Quality Milk Production Services Western Laboratory igazgatója; és Kristan Reed, az állattudomány adjunktusa. A kutatók olyan adatok felhasználásával, mint a tejhozam, a fejési idő és a fejési látogatások közötti idő, algoritmust dolgoznak ki a tejelő tehenek tőgygyulladásának előrejelzésére.
- Melanie Lefkowitz, Cornell Egyetem
A talajban úszó robottól, amely valós időben képes érzékelni a gyökérzónában uralkodó viszonyokat, a termelés romlását előrejelző számítási modellekig, a Cornell Initiative for Digital Agriculture új kutatási innovációs alapjából kaptak alapforrást. Fent egy drón a Musgrave Research Farmon, amelyet Micheal Gore professzor laboratóriumának diákjai vittek a terepre. Fotó: Allison Usavage