Wetenschappers van Skoltech hebben een machine-leersysteem ontwikkeld dat ruimteagentschappen over de hele wereld zal helpen de 'juiste' planten te selecteren om de benodigde hoeveelheid biomassa en zuurstof te leveren voor toekomstige langetermijnmissies in de ruimte. Hun bevindingen werden gepresenteerd in het tijdschrift IEEE Pervasive Computing.
“Het grote voordeel van onze methode is dat het voldoende is om voor elke plantensoort maar één keer een driedimensionaal beeld te krijgen. Daarna volstaat het om de eenvoudigste camera's te gebruiken om de groei van biomassa te voorspellen. Dit vereenvoudigt en verlaagt de kosten van voorspellings-, controle- en optimalisatiesystemen voor kassen en kunstmatige levensondersteunende systemen in de ruimte aanzienlijk”, aldus Dmitry Shadrin, een afgestudeerde student van Skoltech, geciteerd door de persdienst van de universiteit.
Volgens NASA- en Roscosmos-experts van vandaag vereisen langetermijnvluchten de creatie van volledig autonome levensondersteunende systemen die de productie van water, zuurstof en alle noodzakelijke voedingsstoffen voor een onbeperkte tijd mogelijk maken.
Planten en verschillende eencellige algen, die in staat zijn om in grote hoeveelheden en met hoge snelheid biomassa te produceren, worden tegenwoordig als de sleutel tot hun creatie beschouwd. In de afgelopen twee decennia hebben wetenschappers aanzienlijke vooruitgang geboekt in deze richting, door twee kassen aan boord van het ISS te creëren en daarin kool, sla, asters en vele andere planten te verbouwen.
Dergelijke successen doen biologen, ruimtedokters en andere onderzoekers zich afvragen hoeveel planten er nodig zijn voor het overleven van een bemanning die naar Mars of andere planeten vliegt. Hun overdaad kan de missie te duur en onrealiseerbaar maken, en het gebrek aan verdoemenis van toekomstige volgers van Mark Watney van "The Martian" tot een langzame dood.
Ondanks het feit dat wetenschappers al duizenden jaren planten bestuderen, is het niet zo eenvoudig om dergelijke schattingen te maken, aangezien de snelheid van hun groei en biomassa-toename afhangt van veel verschillende biologische en fysische factoren - de hoeveelheid vocht en sporenelementen in de bodem, het verlichtingsniveau en tientallen andere dingen. Bovendien is de biomassa zelf nogal moeilijk te ‘wegen’ zonder de plant zelf te doden, wat de beoordeling van de groeisnelheid verstoort.
Shadrin en zijn Skoltech-collega's, Rupert Gerzer, Tatiana Podladchikova en Andrey Somov, kwamen erachter hoe ze snel en nauwkeurig dergelijke beoordelingen konden maken door de groei van dwergtomaten te observeren met behulp van 3D- en 2D-camera's.
Door de staat van tomaten in verschillende groeifasen te analyseren, konden Russische wetenschappers verschillende patronen afleiden die verband houden met de biomassaset en deze gebruiken om machine-leersystemen te creëren die deze kenmerken kunnen beoordelen door eenvoudige tweedimensionale foto's van tomatenbladeren en een driedimensionaal model van de plant te analyseren.
Promotie video:
Verdere observaties toonden aan dat dit programma de groeisnelheid van tomaten en van verschillende slasoorten correct voorspelde gedurende de eerste 30 dagen van hun leven na het planten. Hierdoor kan het niet alleen worden gebruikt voor het berekenen van "ruimte" levensondersteunende systemen, maar ook voor het optimaliseren van de werking van kassen.