इज़रायल का नया अध्ययन: मशीन लर्निंग से फसलों की पानी की खपत का सटीक अनुमान, पौधों के तनाव का जल्दी पता लगाने में मदद
येरुशलम, 16 दिसंबर, 2025 (TPS-IL) — एक नए इज़राइली अध्ययन से पता चलता है कि मशीन-लर्निंग मॉडल जल्द ही किसानों को यह अनुमान लगाने का एक बहुत ही सटीक तरीका प्रदान कर सकते हैं कि उनकी फसलें हर दिन कितना पानी इस्तेमाल करेंगी, साथ ही पौधों में तनाव का पहले पता लगाने की नींव भी रख सकते हैं।
यह शोध दैनिक पौधे के वाष्पोत्सर्जन पर केंद्रित था – एक ऐसी प्रक्रिया जिसके द्वारा पानी पत्तियों से वाष्पित होता है और यह एक प्रमुख संकेतक है कि पौधा वास्तव में कितना पानी ग्रहण करता है। जबकि वाष्पोत्सर्जन सिंचाई योजना के लिए केंद्रीय है, इसका आकलन करने के अधिकांश मौजूदा तरीके मौसम डेटा या मिट्टी की नमी जैसी अप्रत्यक्ष जानकारी पर निर्भर करते हैं, न कि पौधे के अपने शारीरिक व्यवहार पर।
हिब्रू विश्वविद्यालय, येरुशलम में प्रोफेसर मेनाचेम मोशेलीयन की देखरेख में शानी फ्रीडमैन और निर एवरबुच के नेतृत्व में, इस अध्ययन ने अर्ध-व्यावसायिक ग्रीनहाउस परिस्थितियों में उगाए गए टमाटर, गेहूं और जौ के पौधों से सात वर्षों के निरंतर, उच्च-रिज़ॉल्यूशन माप का उपयोग किया। एक उच्च-सटीकता वाले लोड-सेल लाइसमीटर सिस्टम का उपयोग करके, टीम ने वास्तविक समय में पौधे के वजन में सूक्ष्म परिवर्तनों को रिकॉर्ड किया, जिससे दैनिक वाष्पोत्सर्जन का प्रत्यक्ष और असाधारण रूप से सटीक माप संभव हुआ।
उस दीर्घकालिक, पौधे-स्तरीय डेटासेट ने एक प्रमुख नवाचार को सक्षम किया: मशीन-लर्निंग मॉडल को इस बात पर प्रशिक्षित करना कि स्वस्थ, अच्छी तरह से सिंचित पौधे वास्तव में कैसे व्यवहार करते हैं, न कि अप्रत्यक्ष पर्यावरणीय प्रॉक्सी पर। डेटा को रैंडम फ़ॉरेस्ट और XGBoost जैसे मॉडल में फीड करके, टीम ने दिखाया कि मशीन लर्निंग कई फसलों में पर्यावरणीय परिस्थितियों और पौधे की विशेषताओं से दैनिक वाष्पोत्सर्जन का मज़बूती से अनुमान लगा सकती है।
स्वतंत्र परीक्षणों में, XGBoost मॉडल ने 0.82 का R² मान प्राप्त किया, जो मापे गए वाष्पोत्सर्जन से निकटता से मेल खाता है, भले ही इसे विभिन्न जलवायु परिस्थितियों में और अलग-अलग अनुसंधान सुविधाओं में लागू किया गया हो। शोधकर्ताओं के अनुसार, फसलों और वातावरणों में सामान्यीकरण करने की यह क्षमता बताती है कि मॉडल फसल-विशिष्ट शोर के बजाय मौलिक शारीरिक संकेतों को पकड़ रहे हैं।
दो चर विशेष रूप से प्रभावशाली उभरे: पौधे का बायोमास और दैनिक तापमान। फ्रीडमैन ने कहा, “ये चर लगातार इस बात को आकार देते हैं कि पौधे कितना पानी ग्रहण करते हैं।” “यह समझना कि एक स्वस्थ, अच्छी तरह से सिंचित पौधा किसी दिए गए दिन कैसा व्यवहार करने की उम्मीद है, हमें यह पता लगाने की भी अनुमति देता है कि जब कुछ गड़बड़ हो।”
वह अवधारणा काम का एक और नया पहलू प्रस्तुत करती है। चूंकि मॉडल भविष्यवाणी करता है कि एक स्वस्थ पौधा क्या कर रहा होगा, भविष्यवाणी से अप्रत्याशित विचलन तनाव के शुरुआती चेतावनी संकेत के रूप में काम कर सकते हैं। ऐसे तनाव का कारण सूखा, लवणता, बीमारी, जड़ क्षति या अन्य पर्यावरणीय दबाव हो सकते हैं, जो संभवतः दिखाई देने वाले लक्षण प्रकट होने से पहले हो सकते हैं।
फ्रीडमैन ने कहा, “यदि कोई पौधा मॉडल की भविष्यवाणी से अलग व्यवहार करता है, तो वह विचलन असामान्य या अस्वास्थ्यकर पौधे के व्यवहार का संकेतक हो सकता है।”
एवरबुच, जिनका शोध सटीक सिंचाई पर केंद्रित है, ने कहा कि निष्कर्ष कृषि में डेटा-संचालित उपकरणों का उपयोग कैसे किया जा सकता है, इसमें बदलाव की ओर इशारा करते हैं। उन्होंने कहा, “आज, कई सिंचाई निर्णय अभी भी अप्रत्यक्ष अनुमानों पर निर्भर करते हैं।” “हालांकि यह मॉडल अभी तक क्षेत्र के लिए तैयार नहीं है, निष्कर्ष बताते हैं कि भविष्य की प्रणालियां अधिक सटीक सिंचाई शेड्यूलिंग का समर्थन करने के लिए शारीरिक भविष्यवाणियों को कैसे शामिल कर सकती हैं।”
जबकि वर्तमान दृष्टिकोण लाइसमीटर डेटा पर निर्भर करता है जो आम तौर पर किसानों के लिए उपलब्ध नहीं होता है, शोधकर्ता इसे पौधे-संचालित निर्णय उपकरणों की दिशा में एक वैचारिक कदम के रूप में देखते हैं जिसे अंततः अधिक व्यावहारिक सेंसर के अनुकूल बनाया जा सकता है।
यह अध्ययन तेल अवीव विश्वविद्यालय में एक अलग अनुसंधान ग्रीनहाउस में उगाए गए पौधों पर परीक्षण किए जाने पर भी अच्छा प्रदर्शन किया, जिससे जलवायु और उत्पादन प्रणालियों में व्यापक प्रयोज्यता की क्षमता मजबूत हुई।
निकट भविष्य में, अध्ययन का दृष्टिकोण अनुसंधान और नियंत्रित विकास वातावरण में सबसे अधिक लागू होता है। यह प्रदान करके कि स्वस्थ पौधे दी गई परिस्थितियों में कैसे वाष्पोत्सर्जित होने चाहिए, इसके लिए एक सटीक शारीरिक आधार प्रदान करता है, मॉडल शोधकर्ताओं को फसल जल उपयोग को बेंचमार्क करने, सिंचाई एल्गोरिदम को मान्य करने और ग्रीनहाउस प्रबंधन में सुधार करने में मदद कर सकता है। भविष्यवाणी और मापे गए वाष्पोत्सर्जन के बीच विचलन प्रजनन परीक्षणों या प्रयोगात्मक प्रणालियों में पौधे के तनाव के शुरुआती संकेतक के रूप में भी काम कर सकते हैं, अक्सर दिखाई देने वाले लक्षण प्रकट होने से पहले।
लंबे समय में, मॉडल से प्राप्त अंतर्दृष्टि किसानों के लिए अधिक उन्नत सटीक कृषि उपकरणों की ओर इशारा करती है जो बेहतर सिंचाई शेड्यूलिंग और पानी की बचत का समर्थन करती है। जैसे-जैसे समान मॉडल क्षेत्र-तैयार सेंसर के साथ जोड़े जाते हैं, वे शुरुआती चेतावनी प्रणालियों का आधार भी बन सकते हैं जो किसानों को सूखा, लवणता, बीमारी या जड़ क्षति के कारण उभरते तनाव के बारे में सचेत करते हैं।
यह अध्ययन सहकर्मी-समीक्षित प्लांट, सेल एंड एनवायरनमेंट में प्रकाशित हुआ था।
المواضيع ذات الصلة
