МОСКВА, 27 июл – РИА Новости. Ученые из Сколтеха создали систему машинного обучения, которая поможет космическим агентствам мира подобрать "правильные" растения для обеспечения будущих длительных экспедиций в космос необходимым количеством биомассы и кислорода. Их выводы были представлены в журнале IEEE Pervasive Computing.
Длительные полеты в космос, как сегодня считают специалисты НАСА и "Роскосмоса", потребуют создания полностью автономных систем жизнеобеспечения, позволяющих производить воду, кислород и все необходимые нутриенты на протяжении неограниченно долгого времени.
Ключом к их созданию сегодня считаются растения и различные одноклеточные водоросли, способные производить биомассу в больших количествах и с большой скоростью. За последние два десятилетия ученые значительно продвинулись в этом направлении, создав на борту МКС две оранжереи и вырастив в них капусту, салат, астры и многие другие растения.
Подобные успехи заставляют биологов, космических врачей и других исследователей задуматься о том, как много растений нужно для выживания экипажа, летящего к Марсу или другим планетам. Их избыток может сделать миссию чрезмерно дорогой и нереализуемой, а недостаток – обречет будущих последователей Марка Уотни из "Марсианина" на медленную смерть.
Несмотря на то, что ученые изучают растения уже тысячи лет, подготовить подобные оценки не так просто, так как скорость их роста и набора биомассы зависит от множества различных биологических и физических факторов — количества влаги и микроэлементов в почве, уровня освещенности и десятков других вещей. Вдобавок, саму биомассу достаточно сложно "взвесить", не убив само растение, что мешает оценке скорости ее прироста.
Шадрин и его коллеги по Сколтеху, Руперт Герцер (Rupert Gerzer), Татьяна Подладчикова и Андрей Сомов, выяснили, как можно быстро и достаточно точно проводить подобные оценки, наблюдая за ростом карликовых томатов при помощи трехмерных и двумерных камер.
Анализируя состояние помидор на разных фазах роста, российские ученые смогли вывести несколько закономерностей, связанных с набором биомассы, и использовали их для создания систем машинного обучения, способных оценивать эти характеристики, анализируя простые двумерные фотографии листьев помидор и трехмерную модель растения.
Как показали дальнейшие наблюдения, эта программа корректно предсказывала скорость роста помидор, а также нескольких сортов салата, на протяжении первых 30 дней их жизни после высадки. Это позволяет использовать ее не только для просчета "космических" систем жизнеобеспечения, но и для оптимизации работы теплиц.
