Новейшие цифровые технологии, включая искусственный интеллект, пока не решают проблему пирикуляриоза – самого разрушительного грибкового заболевания риса в мире. Согласно новому обзору более ста научных работ, точность лабораторной диагностики достигла почти 100%, однако эти разработки практически не доходят до мелких фермерских хозяйств и не применяются в реальных полевых условиях.
Пирикуляриоз, вызываемый грибком Magnaporthe oryzae, ежегодно уничтожает от 10% до 30% мирового урожая риса – основного продукта питания для 3,5 млрд человек. В условиях эпидемий потери могут достигать 100%. Традиционные методы защиты, такие как устойчивые сорта и фунгициды, теряют эффективность из-за высокой генетической изменчивости патогена и развития у него резистентности к препаратам.
К таким выводам пришла группа учёных под руководством Сандипа Гараи из Индийского совета сельскохозяйственных исследований. В обзоре, опубликованном в журнале Smart Agricultural Technology, они проанализировали 109 исследований за период с 2021 по 2026 год. В большинстве из них (86 работ) для диагностики применяли искусственный интеллект. В лабораторных условиях нейросети, такие как ResNet50, научились определять поражённые листья с точностью до 99,75%.
Однако исследователи выявили серьёзный разрыв между лабораторными успехами и практикой. Медианная точность диагностики в контролируемых условиях за последние пять лет не менялась и держится на уровне около 96%. При этом лишь девять из 109 технологий протестировали в реальных полях, где их точность снижалась. По мнению авторов обзора, главное препятствие – не возможности моделей ИИ, а непредсказуемые условия: переменчивое освещение, сложный фон и разнообразие штаммов грибка, которые не учитывают лабораторные наборы данных.
Тем не менее перспективным направлением остаётся дистанционное зондирование. Дроны, спутники и гиперспектральные камеры позволяют выявлять болезнь ещё до появления видимых симптомов с точностью до 95%. Учёные также отмечают потенциал беспилотников для точечного опрыскивания фунгицидами и «электронных носов» – сенсоров, которые улавливают летучие органические соединения грибка за несколько дней до визуальных проявлений болезни.
Анализ также показал, что исследователи игнорируют зрелые технологии, уже применяемые в других отраслях сельского хозяйства. Ни в одной из более чем двух тысяч работ, рассмотренных на начальном этапе, не упоминается ни блокчейн для отслеживания болезни, ни цифровые двойники для моделирования эпидемий, ни федеративное обучение. Последнее позволило бы разным институтам совместно обучать ИИ-модели, не раскрывая свои данные.
Качество самой научной литературы в этой области также вызывает вопросы. По специальной шкале оценки AI-Agri-QS средний балл изученных работ составил всего 1,5 из 8, а 89% исследований признали низкокачественными. Авторы обзора отмечают типичные недостатки: учёные используют однородные наборы данных, снятые в идеальных условиях, не полностью отчитываются о результатах и почти не проводят исследований в Африке и Латинской Америке, где рис также является ключевой культурой.
Авторы обзора заключают, что отрасль технически развита, но её достижения не выходят за пределы лабораторий. По их мнению, научному сообществу следует сосредоточиться на многолетних полевых испытаниях в разных регионах, создании доступных для фермеров технологий ранней диагностики и внедрении недостающих цифровых решений. Эффективность новых разработок нужно измерять не процентами точности в отчётах, а реальной пользой в поле, считают учёные.