આકાશમાંથી ફેનોટાઇપિંગ: યુએવી-આધારિત પર્યાવરણીય કર્નલો છૂટાછવાયા બટાકાના પરીક્ષણમાં જીનોમિક ડેટા કરતાં વધુ સારું પ્રદર્શન કરે છે

જેમ જેમ આબોહવા પરિવર્તન વાર્ષિક હવામાન પરિવર્તનશીલતાને તીવ્ર બનાવે છે, છોડના સંવર્ધકો પર વિવિધ વાતાવરણમાં વધુ જીનોટાઇપ્સનું મૂલ્યાંકન કરવાનું દબાણ છે, જ્યારે ફેનોટાઇપિંગ ખર્ચને વ્યવસ્થિત રાખવામાં આવે છે. છૂટાછવાયા પરીક્ષણ - સ્થાન દીઠ જીનોટાઇપ્સના માત્ર સબસેટનું મૂલ્યાંકન - એક વ્યવહારુ ઉકેલ પ્રદાન કરે છે, પરંતુ તે ગુમ થયેલ ડેટાને ભરવા માટે મજબૂત આગાહી મોડેલ્સની માંગ કરે છે. માં પ્રકાશિત એક નવો અભ્યાસ વૈજ્ઞાનિક અહેવાલો દર્શાવે છે કે ડ્રોન ઈમેજરીમાંથી હાઈ-થ્રુપુટ ફેનોટાઈપિંગ (HTP) આવા સંજોગોમાં જીનોમિક માહિતી માટે એક શક્તિશાળી વિકલ્પ તરીકે સેવા આપી શકે છે. ત્રણ સ્વીડિશ વાતાવરણમાં (2020-2021 દરમિયાન બે સ્થળોએ) 256 બટાકાના ક્લોન સાથે કામ કરતા સંશોધકોએ UAV-આધારિત RGB ઈમેજોમાંથી સમય-સંકલિત વનસ્પતિ સૂચકાંકો, કેનોપી કવર અને છોડની ઊંચાઈ કાઢી. આ ઈમેજ-વ્યુત્પન્ન લક્ષણો પર મુખ્ય ઘટક વિશ્લેષણ (PCA) નો ઉપયોગ કરીને, તેઓએ એક "પર્યાવરણીય કર્નલ" (E-કર્નલ) બનાવ્યું જે પરીક્ષણ સ્થળો વચ્ચે સમાનતાનું પ્રમાણ નક્કી કરે છે અને 10% થી 66% સુધીના ડેટા સ્પાર્સિટી સ્તરો હેઠળ પ્રમાણભૂત જીનોમિક સંબંધ મેટ્રિક્સ (G-કર્નલ) સામે તેના આગાહી પ્રદર્શનની તુલના કરે છે.

પરિણામો આશ્ચર્યજનક છે: 50% ડેટા પૂર્ણતા સાથે બે પર્યાવરણીય પરિસ્થિતિઓમાં, E-કર્નલે G-કર્નલ અને તેમના સંયોજન બંને કરતાં નોંધપાત્ર રીતે શ્રેષ્ઠ પ્રદર્શન કર્યું, કુલ કંદ ઉપજ માટે આગાહી ચોકસાઈમાં 60% અને 50-60 mm કદના અપૂર્ણાંક માટે 62% વધારો કર્યો. 33% પૂર્ણતા પર, r² > 0.5 સાથે સ્ટાર્ચનું પ્રમાણ એકમાત્ર લક્ષણ હતું, અને ફક્ત E-કર્નલે તે સ્તર પહોંચાડ્યું. જીનોમિક કર્નલ ફક્ત અત્યંત દુર્લભતા (10-20%) હેઠળ વધુ મજબૂત સાબિત થયું, જ્યારે પરંપરાગત હવામાનશાસ્ત્રીય કોવેરિયેટ્સ નજીકના સ્થાનો વચ્ચે ભેદભાવ કરવાની મર્યાદિત ક્ષમતા દર્શાવે છે. નોંધનીય છે કે, G અને E કર્નલોને જોડવાથી આગાહીઓમાં સુધારો થયો નથી, જે ઓવરલેપિંગ માહિતી સૂચવે છે. લેખકો મર્યાદાઓને સ્વીકારે છે - સામાન્ય નમૂના કદ અને પર્યાવરણીય લિકેજ - પરંતુ ભાર મૂકે છે કે છબી-આધારિત પર્યાવરણીય કર્નલ ખર્ચ-અસરકારક, સ્કેલેબલ અને ખાસ કરીને ટેટ્રાપ્લોઇડ બટાકા જેવા ધીમા-ચક્રના પાક માટે મૂલ્યવાન છે. આ અભિગમ સંસાધન-મર્યાદિત સંવર્ધન કાર્યક્રમોમાં, ખાસ કરીને ઉપજ-સંબંધિત લક્ષણો માટે, આનુવંશિક લાભને વેગ આપવા માટે એક વ્યવહારિક માર્ગ પ્રદાન કરે છે, જ્યારે ફરીથી વાપરી શકાય તેવા HTP ડેટા દ્વારા ફેનોટાઇપિંગ બોજ ઘટાડે છે.