Математик нь ургацыг халдварт өвчнөөс хамгаалахад хэрхэн тусалдаг вэ?
Математик нь ургацыг халдварт өвчнөөс хамгаалахад хэрхэн тусалдаг вэ?

Арлингтон хотын Техасын их сургууль болон АНУ-ын Хөдөө аж ахуйн яамнаас (USDA) хийсэн шинэ судалгаа нь хиймэл дагуулын өгөгдөл, хөрсний шинж чанар, цаг уурын мэдээлэл ашиглан эрдэнэ шишийн ургацад хорт мөөгний халдвар дэгдэх эрсдэлийг урьдчилан тооцоолох математик загварчлалын аргыг амжилттай туршжээ. Энэ нь хөдөө аж ахуйн салбарт тэрбум тэрбумаар хэмжигдэх хохирлыг бууруулах чухал боломжийг олгож байна.

"Бидний судалгаа нь алсын зайнаас тандан судлалын хиймэл дагуул, хөрсний шинж чанар, цаг уурын мэдээллийг ашиглан Техас дахь афлатоксины (aflatoxin) дэгдэлтийг урьдчилан таамаглахад төвлөрсөн" гэж тус өгүүллийн хамтран зохиогч, Техасын Арлингтоны Их сургуулийн (UTA) математикч, докторын дараах судлаач Анжела Авила хэллээ. Хамгийн том сорилт бол халдвар гаднаас харагдах шинж тэмдэггүй байж болдог. Тиймээс эрт үед эрсдэлийг таамаглахад нь чиглэсэн урьдчилан сэргийлэлт болон сөрөг нөлөөг багасгах стратеги хэрэгжүүлэхэд онцгой ач холбогдолтой болгодог.

Афлатоксин (aflatoxins) нь mycotoxin бүлийн зарим мөөгөнцөр үүсгэдэг хорт нэгдлүүд бөгөөд ихэвчлэн эрдэнэ шиш (эрдэнэ шиш) болон зарим самар зэрэг үр тарианаас олддог. Эдгээр нь хорт хавдар үүсгэдэг бөгөөд хүн, амьтны эрүүл мэндэд ноцтой аюул учруулж болзошгүй.

Судалгааны багт Жианжун Су (Jianzhong Su), UT Arlington-ийн Математикийн тэнхимийн профессор, мөн доктор Авилагийн докторын үеийн багш багтсан байна. Тэд хамтран афлатоксин эрсдэлийн индекс (ARI)-ийг боловсруулж, Техаст афлатоксин дэгдэлтийг урьдчилан таамаглахын тулд хэд хэдэн машин сургалтын аргуудыг ашиглажээ. ARI нь ургамал хөгжлийн явцад халдварын хуримтлагдсан бохирдлыг хэмждэг урьдчилан таамаглах загвар юм.

“Миний гол үүрэг бол хиймэл дагуулын цаг хугацааны цуврал зурган мэдээ ашиглан Техасын муж бүрийн тариалалтын түүхэн огноог тооцоолох байсан,” гэж Авила хэлсэн. “Эрдэнэ шиш нь тодорхой өсөлтийн шатанд афлатоксин халдварт хамгийн эмзэг байдаг тул нарийвчилсан тарилтын хугацааг мэдэх нь чухал ач холбогдолтой. Тариалалтын хугацааг тооцоолоход миний оруулсан хувь нэмэр нь эрсдэлийн үнэлгээг мэдэгдэхүйц сайжруулж, машин сургалтын загварын нарийвчлалыг 20-30 хувиар нэмэгдүүлсэн юм.”

"Манай микотоксины (mycotoxin) судалгааны нэг хэсэг болгон, доктор Авила шинэ оролтыг нэмсэн. Тэрээр тарилтын хугацааг урьдчилан таамаглахын тулд хиймэл дагуулын зураг дээр гаргаж авсан normalized difference vegetation index (NDVI)-ийг ашигласан" гэж гэж энэхүү өгүүллийн тэргүүлэх зохиогч USDA-ийн Хөдөө аж ахуйн судалгааны төвийн ургамлын эмгэг судлаач Лина Кастано-Дуке тайлбарлав. “Тэрээр цаашид энэхүү загвараа өргөжүүлэн АНУ-ын бусад бүс нутагт хэрэгжүүлэхээр ажиллаж байна.”

Судалгааны баг нь гурван төрлийн загварын багц боловсруулсан:

  1. Хоёр механик загвар: Эдгээр нь долоо хоног тутмын ARI үзүүлэлтийг ашиглан афлатоксин халдварын эрсдэлийг үнэлдэг. ARI нь Ratkowsky өсөлтийн тэгшитгэлд суурилсан бөгөөд ургамлын өсөлтийн үе шаттай уялдуулан жингийн коэффициентоор тохируулсан.
  2. Цаг уурт суурилсан загвар: Энэ загвар нь цаг уурын мэдээлэл, хөрсний шинж чанар, газарзүйн байршлын өгөгдлийг ашиглан афлатоксин халдварын эрсдэлийг таамагладаг.
  3. Машин сургалтын загварууд: Судалгаанд нейрон сүлжээ (neural network) болон градиент өсөлтийн (gradient boosting) аргуудыг ашигласан. Эдгээр загваруудыг ARI, цаг уурын мэдээлэл, хөрсний шинж чанар, газарзүйн байршлын өгөгдлөөр сургаж, шалгасан. Эдгээр загваруудын дундаас Ratkowsky-ARI нейрон сүлжээний загвар хамгийн сайн үр дүн үзүүлсэн.

Энэхүү судалгаа нь микотоксины бохирдол нь жил бүр олон тэрбум долларын эдийн засгийн алдагдалд хүргэдэг тул энэхүү судалгаа нь фермерүүд, боловсруулагчид болон хэрэглэгчдэд өргөн хүрээтэй нөлөө үзүүлж байгааг Авила тэмдэглэжээ.

“Судалгаа нь тариаланчдад үр тариа, хүнсний аюулгүй байдал, тогтвортой байдал, эдийн засгийн тогтвортой байдлыг хамгаалах үр дүнтэйгээр сөрөг нөлөөг бууруулах стратеги хэрэгжүүлэхэд туслахын тулд мэдээлэлд суурилсан шийдвэр гаргах боломж олгоно” гэж Авила хэлэв.

“Энэхүү тэргүүний судалгаа нь эрдэнэ шишид aflatoxin бохирдлын менежментийг шинэ түвшинд гаргах бөгөөд уг асуудалтай холбоотой сорилтуудыг шийдвэрлэхэд хувь нэмэр оруулна” гэж доктор Кастано-Дүк хэлэв. “Тариаланчид aflatoxin халдварын эрсдэлийн түвшний талаар мэргэжлийн зааварчилгаа авах боломжтой болж, ирээдүйн ургац сонголтод туслах бөгөөд шаардлагатай бол фунгицид болон биологийн хяналтын хэрэглээг шаардлагын дагуу тохируулах боломжтой болно.”


Мэдээ бэлтгэсэн: Э.Дэлгэрмаа  /Мэдээллийн технологийн салбар, ЭША/

Эх сурвалж: Lina Castano-Duque et al, Prediction of aflatoxin contamination outbreaks in Texas corn using mechanistic and machine learning models, Frontiers in Microbiology (2025). DOI: 10.3389/fmicb.2025.1528997

Journal information: Frontiers in Microbiology 


Бусад мэдээлэл