Proxectos que van desde un robot nadador de solo que pode detectar as condicións na zona raíz en tempo real ata modelos computacionais que poden predecir o deterioro dos produtos recibiron fondos de semente do Iniciativa Cornell para a agricultura dixitalNovo Fondo de Innovación en Investigación.
Oito equipos interdisciplinares de investigadores (da Facultade de Agricultura e Ciencias da Vida, a Facultade de Enxeñaría, Computación e Ciencias da Información, Cornell Tech e a Facultade de Medicina Veterinaria (CVM)) recibirán premios de tres anos de ata $ 225,000. Para solicitar, os equipos debían incluír profesores de Cornell de polo menos dúas facultades, garantindo a colaboración entre os campus.
"Estes proxectos de investigación representan o potencial emocionante das ferramentas dixitais, como os modelos computacionais, os sistemas robóticos, a intelixencia artificial e a 'internet das cousas', para transformar a agricultura en cada paso do proceso de produción de alimentos", dixo. Susan McCouch, a profesora Barbara McClintock de Mellora Vexetal e Xenética e a directora da Cornell Initiative for Digital Agriculture (CIDA). "Colaboracións interdisciplinares como estas impulsarán as fronteiras da ciencia para aumentar a produtividade e a sustentabilidade da agricultura e fomentar unha carteira de descubrimentos e innovacións prácticas".
Un grupo multidisciplinar de case tres ducias de profesores, presidido por Renata Ivanek, profesora asociada do Departamento de Medicina da Poboación e Ciencias Diagnósticas do CVM, seleccionou os oito proxectos entre 31 propostas. O financiamento dos premios procede do Fondo de Innovación en Investigación de CIDA e do programa Hatch Act do Departamento de Agricultura dos Estados Unidos.
Os proxectos:
Mellorar o rendemento de amorodos mediante polinizadores nativos e robóticos: Kirstin Petersen, profesora asistente de enxeñaría eléctrica e informática; e Scott McArt, profesor asistente de entomoloxía. O seu traballo integrará o seguimento automatizado de polinizadores salvaxes e xestionados coa polinización robótica, sentando as bases para un sistema biolóxico-híbrido que poida observar, predicir e mellorar o rendemento dos cultivos. Os investigadores desenvolverán trampas de cámara para insectos duradeiras e de baixa potencia, utilizarán drons para a polinización cruzada rápida e crearán modelos de crecemento que se poidan transmitir a un agricultor a través dunha aplicación en liña.
Nova robótica e detección do solo para a fenotipificación da raíz do solo da eficacia no uso da auga: Taryn Bauerle, profesora asociada na Escola de Ciencia Integrativa das Plantas (SIPS); Robert Shepherd, profesor asociado da Sibley School of Mechanical and Aerospace Engineering (MAE); Mike Gore, profesor de Liberty Hyde Bailey e profesor asociado de reprodución molecular e xenética en SIPS; Johannes Lehmann, profesor de ciencias do solo e dos cultivos en SIPS; e Abraham Stroock, o director de William C. Hooey e Gordon L. Dibble, profesor de Enxeñaría Química e Biomolecular. Para acceder a información en tempo real sobre a dispoñibilidade e o fluxo de auga no chan ao redor das raíces das plantas, os investigadores desenvolverán unha estratexia de detección e un robot que nada o solo para explorar de forma semiautónoma a zona radicular.
Modelos computacionais informados polo microbioma e ferramentas de apoio á decisión para predecir o deterioro dos produtos frescos: a espinaca como sistema modelo: Martin Wiedmann, o profesor da familia Gellert en seguridade alimentaria; e Ivanek. Os investigadores desenvolverán un modelo computacional de interaccións e perturbacións do microbioma durante o procesamento, o transporte e a venda polo miúdo para predecir a vida útil das espinacas frescas.
Diagnóstico de estrés acelerado e automatizado en maceiras: Awais Khan, profesor asociado en SIPS en Cornell AgriTech; Serge Belongie, profesor de informática en Cornell Tech; e Noah Snavely, profesor asociado de informática en Cornell Tech. Combinando experiencia en patoloxía vexetal, fenotipado e visión por ordenador, o equipo creará conxuntos de datos de enfermidades comentados por expertos para mazás, liderará unha competición global de desafíos para atopar novas solucións para a clasificación e cuantificación de enfermidades, desenvolverá modelos de visión por ordenador para distinguir con precisión entre os síntomas de moitas enfermidades. enfermidades e desenvolver aplicacións fáciles de usar para apoiar aos produtores de mazá.
Agricultura de carbono: combinando intelixencia de máquinas, big data e modelos de procesos para apoiar este sector emerxente: Lehmann e Fengqi You, o profesor Roxanne E. e Michael J. Zak en Enxeñaría de Sistemas Enerxéticos na Smith School of Chemical and Biomolecular Engineering. Este proxecto ten como obxectivo mellorar a predición precisa do carbono orgánico do solo combinando o modelado de procesos do solo con aprendizaxe automática, aprendizaxe profunda e big data para crear unha plataforma para impulsar políticas e investimentos baseados en evidencias na saúde do solo e na mitigación do cambio climático.
Plataforma de fenotipado de alta resolución orientada a funcións para deducir relacións xenética-funcións no rizomicrobioma para promover a utilización de nutrientes das plantas: April Gu, profesora de enxeñería civil e ambiental; Jenny Kao-Kniffin, profesora asociada en SIPS; e Kilian Weinberger, profesor asociado de informática. Os investigadores desenvolverán unha innovadora plataforma tecnolóxica de fenotipado e xenotipado que lles permitirá construír unha instalación de fenotipado agrícola de clase mundial en Cornell, co fin de descubrir e perfilar novos microorganismos beneficiosos para os cultivos.
Sensores dixitais escalables do ceo e do solo: un enfoque de internet das cousas para mellorar as previsións meteorolóxicas a escala agrícola de calor extrema, seca e choivas: Toby Ault, profesor asistente de ciencias da terra e da atmosfera; e Max Zhang, profesor asociado en MAE. Usando unha Internet sen fíos das cousas existente, os investigadores supervisarán e prognosticarán variables clave para prever o clima extremo a nivel estatal, comarcal e agrícola para proporcionar aos produtores de alimentos un conxunto de ferramentas para prever perigos.
Desenvolvemento de modelos preditivos para detectar con precisión as mamites subclínicas e clínicas en vacas leiteiras muxidas con sistemas de muxido automatizados: Rick Watters, asociado senior de extensión en CVM e director do Quality Milk Production Services Western Laboratory; e Kristan Reed, profesora asistente de ciencia animal. Usando datos como o rendemento de leite, o tempo de muxido e o tempo entre as visitas de muxido, os investigadores desenvolverán un algoritmo para predicir a mamite nas vacas de leite.
- Melanie Lefkowitz, Universidade de Cornell
Proxectos que van desde un robot nadador de solo que pode detectar as condicións na zona raíz en tempo real ata modelos computacionais que poden predecir o deterioro dos produtos recibiron fondos de semente do novo Fondo de Innovación en Investigación da Iniciativa de Cornell para a Agricultura Dixital. Arriba, un dron na Musgrave Research Farm, sendo levado ao campo polos estudantes do laboratorio do profesor Micheal Gore. Foto: Allison Usavage