У почвы тоже есть микробиом. ИИ уже пытается читать его почти как анализ крови 🔍
В одной горсти почвы живут бактерии, грибы и другие микроорганизмы, которые влияют на питание растений, устойчивость к болезням и круговорот веществ. Сейчас исследователи собирают этот микробный "портрет", добавляют pH, углерод, влажность, погоду - и отдают всё машинному обучению.
Задачи очень практические: оценить здоровье почвы, заметить риск болезней, понять доступность питательных веществ и в перспективе точнее прогнозировать урожайность.
Есть уже занятные результаты.
1️⃣В исследовании 2025 года модель по данным бактерий, грибов и свойствам почвы предсказывала, насколько почва способна подавлять грибной патоген Rhizoctonia solani. Лучший вариант показал 98,56% точности на данных этого эксперимента. Это не "диагноз любой грядки с точностью 98%", но само направление уже выглядит серьёзно.
2️⃣А в работе 2026 года по томатам лучший результат получился, когда модели дали сразу микробиом + химические свойства почвы. Отдельно эти данные работали хуже. Исследователи также нашли связь избытка доступного фосфора, изменений микробного сообщества и болезней растений.
В будущем анализ почвы может выглядеть как гораздо более подробная картина: кто там живёт, что эти микроорганизмы делают и что это говорит о состоянии участка.
Но до сервиса "принёс банку земли - AI сказал, что сеять" пока далеко. Авторы прямо пишут, что большая часть таких систем остаётся на уровне исследований и пилотов. Почва очень локальна: модель из одного региона может плохо переноситься на другой климат, состав почвы и набор культур.
Кому интересно почитать:
🔵Обзор 2026 года по AI и микробиому почвы
🔵Исследование про Rhizoctonia solani и 98,56%
🔵Исследование 2026 года по томатам и микробиому почвы
#AI_и_наука
💬 Присоединиться к обсуждению в чате
Телеграм канал
Андрей Анисимов
@ideasforai
В одной горсти почвы живут бактерии, грибы и другие микроорганизмы, которые влияют на питание растений, устойчивость к болезням и круговорот веществ. Сейчас исследователи собирают этот микробный "портрет", добавляют pH, углерод, влажность, погоду - и отдают всё машинному обучению.
Задачи очень практические: оценить здоровье почвы, заметить риск болезней, понять доступность питательных веществ и в перспективе точнее прогнозировать урожайность.
Есть уже занятные результаты.
1️⃣В исследовании 2025 года модель по данным бактерий, грибов и свойствам почвы предсказывала, насколько почва способна подавлять грибной патоген Rhizoctonia solani. Лучший вариант показал 98,56% точности на данных этого эксперимента. Это не "диагноз любой грядки с точностью 98%", но само направление уже выглядит серьёзно.
2️⃣А в работе 2026 года по томатам лучший результат получился, когда модели дали сразу микробиом + химические свойства почвы. Отдельно эти данные работали хуже. Исследователи также нашли связь избытка доступного фосфора, изменений микробного сообщества и болезней растений.
В будущем анализ почвы может выглядеть как гораздо более подробная картина: кто там живёт, что эти микроорганизмы делают и что это говорит о состоянии участка.
Но до сервиса "принёс банку земли - AI сказал, что сеять" пока далеко. Авторы прямо пишут, что большая часть таких систем остаётся на уровне исследований и пилотов. Почва очень локальна: модель из одного региона может плохо переноситься на другой климат, состав почвы и набор культур.
Кому интересно почитать:
🔵Обзор 2026 года по AI и микробиому почвы
🔵Исследование про Rhizoctonia solani и 98,56%
🔵Исследование 2026 года по томатам и микробиому почвы
#AI_и_наука
💬 Присоединиться к обсуждению в чате
Телеграм канал
Андрей Анисимов
@ideasforai