5. Realaus pasaulio AR pavyzdžiai aplinkos ar biologijos srityse

5. Realaus pasaulio AR pavyzdžiai aplinkos ar biologijos srityse

Papildyta realybė (AR) sparčiai išsivystė iš vizualinio įtraukimo įrankio į funkcinę sąsają sudėtingam moksliniam stebėjimui ir sprendimų priėmimui. Aplinkos mokslo ir biotechnologijų srityse AR pradeda sujungti fizinius kraštovaizdžius su realaus laiko duomenimis, leidžiant tyrėjams, inžinieriams ir sprendimų priėmėjams sąveikauti su nematomais biologiniais ar cheminiais procesais dominančioje vietoje.

Nors tiesioginis AR taikymas mikrobiologiniam bioremediacijai vis dar vystosi, vis daugiau realių pavyzdžių aplinkos stebėjime, taršos kontrole, duomenų vizualizavime ir rizikos vertinime rodo galingą AR potencialą „laboratorijos-lauko“ procesų tobulinimui. Toliau pateikiami pagrindiniai pavyzdžiai, turintys reikšmės mikrobiologiniam valymui realiose ekosistemose.

5.1. AR vietoje atliekamam aplinkos stebėjimui ir duomenų vizualizavimui

Aplinkos stebėjimas lauke paprastai apima jutiklių įrengimą, mėginių surinkimą ir analizę ne vietoje – metodus, kurie dažnai užtrunka ir riboja erdvės kontekstą. Mikrobiologinio bioremediacijos atveju tai tampa ypač problemiška, nes mikrobiologinė veikla, redokso sąlygos ar teršalų koncentracijos gradientai yra didžiąja dalimi nematomi ir labai dinamiški. Papildyta realybė (AR) sprendžia šias problemas, nes leidžia realiuoju laiku vizualizuoti lauko duomenis erdvėje, todėl mokslininkai gali sąveikauti su aplinkos informacija ten, kur ji yra labiausiai aktuali (Wang et al., 2022; Pokrić et al., 2012).

AR sistemos gali sujungti:

• · aplinkos jutiklių duomenis (pvz., pH, ištirpusio deguonies kiekį, temperatūrą),
• · GIS pagrįstus vietos išdėstymus (pvz., teršalų šaltinių zonas),
• · prognozavimo modelius (pvz., COMSOL/MODFLOW),
• · mikrobų aktyvumo modelius (pvz., eDNA pagrįstą gausumą arba genų ekspresijos profilius).

Tai leidžia tyrėjams, aplinkos inžinieriams ar vietos valdytojams „matyti“ cheminius ir biologinius procesus, vykstančius realioje aplinkoje, ir palengvina laiku atliekamas ir įrodymais pagrįstas intervencijas (Zhang et al., 2023).

Mikrobinės sanavimo projektuose AR gali:

• · Rodyti realaus laiko teršalų, pvz., urano, angliavandenilių ar nitratų, koncentracijas tiesiogiai lauko paviršiuje;
• · Perkloti mikrobiologinės kolonizacijos zonas (remiantis qPCR, eDNA arba omikos duomenimis) ant fizinių mėginių ėmimo vietų;
• · Rodyti biologiškai prieinamas zonas, kuriose teršalai yra prieinami arba neprieinami mikrobiologiniam skilimui, remiantis dirvožemio poringumu arba jungimosi būsena (Guo et al., 2023);
• · Vizualiai pavaizduoti injekcijos šulinio įtaką, pvz., parodant, kaip acetatas plinta po žeme, skatindamas Geobacter populiacijas (Lovley et al., 2003; Zhang et al., 2023).

Šios programos paverčia biologinio valymo stebėjimą iš reaktyvaus į proaktyvų: potencialūs gedimai gali būti nustatyti anksti, o mokslininkai gauna realaus laiko mikrobų aktyvumo ir teršalų elgesio žemėlapį.

ekoNET: AR technologija pagrįsta aplinkos stebėjimo platforma

Sukurta kaip IoT pagrįsta taršos stebėjimo sistema, ekoNET integruoja mobiliąją AR su aplinkos jutikliais, kad vizualizuotų realaus laiko oro ir vandens kokybę vietoje (Pokrić et al., 2012). Vartotojai nuskaito aplinką naudodami mobiliuosius įrenginius, kad peržiūrėtų teršalų, pvz., CO₂, NO₂ ir drumstumo, lygius.

Reikšmė biologiniam valymui: Mikrobų lauko bandymuose panaši konfigūracija galėtų būti sukonfigūruota taip, kad būtų rodomi šie žemėlapiai:

• · Požeminių teršalų plūmų,
• · Maistinių medžiagų difuzijos zonų,
• · Reaktyvių barjerų, sustiprintų mikrobiologiniais konsorciumais.

Zhang et al. (2023) sukūrė AR įrankį, skirtą požeminio vandens srautų, teršalų pasiskirstymo ir sanavimo infrastruktūros vizualizavimui naudojant georeferencinius 3D modelius. Ši sistema leido vartotojams suprasti erdvinius santykius tarp teršalų šaltinių, švarių zonų ir mikrobiologinės veiklos zonų realiose pramoninėse vietovėse.

Taikymas lauko bandymams: AR gali padėti mikrobiologinio sanavimo bandomosiose vietose, parodydama, kaip teršalų koncentracijos keičiasi erdvėje po mikrobiologinio inokulavimo ar maistinių medžiagų įvedimo, tiesiogiai vietoje, be reikalo konsultuotis su GIS platformomis ar laukti laboratorinių rezultatų.

AR turi vis didesnį potencialą remti daugialypės omikos pagrįstą lauko interpretaciją. Wang et al. (2022) pademonstravo AR integraciją su metagenomika, leidžiančią vartotojams funkcinę genų ekspresiją (pvz., cydA, alkB, narG) perkelti į konkrečias GPS žymėtas vietas, sukuriant mikrobų funkcijų erdvinį vaizdą.

Sąsaja su mikrobų lauko bandymais:

• · Lauko komandos galėtų realiuoju laiku vizualizuoti mikrobų veiklą, susijusią su teršalų skilimu.
• · Omikos duomenys galėtų būti naudojami siekiant patikrinti, ar mikroorganizmai aktyviai mažina teršalus, ar tik išgyvena.

Simuliacijos įrankiai, tokie kaip COMSOL ar MODFLOW, gali būti naudojami maistinių medžiagų pasiskirstymo ar mikrobų pernašos prognozavimui. Kartu su AR šie modeliai gali tiesiogiai projektuoti numatomus rezultatus į vietą, padėdami planuoti injekcijų schemas ir stebėjimo stotis (Silva & Gültekin, 2021).

Privalumai biologinio valymo praktikoje

1. Sprendimų priėmimas realiuoju
laiku Derindami vizualizacijas vietoje su tiesioginiais duomenimis, lauko komandos gali greitai koreguoti biologinio valymo strategijas (pvz., keisti maistinių medžiagų įpurškimą, keisti mėginių ėmimo planus).

2. Geresnis erdvės suvokimas Cheminių gradientų arba
mikrobų gausos zonų vizualizavimas tiesiogiai lauke padeda tiksliau nukreipti sanavimą.

3. Geresnė komunikacija
Suinteresuotosios šalys (pvz., žemės savininkai, reguliavimo institucijos) gali geriau suprasti nematomus procesus, stiprinti pasitikėjimą ir užtikrinti aiškesnę komunikaciją apie riziką.

4. Saugos ir izoliavimo stebėjimas
AR gali pažymėti zonas, kuriose gali atsirasti mikrobų peraugimas arba antriniai teršalai, taip užtikrinant biologinę saugą atvejais, susijusiuose su genetiškai modifikuotais organizmais (Schmidt et al., 2021).

5.2. Turtingi nuotekos: mikrobiologinės ir cheminės dinamikos AR modeliavimas

Silva & Gültekin (2021) sukurta „Affluent Effluent“ yra AR programa, kuri imituoja aplinkos sąveiką tarp teršalų ir mikrobų populiacijų. Modelis apima:

• · Maistinių medžiagų dinamiką,
• · Mikroorganizmų augimo fazes,
• · Teršalų skilimo greitį.

Apibrėžimas:
Maistinių medžiagų dinamika reiškia esminių maistinių medžiagų (pvz., anglies, azoto, fosforo, deguonies ar elektronų donorų, pvz., acetato), kurios palaiko mikrobų gyvybę ir daro įtaką jų veiklai užterštoje aplinkoje, judėjimą, transformaciją, prieinamumą ir įsisavinimą.

Biologinio valymo kontekste:

• · Lauke valymui naudojami mikroorganizmai auga ir metabolizuoja teršalus naudodami prieinamas maistines medžiagas.
• · Kartais maistinės medžiagos yra natūraliai esančios, tačiau daugeliu atvejų jos turi būti dirbtinai pridedamos (biostimuliacija), kad būtų skatinamas mikrobiologinis skilimas.
• · Pavyzdžiui, uranu užterštuose vandeninguose sluoksniuose įšvirkščiamas acetatas, siekiant stimuliuoti Geobacter rūšis, kurios jį naudoja kaip elektronų donorą, kad tirpų U(VI) paverstų netirpų U(IV) (Lovley et al., 2003).

AR modeliavimas:

• · Maistinių medžiagų dinamika vaizduojama kaip plitimo zonos arba koncentracijos gradientai, kurie kinta laikui bėgant.
• · Studentai ar tyrėjai gali pamatyti, kaip maistinių medžiagų turtingos zonos skatina mikrobų augimą ir teršalų skilimą.
• · Simuliacija taip pat gali parodyti konkurenciją dėl maistinių medžiagų, kuri daro įtaką dominuojančių mikroorganizmų rūšims.

Apibrėžimas:
Mikroorganizmų augimo fazės apibūdina keturių etapų ciklą, kurį mikroorganizmų populiacijos paprastai praeina, kai patenka į naują aplinką ar substratą:

1. Lag fazė – prisitaikymo laikotarpis, kai mikroorganizmai prisitaiko prie naujų sąlygų (augimas nevyksta).

2. Log (eksponentinė) fazė – greitas dauginimasis dėl gausių maistinių medžiagų.

3. Stacionari fazė – augimas sulėtėja, nes maistinės medžiagos išeikvojamos ir kaupiasi atliekos.

4. Mirties fazė – mikroorganizmai miršta dėl išteklių trūkumo arba toksinių šalutinių produktų kaupimosi.

Biologinio valymo kontekste:

• · Augimo fazių supratimas yra svarbus laiko pasirinkimui, pavyzdžiui, pakartotiniam inokulavimui ar maistinių medžiagų pakartotiniam naudojimui.
• · Pavyzdžiui, jei mikroorganizmų populiacija yra stacionarioje fazėje, teršalų skilimas sustos be tolesnių veiksmų.

AR modeliavime:

• · Šios fazės vaizduojamos vizualiai, pavyzdžiui, mikrobų kolonijų burbuliukai plečiasi ir stabilizuojasi arba keičia spalvą, kai patenka į skirtingas fazes.
• · Vartotojai gali reguliuoti sąlygas (pvz., temperatūrą, maistinių medžiagų kiekį) ir stebėti, kaip keičiasi augimo fazė, o tai padeda jiems suprasti, koks subtilus balansas reikalingas sėkmingam biologiniam valymui lauke.

Apibrėžimas:
Teršalų skilimo greitis – tai greitis, kuriuo tam tikras teršalas yra skaidomas arba transformuojamas į mažiau kenksmingas medžiagas mikrobiologinių arba cheminių procesų metu.

Biologinio valymo kontekste:

· Mikroorganizmai gali skaidyti teršalus:

o Aerobinis skilimas (su deguonimi) – pvz., angliavandeniliai Pseudomonas spp.

o Anaerobinis skilimas (be deguonies) – pvz., uranas arba nitratai, kuriuos skaido Geobacter spp.

· Veiksniai, darantys įtaką skilimo greičiui:

o Mikroorganizmų štamo efektyvumas,

o Temperatūra ir pH,

o Teršalų koncentracija ir cheminė forma,

o Maistinių medžiagų prieinamumas ir redokso sąlygos.

AR modeliavime:

· Degradacijos greitis vaizduojamas vizualinėmis skilimo kreivėmis, teršalų pluošto spalvos pokyčiais arba laiko animacijomis, rodančiomis, kiek teršalų lieka laikui bėgant.

· Vartotojai gali stebėti, kaip kintančios aplinkos sąlygos (pvz., didesnis maistinių medžiagų kiekis arba pH pokyčiai) veikia skilimo laiką.

Šie trys procesai – maistinių medžiagų prieinamumas, mikrobų augimas ir teršalų skilimas – sudaro dinamišką grįžtamojo ryšio grandinę biologiniame valyme:

1. Maistinių medžiagų prieinamumas veikia...

2. Mikroorganizmų augimą, kuris skatina...

3. Teršalų skilimą, kuris gali sunaudoti maistines medžiagas ir sukurti šalutinius produktus, turinčius įtakos mikrobų sveikatai.

Šios sistemos modeliavimas AR leidžia vartotojams pamatyti šias tarpusavio priklausomybes veikiant, suteikiant gilesnį supratimą aplinkos mokslininkams, studentams ar lauko techniniams specialistams.

Pagrindinės savybės:

• · Vizualizuoja cheminių koncentracijų pokyčius laikui bėgant;
• · Simuliuoja mikrobų reakcijas įvairių aplinkos veiksnių poveikio sąlygomis;
• · Veikia mobiliosiose AR platformose (pvz., išmaniuosiuose telefonuose, planšetiniuose kompiuteriuose).

5.3. AR, skirtas informuoti apie miesto ir pramonės taršą

Italijos mokslininkai įdiegė AR sistemą, skirtą didinti visuomenės informuotumą apie oro taršą. Sistema, naudodama GIS ir mobiliąją AR, ant fizinių vietovių užklijuoja oro kokybės indekso (AQI) rodiklius ir taršos šaltinius.

Atvejo tyrimas:

• Marche regionas, Italija (Sanità et al., 2024): Sistema integruoja palydovinius duomenis, miesto jutiklius ir AQI modelius, leidžiant vartotojams „vaikščioti“ užterštose zonose ir realiuoju laiku matyti NO₂, PM2,5 ir ozono lygius.

5.4. AR interaktyviam lauko planavimui vandens ir dirvožemio projektuose

Pramonės sanavimo srityje daugelio įvesties duomenų, mėginių ėmimo šulinių, įpurškimo taškų ir vietinių rūšių zonų valdymas yra logistiškai sudėtingas. AR gali padėti:

• Infrastruktūros elementų perdengimą vietoje;
• Pažangos stebėjimą (pvz., išvalytas zonas, mikroorganizmų gausą);
• Injekcijos plūmų ir degradacijos fronto judėjimo modeliavimą.

Pavyzdys:

• Mobilioji papildyta realybė aplinkos stebėjimui (Stojanovic et al., 2012): Pademonstruotas mobiliųjų AR platformų naudojimas aplinkos simuliacijoms, susietoms su georeferenciniais duomenimis, vizualizuoti.

5.5. Clean-AR: AR rizikos žemėlapių sudarymui ir užteršimo kontrolei

Iš pradžių sukurta ligoninėms oro lašinių plitimo rizikai valdyti, „Clean-AR“ naudoja AR akinius ir 3D modeliavimą, kad:

• Nustatyti užteršimo kelius.
• Pažymėti didelės rizikos paviršius.
• Stebėti patogenų plitimą realiuoju laiku (Schmidt et al., 2021).

5.6. Nauji moksliniai tyrimai: AR + multi-omika lauko bioinformatikoje

Naujausi tyrimai rodo, kad AR gali būti integruota su omikos platformomis (metagenomika, metabolomika, transkriptomika), kad būtų galima pateikti mikrobų funkcinius duomenis erdvėje.

Pavyzdys:

• Wang ir kt. (2022) sukūrė AR vizualizacijos variklį, kuris integruoja aplinkos DNR (eDNA) duomenis su GPS koordinatėmis, kad būtų galima sukurti erdviniu požiūriu tikslius mikrobų įvairovės ir funkcinių savybių sluoksnius realiuose kraštovaizdžiuose.