由於作物在不同生長階段和環境下表現多樣，傳統人工巡查與標註極為耗時，美國伊利諾大學(University of Illinois Urbana-Champaign)團隊希望藉由AI自動化分析，提升農業田間研究與作物改良的速度與規模，並推動AI技術在生物學與數位農業的更廣泛應用。 　　研究團隊利用數千種芒屬草類的空拍影像作為訓練素材，採用生成對抗網路（GAN）架構，讓兩個AI模型互相競爭，一個生成擬真影像，另一個判別真偽。經過多輪競爭後，模型能自動學習並精準分辨開花與未開花植株。為進一步減少人工標註需求，團隊開發出「高效監督生成對抗網路」（ESGAN），透過自我生成與判別機制，大幅降低標註數據量的需求，並與傳統深度學習方法進行準確度比較。 　　研究發現ESGAN能將人工標註數據需求降低一到兩個數量級，且在不同地點、不同作物群體與不同物種間均能維持高準確率。這意味著過去需要大量人力巡查與標註的田間調查，如今可透過AI大幅自動化，顯著提升研究效率。目前團隊正在與Miscanthus育種計畫合作，將此方法應用於多州田間試驗，加速適應性新品種的開發。 　　此項研究發表在2025年《Plant Physiology》期刊，研究貢獻在於為數位農業與作物科學帶來重大突破，首次證明AI可在極少人工標註下自動學習複雜田間性狀，降低農業AI應用門檻。這一方法不僅提升了作物改良與生態監測的效率，也為全球推動生物經濟與永續農業提供了新工具。團隊期望未來能將此技術推廣至更多作物與性狀，促進AI在農業領域的廣泛採用。 【延伸閱讀】－利用自動化AI模型加速水果偵測及辨識

美國普渡應用研究機構的農業食品系統數位創新實驗室 (DIAL Ventures) 研究團隊，針對農業食品產業在面對氣候變遷挑戰時可採取的策略進行了深入分析。主要目的是為農業食品產業提供一份應對氣候變遷相關挑戰的路線圖，並為該產業的利害關係者提供永續發展的機會。該分析報告強調，透過跨價值鏈利害關係者的協作，可以提升產業的氣候韌性，並適應氣候智慧型農業的發展需求。報告提出了具體的行動方案，涵蓋農業投入品製造、投入品分銷、農業生產、加工與處理、食品製造以及支援服務與產品等六個主要環節，旨在幫助農業食品產業應對氣候變遷帶來的影響，並發掘永續發展的機會。報告旨在強調在整個農業食品價值鏈中建立氣候韌性的重要性，並找出透過數據驅動的決策和創新方法，來提高資源利用效率和減少溫室氣體排放的具體途徑。 　　研究發現氣候變遷對糧食生產和供應鏈造成了重大挑戰，因此需要關注特定的氣候挑戰，報告發現，提高資源利用效率、建立數據驅動的決策文化、政策協調和財政支持，是實現氣候智慧型農業的關鍵要素。報告還列出了農業食品價值鏈中六個主要環節可利用的機會，包含開發氣候韌性種子、採用永續肥料、改善土壤健康、減少浪費以及開發永續產品等。 　　此項研究由普渡大學在2025年2月發表，為農業食品產業提供了一份全面的指南，幫助該產業應對氣候變遷的影響，並實現永續發展的目標。報告強調了協作的重要性，並提出了具體的行動方案，可供各個利害關係者參考。此外，還強調了數據驅動決策和創新的作用，鼓勵農業食品產業採用更具韌性和永續性的做法。 【延伸閱讀】- 日本推動食品科技產業主要願景與目標

不少民眾喜歡喝茶，很多人不知道台灣原始森林中的「台灣山茶」，是唯一可製成茶飲的原生植物，綜合獨特松露香、柑橘香與花香，具更好的抗氧化能力，農業部林試所正全力推廣。 　　林業試驗所今天舉行記者會，介紹屬於台灣原生物種、也是唯一可以製成茶飲的台灣山茶。 　　林試所說，民國110年農業部林業及自然資源保育署公告台灣山茶為林下經濟的品項，也是目前推廣最成功的品項；在高雄六龜、桃源區，台灣山茶是原住民與當地林農最重要的經濟作物之一。為尋找原生台灣山茶的分布，林試所與農業部茶及飲料作物改良場合作，於113至114年在中南部山林採集26處山頭的野生山茶族群，其中不乏多處有百年以上的山茶老樹。 　　林試所說，經過2年調查，台灣野生山茶分布於南投、嘉義、高雄、屏東及台東中低海拔的森林，生長在偏酸性（Ph4.0至5.0間）富含有機質的土壤中。為推廣台灣山茶，林試所與茶改場挑選出208棵優良母樹，展開一系列種原保存的工作，也利用現代科學基因分子技術，分析台灣山茶的遺傳變異，希望為後續山茶保種與飲料作物育種奠定基礎。 　　林試所為推廣具特色的台灣山茶，也和茶改場進行野生山茶製茶與風味評鑑，透過專家鑑定，發現台灣山茶具有獨特的松露香、柑橘香與花香，並有更好抗氧化能力。 　　林試所說，台灣野生山茶風味獨特，比烏龍茶、阿薩姆茶更具台灣風味特色。林試所將建立台灣野生山茶種原保存試驗園區，提供優良的品種供林農或有意願栽培者種植。 【延伸閱讀】- 茶改場用破壁速萃技術 強化國產茶飲原料競爭力

植物表型分析（即檢查和表面植物特徵）可能是一項勞動密集型任務。用捲尺測量植物高度、使用重型手持設備測量多個波長的反射光，以及對單一植物進行化學分析，這些都是勞動力需求較高且較高花費的工作。 　　美國普渡大學的研究團隊利用無人機和衛星進行遙測數據收集，包括高光譜相機和光達（LiDAR）技術，以獲取植物的幾何結構和反射光譜數據，使用循環神經網絡（RNN）模型，特別是長短期記憶（LSTM）網絡，運用LSTM網絡來捕捉時間序列數據中的空間和時間模式，並進行未來產量的預測，將遙感數據、環境數據以及玉米品種的基因標記結合，以建立預測模型，開發算法以分析大規模數據集，識別健康與受壓作物之間的差異。 　　研究發現該模型已成功展示其在預測玉米產量方面的能力。透過分析大量資料集中的模式，可以準確預測不同品種玉米的生長狀態。農民可以早期識別問題，並采取適當措施以改善作物品質。此外，也為選擇更可靠的品種提供了依據，使得未來的育種工作更加高效。由於使用遙測技術進行遠距監控，可以大幅降低實地操作時間和費用。 　　此項研究發表在2024年9月《Frontiers in Plant Science》期刊，此項研究貢獻在於成功建立了一個能夠在不同地理位置和時間段內進行更新的神經網路模型，不僅推進了農業科學領域對於AI應用的理解，也為未來農業生產提供了新的工具，此研究展示了AI在農業領域中的潛力，特別是在作物產量預測和表型分析方面的重要性。 【延伸閱讀】- 藉由光學感測器及AI模型，協助即時監測食品乾燥

糧食系統是地球上最重要的溫室氣體排放源之一，因此減少該碳排放成為世界各地政策制定者的優先事項。農田碳封存是指農場土壤和植物捕獲和儲存大氣中CO₂的過程。研究主要目的是評估新型農業碳封存選項及其在經濟模型中的動態，並分析這些選項對氣候變化緩解的潛在影響，希望填補目前碳封存技術在綜合評估模型中的空白，以便更好地理解其系統性影響。 　　研究團隊採用經濟土地使用模型（Global Biosphere Management Model, GLOBIOM），並結合了新型的農業碳封存選項，以評估這些選項的經濟影響及其在當前氣候條件下的成本效益。研究中考慮了三種農業碳封存措施：土壤碳增強、在農田施用生物炭以及擴展樹木牧場系統。先使用GLOBIOM模型，並與森林模型（Global Forest Model, G4M）連結，設計了不同的情境，並進行了敏感性分析以測試不同參數對結果的影響，還收集了與農業碳封存相關的社會經濟和生物物理情境驅動因素，以分析其對成本效益的影響 　　研究發現到2050年，農業土地上的碳封存選項有潛力每年減少最多2.8億噸二氧化碳當量（GtCO₂e）。其中，39%來自於改善作物和草地管理以增強土壤碳，35%來自於施用生物炭，26%來自於轉變為樹木牧場系統。撒哈拉以南非洲被預測擁有最大的成本效益碳封存潛力，其次是拉丁美洲。全球73%的成本效益潛力位於全球南方，而27%位於北方。若採用這些農業碳封存選項，全球可望在2050年前實現淨零排放，並可為生產者帶來高達3750億美元的額外收入。 　　此項研究發表在2024年9月《Nature Food》期刊，此項研究貢獻在於強調了農業碳封存的重要性，不僅能促進氣候變化緩解，還能提高農業生產力和抵禦氣候變遷的能力。為了實現這些潛力，需要建立強有力的機構和監測系統，以確保農民正確採用這些做法並獲得公平報酬。此外，研究指出，儘管存在巨大的減排潛力，但主要集中於全球南方，因此需要克服結構性、制度性或社會性障礙，以便為氣候穩定努力作出實質貢獻。 【延伸閱讀】- 建立氣候適應農業糧食系統：CRISP工具幫助專案調適氣候變遷

花生、馬鈴薯、紅薯等種植者，經常面臨到估計最佳收穫期間以及作物品質與產量的挑戰，由於此類地下作物通常只能等到收穫期間，或者直接由土內將整株拔出才能確定其生長狀況與成熟度，此種預估方式也經常造成不必要的碳排放，作物灌溉部分也經常因為土壤與天氣狀況造成水資源的浪費。因此，此種預估與灌溉方式也影響到作物生長效率，進而影響整體產量以及製造多餘的資源消耗。 　　研究團隊利用衛星及無人機等遙測技術，拍攝作物在可見光與不可見光波段的反射影像建立模型，以人工智慧分析作物葉片的反射率，計算與估計地下作物成熟度以及產量。針對灌溉部分，開發出一種嵌入式的微型雷達系統，以不同頻段的電波與土壤交互作用估算土壤中的水分以及預測產量與最佳收穫時間。 　　研究透過實證發現該類模型在地下作物或者甘蔗之中，不論是遙測技術、微型雷達系統及人工智慧對於作物的成熟度以及土壤水分含量的預測準確率都可超過90%，同時精準預估土壤水分與作物健康情形藉以避免傳統開挖觀察與水資源浪費。 　　此項研究發表在2024年12月《phys.org》科學與技術新聞網，研究貢獻在於開發全新型態的遠端監測系統，透過精準判讀與精準預估達到作物生產情形與產量預估，改善傳統觀測模式以及水資源浪費，同時也提供其他國家，例如歐洲DATI研究參考作法與實際應用，特別是針對該研究關注之地中海地區的穀物作物與牧場改善其用水情形，此外也為全球作物產量預估與灌溉用水評估提供新的模式與方法，進而有效促進數位科技應用於農業、環境保護等議題。 【延伸閱讀】- 藉由遙測技術及氣象資訊，有助於畜牧業者更有效率的放牧策略

傳統針對小麥穗計數及疾病檢測大多仰賴人工觀察與統計，經常受到主觀意識所影響，致使準確度與效率不佳，現今雖有深度學習模型提供協助，但仍受到田間生長複雜背景因素或生長密集區域影響，使得其準確度仍受考驗，而疾病影像資料的不完全以及影像品質參差不齊也使得檢測有所難度。 　　研究團隊為了改善上述情形提出以機率密度注意力為機制的深度學習模型來加強小麥穗計數與疾病檢測，以機率密度模型解決小麥穗生長間的遮擋問題以及優化模型關注區域，另外開發專屬於農業影像處理的密度損失函數以及使用Transformer 架構分別針對病灶感知以及影像判讀與捕捉之功能，同時搜覽多種植物疾病影像、田調資料、小麥穗資料、資料處理技術作為訓練元素，並且與YOLOv8、YOLOv9、Tiny-Segformer、DETR和WheatNet 等模型進行比較。 　　研究發現由機率密度注意力機制的模型在疾病檢測之精確度(precision) 0.93、召回率(recall) 0.89、準確率(accuracy) 0.91、mAP 0.90；小麥穗技術部分精確度則是0.91、召回率0.88、準確度0.90、mAP 0.90，而其密度損失函數在高密度區域之檢測準確率也優於傳統損失函數，亦即以密度注意力為機制的模型不論在何種任務都優於傳統檢測模型。 　　此項研究發表在2024年12月《The Future of Artificial Intelligence and Sensor Systems in Agriculture》特刊，研究貢獻在於提出新的模型來檢測小麥穗計數以及疾病檢測，並且能有效處理複雜的生長背景因素以及密集區域的特徵萃取，大幅降低誤判以及仰賴傳統人工觀測判斷所需之人力成本，為精準農業發展提供新的策略與工具應用。 【延伸閱讀】-利用自動化AI模型加速水果偵測及辨識

傳統除草藥劑噴灑方式經常導致化學藥品使用過度以及成本增加，進而導致環境汙染及除草效率不佳，因此需要探尋新的除草方式與技術藉以降低環境負擔、除草效率與成本管控。 　　研究團隊將技術應用於超過100萬英畝的玉米、大豆、棉花農地，並且透過線上研討會蒐集農民使用回饋、使用雜草壓力圖與覆蓋範圍資料，藉以分析管理雜草分布情形，最後取得改善資訊，持續修正技術應用。 　　研究發現提出相關觀點，包含實務經驗與技術應用效益。首先，該技術節省農民使用化學藥品，預估可達800萬加侖，大幅降低藥品使用以及農民生產成本；使用正確噴嘴及專屬噴嘴與後傾設計加上感測器精準掌握雜草生長範圍進行噴灑，提高用藥效率；營運中心提供田間分析相關圖資、數據以及與農民合作管理雜草分布；減少耕作、適當保留作物殘留物及使用覆蓋作物，有助於減少藥劑使用，結合農民噴灑前快速檢查與清潔感測器，減少噴灑誤差，若噴嘴有異常時系統亦會主動告知；系統靈敏度、車速、噴感高度都應適時調整與保持定速，以免過度噴灑、劑量不足以及噴桿高度異常與車速過快導致噴灑效果不佳。 　　此項文章發表在2024年12月《TAgWeb》新聞中，See & Spray 技術應用提供農民思考未來噴灑策略以及推動目標式噴灑而非定點噴灑，除此之外也能降低除草劑成本與用量，雖然目前僅應用於玉米、大豆、棉花等作物，但John Deere公司仍持續開發與優化技術應用，未來將推廣至更多作物，同時減少環境污染，促進友善農業的發展。 【延伸閱讀】- Sentera 採用See & Spray替代方案進行精確雜草管理

傳統農業常因過度施肥導致土壤退化與碳排放，而內生真菌的應用目標是建立「共生循環」：植物透過光合作用固定大氣中的碳，再經由根部分泌物將碳輸送至土壤，同時微生物協助植物吸收養分與水分。此機制若能規模化，將為碳農業（Carbon Farming）開創新途徑。 　　澳洲昆士蘭大學與農業生物技術公司Loam Bio合作的研究團隊在田間試驗中將接種內生真菌的大豆種子與未處理的對照組比較，測量土壤有機質含量、作物產量及碳流動路徑，並透過同位素追蹤技術分析碳在植物與土壤間的分配，後進一步探討接種後土壤碳的穩定性和長期儲存潛力，以評估技術的商業化可行性。 　　研究發現接種內生真菌的大豆田區土壤有機碳含量顯著提升，同時作物產量增加。微生物活動促使更多碳從空氣流向土壤，而非停留於植物體內，這使得碳封存效果更持久。此外，土壤結構改善後，化肥使用量可減少，而產量仍維持相同水準。研究也發現，接種技術對極端氣候的緩衝效果值得進一步探索。 　　此項研究發表在2025年4月《Scientific Reports》雜誌，研究貢獻在於為「碳智慧農業」提供了科學實證，證明微生物技術能同時達成生產力提升與環境修復。若廣泛應用，該技術可降低農業碳排放，並將農田轉化為有效的碳匯。此外，減少化肥依賴有助緩解水體優養化問題，而健康的土壤生態系更能增強農地對乾旱或暴雨的耐受性。此成果為全球推動再生農業提供了關鍵性的技術選項。 【延伸閱讀】- 來自土壤真菌之天然產物有望取代化學殺蟲劑

美國德州農工大學AgriLife研究所與IBM合作開發的「土壤與水資源評估工具虛擬擴展助手」（SWAT VEXA）是一款利用生成式人工智慧的免費決策輔助工具，旨在優化農業與自然資源管理的效率。該工具整合了超過四十年研發的SWAT模型數據與IBM的先進AI技術，提供即時、科學化的建議，協助使用者應對土壤侵蝕、污染控制、災害風險緩解等挑戰。SWAT VEXA的主要目標是將複雜的農業與水文模型轉化為易於使用的AI介面，降低決策門檻。其設計旨在解決傳統農業建議的局限性，例如資訊分散與技術門檻過高，同時應對氣候變遷對資源管理的衝擊。透過提供即時數據分析，決策者、農民、研究人員等能快速獲取客製化分析報告，有望提升全球農業生產力與自然資源的永續利用，尤其在土壤保育與災害應對方面發揮關鍵作用。 　　研究團隊以SWAT模型為基礎，該模型經過四十年發展，已成為國際公認的農業與自然資源決策標準。SWAT VEXA進一步整合IBM的生成式AI技術，包括Deep Search AI、watsonx.ai平台與Granite模型，將龐大的環境數據轉化為可操作的建議。開發過程中，團隊側重於用戶介面的友好性與數據的即時性，確保從政策制定者到農民均能無縫使用。 　　研究發現其應用顯著縮短了傳統研究週期，並提升決策的科學性與一致性。例如，透過即時災害風險評估，用戶能提前規劃防災措施；在污染控制方面，系統建議的精準用藥策略可減少化學品浪費。據統計，IBM永續發展加速器計畫已透過類似工具直接支持超過65,300名受益者，而SWAT VEXA的全球推廣預計將進一步擴大此影響力。 　　此項研究將專業科學模型轉化為大眾可用的資源，尤其惠及資源有限的小農戶。此外，SWAT VEXA推動了AI在環境科學中的跨界應用，為永續農業與生態系管理設立新標竿。長期而言，其數據驅動模式有望減少農業對環境的負面影響，並強化社區應對氣候變遷的韌性，為全球資源管理提供可複製的範例。 【延伸閱讀】- 智慧科技應用於作物栽培管理，妥善管理作物產量、品質及水資源

隨著氣候變遷加劇，極端天氣事件頻繁發生，印度農業面臨嚴峻挑戰。為了解決這些問題，越來越多的印度農民開始採用AI技術，以期提高農業生產的效率和效益。印度新創企業如Fasal、Niqo Robotics和BeePrecise等許多公司相繼開發AI產品及其在農場的應用，展示了AI技術的實際效果。新創公司Fasal開發了一套AI系統，可以根據土壤濕度、養分含量和天氣預報，詳細指示農民何時以及如何施用適量的水、肥料和殺蟲劑，目前該系統已服務約12,000名農民。研究團隊利用AI技術包括感測器網路（用於監測土壤濕度、養分含量和天氣狀況）、AI影像辨識（應用於化學噴灑機，可以識別植物的狀況，精準控制化學品用量）、聲音監測（用於監測蜂巢內的蜜蜂活動，評估蜂群健康狀況），結合於作為農民獲取AI分析結果和建議的App應用程式。經統計發現該AI系統幫助農民降低了20%的成本，同時保持了產量。另外，Niqo Robotics公司的AI噴灑系統幫助用戶減少了高達90%的化學品用量；BeePrecise公司開發的AI監測系統則幫助養蜂人生產出更優質的蜂蜜。 　　這些案例提供了AI技術在印度農業應用中的實例，展示了AI如何解決印度農業面臨的實際問題，為其他發展中國家提供了重要的參考，然而，儘管人工智慧技術正在蓬勃發展，但由於許多農民無力承擔，因此其接受速度較慢。根據印度政府智庫 NITI Aayog 2023 年發布的報告，印度目前已擁有 450 多家農業科技新創企業，該產業的預計估值為 240 億美元，但該報告也同時說明，缺乏數位素養往往導致農業科技解決方案的採用率低下。在此環境之下，政府如何投入資源並提供協助來改善新興技術的推廣與採用將會是推動AI技術應用的重要課題之一。 【延伸閱讀】- 印度45%人從事農業！　AI技術幫忙分析最佳耕作方式

隨著大氣中二氧化碳濃度的上升，尋找捕捉和儲存碳的策略變得日益迫切。了解不同土壤氮管理實踐如何影響土壤碳儲存的機制，特別是有機肥料對土壤健康和微生物活動的影響。 　　美國堪薩斯州立大學研究團隊使用了加拿大光源（CLS）和加州伯克利的先進光源進行同步輻射成像，這是一種非破壞性的觀察技術，可在不破壞土壤結構的情況下分析土壤中的碳化學。研究分析了來自堪薩斯州一片經過22年不耕作的玉米田的土壤樣本，該農場使用了多種不同的氮管理措施，包括不施肥、施用化學肥料和施用有機肥料。 　　研究發現使用有機肥料（如堆肥或糞肥）的土壤能儲存更多碳，相比之下，施用化學肥料或不施肥的土壤則儲存較少。有機肥料處理的土壤中含有更多微生物碳，顯示這些增強劑支持了更多微生物及其活動。研究團隊還發現了特定礦物質，這些礦物質證明了這些處理方式促進了活躍的化學和生物過程。 　　此項研究發表在2024年6月《美國土壤科學學會》期刊，提供了有機增強劑改善土壤健康、微生物多樣性及碳封存機制的直接證據。這些發現將促進更永續和再生的農業措施，有助於保護土壤和環境，同時滿足日益增長的人口需求。此外，對不同礦物質、化學物質和微生物角色的理解將有助於改善預測不同農業操作對土壤碳儲存影響的模型。 【延伸閱讀】- 科學家發布了關於種植紅樹林儲存碳能力的新研究

歐洲正在測試新型的能源和水資源效率技術，以支持綠色轉型，提高溫室的能源和水資源使用效率，減少對環境的影響，並支援歐盟的永續農業目標。 　　來自義大利、法國、德國、西班牙、瑞士、波蘭和突尼西亞的研究人員共同合作，針對不同氣候區域的溫室進行系統性能的研究，開發一種鹽溶液(氯化鈉)系統，能夠吸收溫室內的多餘濕氣，同時釋放熱量，並透過低溫熱源再生鹽溶液。 　　研究發現在瑞士和突尼西亞的溫室進行技術測試，評估能源節省和水資源回收的效果，該系統成功減少了50%的熱能需求，以及系統能夠從過剩濕氣中回收純水，進而節省水資源，而鹽溶液的脫水效果可用於乾燥農產品，保持其風味和品質。 　　此項研究發表在2024年《歐盟研究與創新》雜誌，此項研究貢獻在於為溫室農業的永續發展提供了新的解決方案，透過提高能源和水資源的使用效率，促進了農業的減碳。此外，該技術的應用有助於提升農業生產的環境友好性，並為未來的商業化應用奠定了基礎。 【延伸閱讀】- 歐洲商業溫室的綠色轉型

儘管英國超市全年供應各式各樣的蔬果，但由於其多數仰賴進口，使得英國的糧食系統容易受到外部因素影響，如英國脫歐後的貿易障礙和能源價格上漲等。因此，英國如何透過更智慧的溫室技術來提升國內糧食生產，並降低對全球市場的依賴，是值得當地科學家探討的一門重要議題。 　　英國溫室創新聯盟（Greenhouse Innovation Consortium）的研究團隊研究團隊以文獻回顧、數據分析和實地考察。研究團隊檢視了政府的統計數據，以了解英國蔬果的進出口狀況。他們也繪製了英國的溫室地圖，並評估了這些溫室的技術水準和基礎設施狀況，包含：可控制環境農業（Controlled Environment Agriculture，CEA）、聚乙烯隧道（Polytunnels）、溫室、室內垂直農場、自動收穫機器人、AI控制系統和LED植物生長燈等。這些技術可以調節溫度、濕度和光照等環境因素，並減少水和養分的浪費。 　　研究發現英國有超過一半的蔬菜和大部分水果仰賴進口，使得糧食系統容易受到全球市場波動的影響。英國的溫室大多老舊，缺乏先進技術和政府支持，導致國內糧食生產受到限制。然而，透過採用精準園藝和AI控制溫室等高科技解決方案，英國有潛力在國內生產更多糧食，並降低對全球市場的依賴。 　　此項研究強調了高科技溫室在提升英國糧食安全和永續性方面的重要性，透過增加對國內園藝產業的投資和技術升級，英國可以建立更具韌性的糧食系統，並減少對全球市場的依賴。此外，該研究也呼籲政府提供更多支持，以促進高科技溫室技術的發展和應用。 【延伸閱讀】- 全球糧食供應現狀及臺灣的糧食安全政策

絲瓜雜交種子純度檢測技術 農業部臺南區農業改良場　王聖善  絲瓜是一種四季皆可收穫的蔬菜作物，在國內每年的栽培面積約為2,400公頃。常見的絲瓜品種可分為圓筒絲瓜 (Luffa cylindrica) 和稜角絲瓜 (Luffa acutangula) 兩大類，目前品種多以一代雜交 (F1 hybrid) 為主要趨勢。 在絲瓜一代雜交種子的生產過程中，容易因技術操作不當導致異品種的產生，進而降低品種的純度。因此，絲瓜一代雜交種子在上市前通常需要進行品質管理測試，以確保種子的品種純度。傳統上，絲瓜一代雜交種子的品種純度檢測主要依賴生長特性（grow-out traits, GOTs）的檢測方法，通過觀察植株從小苗到採收期間的外觀特徵來評估品種純度。儘管生長特性檢測方法操作簡單，但由於絲瓜栽培需要搭建棚架且每公頃可栽種的個體數量有限，因此檢測成本較高。此外，絲瓜從育苗到果實採收的周期需要約50天，這使得檢測時間較長，常成為限制種子及時供應的主要原因。 絲瓜雜交種子純度檢測技術是一種基於基因型檢測的策略，用於檢測作物體內的遺傳物質，以鑑別測試中的種子是否為種植的雙親所雜交產生的後代。本技術利用次世代定序 (Next Generation Sequencing) 對40個圓筒絲瓜和32個稜角絲瓜品種進行單一核苷酸多型性位點 (Single Nucleotide Polymorphisms, SNPs) 探勘，並分別在圓筒絲瓜和稜角絲瓜中各設計了12個具有高度多型性的SNPs，這些SNPs被設計成KASP (Kompetitive Allele Specific PCR) 分子標誌。經過測試，這套分子標誌在大多數的核酸快速萃取的DNA樣本中能成功進行基因型鑑別，有助於國內種苗業者進行高通量分析，從而提高產品的出貨效率。 本技術已獲農業部農業智慧財產權審議委員會第2次會議決議通過，並以非專屬技術授權的方式授權業界使用，這將有助於國內種苗業者在進行種子品質管理時進行純度檢測，從而提升農業經濟中的蔬菜種子品質和商業競爭力。 圖一、圓筒絲瓜分子標誌開發流程。本技術利用次世代定序 (Next Generation Sequencing) 對40個圓筒絲瓜進行單一核苷酸多型性位點 (Single Nucleotide Polymorphisms, SNPs) 探勘，藉此設計可運用在絲瓜雜交種子純度檢測之KASP (Kompetitive Allele Specific PCR) 分子標誌。 圖二、絲瓜雜交種子純度檢測技術分析流程。以SDS或NaOH的DNA快萃方法，搭配96-well盤式均質機(一臺)、懸擺式(Swing) 96-well盤式離心機(一臺)、聚合酶連鎖反應儀(六臺)與即時定量聚合酶連鎖反應儀(一臺)配備情況下，兩個工作日約可分析1,728-2,304個樣品。 圖三、絲瓜雜交種子純度檢測技術分子標誌，在SDS快萃的DNA品質下基因型判定分析結果。左圖受測樣品基因型均為異質結合，由基因型結果判定本批受測樣品均為雜交後代。右圖受測樣品基因型有部分呈現異質結合，有部分樣品則呈現與母本相同之基因型，由基因型結果判定本批受測樣品有嚴重的異品種混雜。