Miscanthus ist eine der vielversprechendsten mehrjährigen Pflanzen für die Bioenergieproduktion, da es in der Lage ist, hohe Erträge mit einem geringen ökologischen Fußabdruck zu erzielen. Dieses vielseitige Gras hat ein großes Potenzial, noch bessere Leistungen zu erbringen, da im Vergleich zu etablierten Nutzpflanzen wie Mais oder Sojabohnen viel weniger Aufwand in seine Verbesserung durch Züchtung gesteckt wurde.
Die Züchtung muss jedoch schneller und effizienter werden, um das Potenzial für eine nachhaltige und widerstandsfähige Biomasseproduktion in Chinaschilf zu erreichen. Ein entscheidender Engpass in diesem Prozess ist die Fähigkeit, das Wachstum von Tausenden von Sorten der Kultur auf dem Feld zu messen und die kleine Anzahl von Sorten auszuwählen, die am besten abschneiden. Dies erfordert neue, ausgeklügelte Technologien zur Erfassung und Analyse von Daten.
Eine Studie von Forschern des Center for Advanced Bioenergy and Bioproducts Innovation (CABBI) hat gezeigt, wie unbemannte Luftfahrzeuge (UAVs oder Drohnen) in Kombination mit modernsten maschinellen Lernmethoden die Auswahl der besten Kandidaten-Genotypen in Miscanthus-Zuchtprogrammen unterstützen können. Das Team verwendete neuronale Netze – Computersysteme, die dem menschlichen Gehirn und Nervensystem nachempfunden sind –, um sehr hochauflösende Luftbilder zu analysieren und wichtige Miscanthus-Merkmale während der Vegetationsperiode der Pflanze zu identifizieren.
Insbesondere hoben die CABBI-Forscher hervor, dass die Verwendung neuronaler Netze, die für die Analyse von Daten in drei Dimensionen (zwei Raumdimensionen plus Zeit) ausgelegt sind, bessere Schätzungen von Pflanzenmerkmalen (Blütezeit, Höhe und Biomasseproduktion) ermöglicht als herkömmliche neuronale Netze die Daten nur in zwei Dimensionen im Raum analysieren. Dadurch konnten sie Informationen darüber nutzen, wie sich jede der Tausenden von Pflanzen im Feld im Laufe der Zeit verändert. Darüber hinaus erwies sich das dreidimensionale neuronale Netzwerk als in der Lage, Aspekte des Bildanalyseprozesses automatisch auszuführen (dh Pflanzen im Bild zu finden), was in vielen anderen Fällen einen erheblichen manuellen Eingriff erfordert, der den Prozess verlangsamen würde.
Dies ist besonders wichtig bei hochproduktiven mehrjährigen Gräsern wie Miscanthus, wo die Phänotypisierung im Feld sowohl schwieriger als auch lohnender ist.
Die Studie, erschienen in Fernerkundung, wurde von Postdoktorand Sebastian Varela am CABBI geleitet, einem vom US-Energieministerium finanzierten Bioenergie-Forschungszentrum; Andrew Leakey, CABBI-Direktor, Professor und Leiter der Abteilung für Pflanzenbiologie und Professor am Carl R. Woese Institute for Genomic Biology (IGB), Abteilung für Nutzpflanzenwissenschaften, und am Center for Digital Agriculture an der University of Illinois Urbana- Champagner; und Erik Sacks, stellvertretender CABBI-Themenleiter für Rohstoffproduktion und Professor für Nutzpflanzenwissenschaften und IGB in Illinois.
Es war der erste Versuch, eine datenintensive Überwachung großer, genetisch vielfältiger Miscanthus-Populationen mithilfe digitaler Technologien zu nutzen. Für ihre Bewertung nutzten die Forscher Drohnen, um während der Vegetationsperiode zehnmal hochauflösende Bilder von Pflanzen aufzunehmen, zusammen mit bodengestützten Daten für Tausende von Miscanthus-Genotypen, um deren Blütezeit, Höhe und Biomasseertrag zu bestimmen. Die bildgebende kombinierte Photogrammetrie, die digitale Oberflächenmodelle bereitstellt, und multispektrale Sensortechnologie, die Bilder erhalten kann, die für das menschliche Auge nicht sichtbar sind.
„Dies ist ein aufregender Schritt in Richtung der Entwicklung digitaler Anwendungen, die die Auswahl der besten Kandidaten für Genotypen zu einem Bruchteil der Kosten des herkömmlichen manuellen Screenings erleichtern können“, sagte Leakey. „Dies ist nur ein wichtiger Schritt in der umfassenderen Arbeit von CABBI, um das wissenschaftliche Verständnis und die technologischen Fortschritte zu liefern, die erforderlich sind, um umweltfreundliche und profitable Bioenergie für die zentralen USA Wirklichkeit werden zu lassen.“
Sagte Sacks: „Unsere Standardmethoden zur Messung von Miscanthus-Merkmalen wie Ertrag und Höhe erfordern viel Zeit und Arbeit, aber diese neuen Bildgebungsmethoden sind schneller und viel kostengünstiger. Mit den neueren Methoden können wir größere Populationen von Miscanthus auswerten Miscanthus für das gleiche Geld – und das wird uns ermöglichen, schneller bessere Zuchtstämme und Sorten zu selektieren.“
Zu den Co-Autoren der Studie gehörten Ph.D. der Student Xuying Zheng, der Student Dylan P. Allen und der Forschungstechniker Jeremy Ruhter, alle bei CABBI und Crop Sciences; und Ph.D. Studentin Joyce N. Njuguna von Crop Sciences.
Mehr Informationen:
Sebastian Varela et al, Deep Convolutional Neural Networks Exploit High-Spatial-and-Time-Resolution Aerial Imagery to Phänotype Key Traits in Miscanthus, Fernerkundung (2022). DOI: 10.3390/rs14215333