Fortschrittliche Deep-Learning-Modelle verbessern die Rispenanalyse und Stickstoffauswirkungsstudien

Reis ist für die globale Ernährungssicherheit von entscheidender Bedeutung und liefert den Lebensunterhalt für die Hälfte der Weltbevölkerung. Seine Produktion, die insbesondere durch Umweltfaktoren während der Blüte- und Rispenphase beeinflusst wird, beeinflusst entscheidende Wachstumsmerkmale. Herkömmliche Phänotypisierungsmethoden sind für groß angelegte Analysen ineffizient und erfordern fortschrittliche, genaue Überwachungslösungen.

Jüngste Fortschritte im Bereich Computer Vision und maschinelles Lernen, insbesondere Deep Learning, haben die Phänotypisierung von Pflanzen verbessert, wobei Methoden wie der Scale-Invariant Feature Transform (SIFT)-Algorithmus und Faltungs-Neuronale Netze die Reisrispenanalyse unterstützen. Allerdings stoßen diese Techniken bei der Erfassung des dynamischen Wachstums von Reisrispen im Laufe der Zeit an Grenzen. Um diese Lücke zu schließen, müssen Feldkameras mit Deep Learning kombiniert werden, um eine detaillierte Echtzeitüberwachung zu ermöglichen.

Im Juni 2023, Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „Analyse der Stickstoffeffekte auf die Entwicklung von Reisrispen durch Rispenerkennung und Zeitreihenverfolgung.“

In dieser Studie entwickelten Forscher eine Pipeline unter Verwendung der Modelle YOLO v5, ResNet50 und DeepSORT, um automatisch detaillierte Rispenmerkmale aus Zeitreihenbildern zu extrahieren. Diese Methode wurde auf ihre Fähigkeit getestet, subtile Unterschiede in der Rispenentwicklung unter verschiedenen Stickstoffbehandlungen zu erkennen. Die Ergebnisse zeigten eine hohe Genauigkeit bei der Rispenzählung (R2 = 0,96, RMSE = 1,73) und eine präzise Schätzung des Rispendatums (absoluter Fehler von 0,25 Tagen).

Darüber hinaus ermöglichte die Methode die Analyse der Blütedauer und der Blütezeiten einzelner Rispen. Diese Analyse ergab, dass ein erhöhter Stickstoffgehalt zu mehr Rispen, einer längeren Blütedauer und einem früheren Blühbeginn führt. Das Rispenerkennungsmodell, das im Vergleich zu verschiedenen Stickstoffbehandlungen evaluiert wurde, behielt über Jahre hinweg eine gleichbleibende Genauigkeit bei, was auf seine Universalität für verschiedene Reissorten hinweist. Außerdem wurden Rispen mit unterschiedlichen Formen, Farben und Texturen effektiv erkannt.

Für die Rispenklassifizierung unterschied das auf ResNet 50 basierende Modell mit hoher Genauigkeit zwischen kräftig und nicht kräftig blühenden Rispen. Diese Studie erleichterte die Analyse des Reisblütenprozesses und die Identifizierung des Erntedatums und stimmte eng mit manuellen Zählungen und Feldbeobachtungen überein.

Darüber hinaus identifizierte die Methode wirksam empfindliche Blütenveränderungen aufgrund von Umweltfaktoren wie Temperatur und Luftfeuchtigkeit. Die Verfolgung einzelner Rispen ergab, dass eine höhere Stickstoffgabe zu einem früheren Blühbeginn und längeren Blütezeiten führte.

Das Modell zeigte eine robuste Leistung bei der Verfolgung von Reisrispen, wobei etwa 70 % der Rispen trotz Umweltveränderungen vollständig und kontinuierlich verfolgt wurden. In der Studie wurde auch die Wirkung von Stickstoff auf den Reisansatz und die Blüte hervorgehoben, was auf mögliche Auswirkungen auf die Kornfüllung hinweist. Es wurde beobachtet, dass die Stickstoffanwendung die Anzahl der Rispen erhöht, aber auch den Beginn und die Dauer der Kornfüllung beeinflusst.

Zusammenfassend zeigt die vorgeschlagene Pipeline einen zerstörungsfreien, genauen und effizienten Ansatz zur Gewinnung von Rispenmerkmalen. Es eröffnet neue Möglichkeiten für die Analyse von Reisphänotypen unter verschiedenen Stickstoffbehandlungen und Umweltbedingungen und trägt so zur Weiterentwicklung der agronomischen Forschung und Anbaupraktiken bei.