Blattfarbmuster, die durch Faktoren wie Blattalter und Umweltstress beeinflusst werden, dienen in der Landwirtschaft als Indikatoren für die Pflanzengesundheit. Der VIS-NIR-SWIR-Sensor ist zwar bei der Messung dieser Muster mit hoher Auflösung wirksam, beschränkte sich jedoch auf die Beurteilung der allgemeinen Pflanzengesundheit und des Phytopigmentgehalts und nicht auf spezifische Stoffwechsel- oder Signaldefekte.
Phytohormone, insbesondere Abscisinsäure (ABA), sind für das Verständnis pflanzlicher Reaktionen auf Stress von entscheidender Bedeutung. Während spektroskopische Techniken bei der nichtinvasiven Überwachung der Pflanzengesundheit Fortschritte gemacht haben, bestehen aufgrund von Faktoren wie Blattwinkel und Oberflächenstruktur weiterhin Herausforderungen bei der Dateninterpretation.
Im Juni 2023, Pflanzenphänomik veröffentlichte einen Artikel mit dem Titel „Klassifizierung endogener Pflanzenzustände mithilfe von maschinellem Lernen abgeleiteten landwirtschaftlichen Indizes.“
Diese Forschung nutzte Feature-Engineering- und maschinelle Lernmethoden, um die VIS-NIR-SWIR-Blattreflexion zur Diagnose der Pflanzengesundheit zu nutzen, wobei der Schwerpunkt auf physiologischen Veränderungen im Zusammenhang mit dem Stresshormon Abscisinsäure (ABA) lag.
Die Ergebnisse zeigten, dass ABA2-überexprimierende und defiziente Mutanten unter Trockenstress einzigartige Blattreflexionsmuster aufwiesen. Reflexionsdaten, die mit einem Savitzky-Golay-Filter geglättet und von Ausreißern bereinigt wurden, zeigten, dass aba2-Mutanten deutliche spektrale Signaturen aufwiesen, insbesondere unter Dürrebedingungen, mit verringertem Reflexionsvermögen in bestimmten Wellenlängenbereichen.
Das log2-transformierte Verhältnis der Blattreflexionsspektren zeigte Frühindikatoren für Trockenstress auf, die nicht mit Wasserverlust, sondern möglicherweise mit den ABA-Werten zusammenhängen. Zur Merkmalsauswahl und -klassifizierung wurde ein De-novo-Screening der NRIs durchgeführt, um diejenigen zu identifizieren, die für Dürre und ABA-Werte relevant sind.
Die höchsten F-Score-Werte wurden bei NRIs beobachtet, die bestimmte Wellenlängenbereiche enthielten, was auf die wesentliche Rolle von ABA bei durch Dürre verursachten spektralen Veränderungen schließen lässt. Mit diesen NRIs erstellte Klassifikatoren unterschieden effektiv Genotypen und Behandlungsgruppen, wobei der SVM-Klassifikator eine hohe Leistung und Robustheit zeigte.
Die Studie untersuchte auch den Zusammenhang ausgewählter NRIs mit dem Wasser- und Chlorophyllgehalt. Während einige NRIs eine Korrelation mit herkömmlichen landwirtschaftlichen Indizes zeigten, standen die meisten in keinem Zusammenhang mit diesen biochemischen Ergebnissen.
Die PLS-Regression sagte den Wasser- und Chlorophyllgehalt anhand der ursprünglichen Spektraldaten voraus, die ausgewählten Wellenlängen unterschieden sich jedoch von denen in den Top-NRIs, was auf zusätzliche physiologische Veränderungen hindeutet, die über gut dokumentierte Dürreeffekte hinausgehen.
Schließlich wurde die Forschung auf das Screening auf dürrebedingte NRIs in Salat ausgeweitet, was die Anwendbarkeit des Ansatzes auf verschiedene Arten bestätigte.
Die Studie schließt mit der Betonung des Potenzials von Arabidopsis-Mutanten bei der Identifizierung spektraler Variationen im Zusammenhang mit hormonellen und physiologischen Veränderungen und bietet eine effizientere Methode zur Diagnose und zum Verständnis von Pflanzenstress.
Mehr Informationen:
Sally Shuxian Koh et al., Klassifizierung endogener Pflanzenzustände mithilfe maschineller Lern-abgeleiteter landwirtschaftlicher Indizes, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0060