Die hyperspektrale Reflexion deckt kritische Blattfunktionsmerkmale auf, die Aufschluss über den physiologischen Status einer Pflanze geben, und stellt ein leistungsstarkes Werkzeug zur Unterscheidung von Sämlingen dar, die an bestimmte Umgebungen angepasst sind.
Aktuelle Forschung untersucht die Variabilität innerhalb der Population und die Notwendigkeit der Hochdurchsatz-Phänotypisierung (HTP) in der Forstwirtschaft zur Auswahl widerstandsfähiger Genotypen unter sich ändernden klimatischen Bedingungen. Allerdings bestehen weiterhin Herausforderungen bei der Verwaltung umfangreicher phänotypischer Daten und bei der Kompatibilität von Reflexionsdaten, die aus verschiedenen Messansätzen erfasst wurden.
Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „Die genotypische Variation sichtbar machen: Hyperspektrale Phänotypisierung bei Waldkiefernsämlingen.“
Diese Forschung nutzte zwei zerstörungsfreie Methoden zur Messung des hyperspektralen Reflexionsvermögens an 1.788 Waldkiefernsämlingen und unterschied zwischen Tiefland- und Hochland-Ökotypen aus der Tschechischen Republik.
Blatthöhenmessungen wurden mit einem Spektroradiometer und einer Kontaktsonde (CP) für den bikonischen Reflexionsfaktor (BCRF) von Nadelproben durchgeführt, während für proximale Blätterdachmessungen dasselbe Spektroradiometer mit einem Glasfaserkabel (OC) unter natürlichem Licht für den halbkugelförmigen konischen Reflexionsfaktor verwendet wurde (HCRF). Die Ergebnisse zeigten statistisch signifikante Unterschiede zwischen den Kiefernpopulationen im gesamten Spektralbereich.
Mithilfe von Algorithmen für maschinelles Lernen konnten anhand der proximalen Daten die verschiedenen Waldkiefernpopulationen mit einer Genauigkeit von bis zu 83 % vorhergesagt werden.
Insbesondere zeigten BCRF und HCRF signifikante Unterschiede bei paarweisen Vergleichen zwischen Populationen, insbesondere im sichtbaren (VIS) und Nahinfrarotbereich (NIR). Die größten Unterschiede traten bei BCRF im VIS und im roten Rand (RE) auf, während HCRF eine größere Varianz in kurzwelligen Infrarotbereichen (SWIR) aufwies.
Sowohl die BCRF- als auch die HCRF-Daten zeigten im gesamten Spektralbereich des sehr kurzwelligen Infrarots (VSWIR) ähnliche Trends, wobei die BCRF-P-Werte in vielen Spektralintervallen im Allgemeinen näher bei Null lagen als die HCRF-Daten. Random Forest (RF)- und Support Vector Machine (SVM)-Algorithmen wurden eingesetzt, um die Vorhersagegenauigkeit des Populationsursprungs basierend auf Reflexionsfaktoren zu testen.
Die höchste Genauigkeit wurde mit rohem HCRF ganzer Sämlinge erzielt. Die Bedeutung bestimmter Spektralbereiche für die HF-Trennung wurde durch Peaks in VIS und RE belegt. HCRF zeigte mehr Spektralbereiche mit hoher Bedeutung für die HF-Vorhersage als BCRF, das hauptsächlich auf VIS und RE beschränkt war. Dieser Unterschied trug wahrscheinlich zur höheren Vorhersagegenauigkeit von RF-Modellen auf Basis von HCRF-Daten bei.
Die Studie kam zu dem Schluss, dass sowohl BCRF auf Blattebene als auch HCRF ganzer Sämlinge für die hyperspektrale Phänotypisierung geeignet sind, um die phänotypische und genetische Variation innerhalb von Waldkiefernsämlingen zu differenzieren.
Insgesamt bieten diese Methoden wertvolle Werkzeuge für Forst- und Zuchtprogramme, insbesondere für die zerstörungsfreie genetische Bewertung und effektive Baumschulpraktiken. Trotz einiger Einschränkungen im Zusammenhang mit Lichtverhältnissen und Messmethoden zeigte die Forschung das Potenzial der Verwendung von hyperspektralem Reflexionsvermögen und maschinellem Lernen für eine genaue Vorhersage und Klassifizierung von Baumpopulationen bei Züchtungs- und Erhaltungsbemühungen.
Mehr Informationen:
Jan Stejskal et al., Die genotypische Variation sichtbar machen: Hyperspektrale Phänotypisierung bei Waldkiefernsämlingen, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0111
Bereitgestellt von Plant Phenomics