Der Stress des Klimawandels schränkt die Ernteerträge erheblich ein, wobei Wurzelmerkmale eine entscheidende Rolle bei der Stresstoleranz spielen, was die Bedeutung der Wurzelphänotypisierung für die Verbesserung der Nutzpflanzen unterstreicht. Jüngste Fortschritte bei der bildbasierten Wurzelphänotypisierung, insbesondere durch die Minirhizotron-Technik (MR), bieten Einblicke in die Wurzeldynamik unter Stress. Der manuelle und subjektive Charakter der MR-Bildanalyse stellt jedoch erhebliche Herausforderungen dar.
Dies unterstreicht den Bedarf an automatisierten Bildgebungssystemen und -werkzeugen, um den Prozess zu rationalisieren und zu objektivieren und so die Effizienz und Objektivität der Wurzelphänotypisierung zu verbessern.
Im Januar 2024, Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „Automatische Wurzellängenschätzung aus in situ aufgenommenen Bildern ohne Segmentierung.“ Diese Studie treibt das Gebiet der Wurzelphänotypisierung voran, indem sie auf Faltungs-Neuronalen Netzwerken basierende Modelle zur Schätzung der Gesamtwurzellänge (TRL) aus MR-Bildern anpasst, ohne dass eine Segmentierung erforderlich ist.
Mithilfe manueller Annotationen der Rootfly-Software untersuchten die Forscher ein regressionsbasiertes Modell und ein erkennungsbasiertes Modell, das annotierte Wurzelpunkte identifiziert, wobei letzteres eine visuelle Inspektionsmöglichkeit von MR-Bildern bietet.
Die Modelle wurden anhand von 4.015 Bildern verschiedener Nutzpflanzenarten unter verschiedenen abiotischen Belastungen eingehend getestet und zeigten eine hohe Genauigkeit (R2-Werte zwischen 0,929 und 0,986) bei der TRL-Schätzung im Vergleich zu manuellen Messungen. Diese Genauigkeit unterstreicht das Potenzial unseres Ansatzes, die Effizienz und Zuverlässigkeit der Wurzelphänotypisierung erheblich zu verbessern.
Die Ergebnisse der Studie deuten darauf hin, dass das erkennungsbasierte Modell im Allgemeinen das Regressionsmodell übertrifft, insbesondere bei anspruchsvollen Datensätzen, indem es zusätzliche Wurzelkoordinateninformationen einbezieht. Dieses Ergebnis ist von entscheidender Bedeutung für qualitativ hochwertige Bilddatensätze, bei denen die automatisierte TRL-Schätzung robust bleibt.
Darüber hinaus führten die Forscher eine Sensitivitätsanalyse durch, um den Einfluss der Bildqualität und der Datensatzgröße auf die Modellleistung hervorzuheben und den signifikanten Einfluss der Bildqualität aufzudecken. Die Fähigkeit der Modelle, mit einer minimalen Fehlermarge zwischen Bildern mit und ohne Wurzeln zu unterscheiden, verdeutlicht zusätzlich ihren praktischen Nutzen in der Präzisionslandwirtschaft, indem sie eine Echtzeitüberwachung des Wurzelwachstums ermöglicht.
Die Analyse wurde dann erweitert, um Berechnungen der Wurzellängendichte (RLD) auszuwerten. Dies zeigte die Wirksamkeit der Modelle bei der Erfassung von Wurzelverteilungsmustern im Boden, was für das Verständnis der Wasser- und Nährstoffextraktion von entscheidender Bedeutung ist. Die Fähigkeit der Modelle, die Wurzeldynamik im Laufe der Zeit zu verfolgen – einschließlich der Identifizierung des Wurzelverschwindens – unterstreicht ihr Potenzial, zeitnahe landwirtschaftliche Entscheidungen hinsichtlich des Wasser- und Nährstoffmanagements zu treffen.
Zusammenfassend stellt diese Forschung einen bahnbrechenden Ansatz zur Wurzelphänotypisierung dar, der robuste, automatisierte Werkzeuge für die TRL-Schätzung aus MR-Bildern bietet und so die schnelle und genaue Beurteilung von Wurzelwachstumsmustern erleichtert. Dieser Fortschritt ist vielversprechend für die Verbesserung präziser landwirtschaftlicher Praktiken und ermöglicht es den Landwirten, fundierte Entscheidungen auf der Grundlage detaillierter Informationen zum Wurzelwachstum zu treffen.
Mehr Informationen:
Faina Khoroshevsky et al., Automatische Wurzellängenschätzung aus in situ erfassten Bildern ohne Segmentierung, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0132