Der Nährstoffgehalt der Pflanzen spiegelt ihre allgemeine metabolische Gesundheit wider und hat einen direkten Einfluss auf das Pflanzenwachstum, die Entwicklung und die Fortpflanzung. Nichtstrukturelle Kohlenhydrate (NSCs) zum Beispiel sind eine Art vorübergehender Speicher für Kohlenhydrate, die sich in Bäumen ansammeln, und es wird angenommen, dass sie ein Hinweis auf die Verfügbarkeit und Zufuhr von pflanzlichem Kohlenstoff sind.
Stickstoff (N), ein Hauptbestandteil von Proteinen, Chlorophyll, Nukleinsäuren und Vitaminen, wird für die Lagerung und den Transport von Photosyntheseprodukten benötigt. Die manuelle Überwachung dieser Nährstoffe in Bäumen oder mit herkömmlichen Methoden erfordert jedoch viel Zeit und Mühe. Dies erfordert die Entwicklung neuer, moderner und zeitsparender Ansätze, um Pflanzenwissenschaftler dabei zu unterstützen, in kürzester Zeit ein Maximum an Informationen zu extrahieren.
Zu diesem Zweck hat eine Gruppe von Forschern aus China und Neuseeland, darunter Assistenzprofessor Yanjie Li von der Chinesischen Akademie für Forstwirtschaft, kürzlich künstliche Intelligenz (KI) zur Echtzeitüberwachung von N und NSC in den Blättern von Kiefernnadeln eingesetzt . Das Team verwendete unbemannte Luftfahrzeuge (UAVs) oder Drohnen, um Bildgebungsstudien an Kiefern durchzuführen, während es an ihrem Blätterdach vorbeiflog.
Durch die Kombination fortschrittlicher spektroskopischer Analysetechniken, fortschrittlicher Statistiken und maschineller Lernalgorithmen kann dieser neue Ansatz Informationen über die biochemischen Eigenschaften, die Wachstumsrate, den Gesundheits- und Entwicklungsstatus sowie die genetischen Variationen dieser Bäume liefern. Die Studie wurde online in der Zeitschrift veröffentlicht Pflanzenphänomik.
„Die UAV-basierte Fernerkundung ist zerstörungsfrei, mit hohem Durchsatz und schnell. Es ist eine effiziente Technik zur Messung der Pflanzenstruktur und zur Überwachung des physiologischen Inhalts der Überdachung in der Land- und Forstwirtschaft“, sagt Associate Prof. Li, der korrespondierende Autor der Studie ist.
Das Team hatte zuvor die Erkennung von Baumwachstumsparametern und Vegetationsindizes (VIs) unter Verwendung von UAV-Multispektralbildern demonstriert und diese zur Schätzung der genetischen Variation in Slash Pines (Pinus elliottii) verwendet. In der aktuellen Studie wurde die Technik weiter verfeinert, um Informationen über die Baumkronen von Slash Pine zu sammeln, um bei ihrer Zucht zu helfen. Insgesamt 383 Bäume wurden 11 Monate lang in einem gentechnisch kontrollierten Kiefernwald in China überwacht.
Die Drohnen wurden verwendet, um qualitativ hochwertige Strukturbilder von N und NSC in den Kiefernblättern aufzunehmen, die dann durch eine Software geleitet wurden, um mögliche Prädiktoren zu durchsuchen und zu den wahrscheinlichsten Strukturen und genetischen Kategorien zu gelangen. Dies wurde dann extrapoliert, um Informationen über die monatliche Verteilung der vorhergesagten N- und NSC-Gehalte am Studienort zu sammeln. Als nächstes wurden die besten Baumfamilien (als am besten geeignet für die Zucht angesehen) und die Vererbbarkeit des N- und NSC-Gehalts für verschiedene Monate vorhergesagt.
„Wir haben die höchste Heritabilität für N und NSC in den Monaten Juli und März erhalten, was die beste Zeit für die Kiefernzucht sein könnte.“
Der Ansatz konnte ein Jahr lang erfolgreich Informationen sammeln und dabei helfen, Trends zu beobachten, und ist ein zuverlässiger Machbarkeitsnachweis, der den Weg für detailliertere Untersuchungen und fortschrittliche Technologieentwicklungen ebnen kann. Associate Prof. Li erklärt: „Wir planen für die Zukunft wiederholte Bewertungen, insbesondere um die Unterschiede in den Ergebnissen von Dürre- und Nicht-Dürrejahren zu untersuchen.“
Die Studie identifizierte nicht nur Baumfamilien und -haufen mit hohen Zuchtwerten, sondern auch den optimalen Zeitpunkt für die Zucht. Es ist kostengünstig und weniger ressourcenintensiv, mit enormer Skalierbarkeit und der Fähigkeit, Echtzeitinformationen bereitzustellen. Es kann Pflanzenzüchtern Informationen liefern, um optimal über den richtigen Zeitpunkt und die richtige Baumauswahl für die künstliche Züchtung zu entscheiden.
Solche Erkenntnisse in Verbindung mit einer langfristigen Überwachung natürlicher Wälder und Plantagen könnten zu einer erheblichen Modernisierung der in der Landwirtschaft, im Gartenbau, in der Forstwirtschaft und in der Agroforstwirtschaft eingesetzten Technologien führen.
Mehr Informationen:
Xiaoyun Niu et al, Vorhersage nadelphysiologischer Merkmale unter Verwendung von UAV-Bildern für die Zuchtauswahl von Slash Pine, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0028