Neue Methode zur Weizenertragsanalyse trennt Krankheitsauswirkungen von natürlicher Seneszenz

Der Ertrag von Weizenkulturen wird durch die Sinkstärke (Kornanzahl und Nährstoffaufnahmekapazität) und die Quellenkapazität (Effizienz des photosynthetischen Gewebes) beeinflusst. Während weithin über Senkeneinschränkungen berichtet wird, wirken sich Quelleneinschränkungen aufgrund von Krankheiten wie der Septoria tritici-Fleckenkrankheit (STB) auch auf die Erträge aus, vor allem nach der Blüte, während der Kornfüllung.

Zu den aktuellen Herausforderungen gehört es, die Auswirkungen von Krankheiten und natürlicher Seneszenz auf das Grün der Baumkronen zu unterscheiden. Fortschritte in der Sensortechnologie und Bildanalyse, wie z. B. Deep Learning, bieten potenzielle Lösungen, es ist jedoch schwierig, genaue Trainingsdaten zu erstellen und kleine Veränderungen in den Eigenschaften des Blätterdachs im Laufe der Zeit zu erkennen.

Der Hauptschwerpunkt der Forschung liegt nun auf der Entwicklung präziser Methoden zur Trennung der Auswirkungen von Krankheiten und Seneszenz auf Weizenernteerträge mithilfe fortschrittlicher sensorbasierter Technologien.

Im Juni 2023, Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „Kombination von hochauflösender Bildgebung, Deep Learning und dynamischer Modellierung zur Trennung von Krankheit und Seneszenz in Weizenkronen.“

Diese Forschung stellt eine neuartige Bildverarbeitungsmethode vor, die Deep-Learning-Modelle für die semantische Segmentierung verwendet, um Chlorose und Nekrose in Weizenpflanzen zu überwachen, wobei der Schwerpunkt auf Ähren und Trieben liegt. Der Ansatz beinhaltet das Training eines Vegetationssegmentierungsmodells mithilfe halbsynthetischer Daten, das Bildkomposition und generative gegnerische neuronale Netze kombiniert.

Das trainierte Modell zeigte eine hohe Genauigkeit bei der Segmentierung der Vegetation in hochauflösenden RGB-Bildern. Die Gesamtbewertung der F1-Validierung war beeindruckend: 0,929 für Modelle, die auf rohen zusammengesetzten Bildern trainiert wurden, und 0,951 für diejenigen, die auf stilübertragenen zusammengesetzten Bildern trainiert wurden.

Dies weist darauf hin, dass die Modelle Pflanzenteile und ihren Gesundheitszustand während verschiedener Wachstumsphasen und unter unterschiedlichen Lichtbedingungen effektiv identifizieren konnten. Die Leistung der Segmentierungsmodelle blieb während des gesamten Trainings stabil, insbesondere wenn mehrere Verbundstoffe pro Pflanzenvordergrund verwendet wurden.

Das Modell unterschied effektiv gesundes, chlorotisches und nekrotisches Gewebe, was für das Verständnis der Pflanzengesundheitsdynamik von entscheidender Bedeutung ist. Die Methode zeichnete sich insbesondere durch die Identifizierung des Auftretens von Chlorose und Nekrose aus, die Schlüsselindikatoren für Pflanzenstress aufgrund von Krankheiten oder natürlicher Seneszenz sind.

Durch die Anwendung dieser Methodik auf Feldbedingungen konnten zeitliche Muster des Grünabfalls in Weizenkulturen ermittelt und die Auswirkungen von Krankheiten wie der Septoria-tritici-Flecke (STB) und natürlicher Seneszenz differenziert werden.

Der hohe Durchsatz der Methode macht sie für genetische Studien zur Krankheitsresistenz und -toleranz geeignet. Darüber hinaus verdeutlichten die Ergebnisse das Potenzial der Verwendung solcher bildbasierter Ansätze für eine präzise und objektive Überwachung der Pflanzengesundheit, die eine detaillierte Beurteilung des physiologischen Zustands verschiedener Pflanzenteile im Zeitverlauf ermöglichen.

Zusammenfassend lässt sich sagen, dass diese Bildverarbeitungsmethode, die Deep Learning und fortschrittliche Bildanalyse nutzt, ein leistungsstarkes Werkzeug für die detaillierte Hochdurchsatzüberwachung der Pflanzengesundheit auf organspezifischer Ebene bietet. Es birgt ein erhebliches Potenzial für die Weiterentwicklung unseres Verständnisses der Reaktionen von Pflanzen auf biotischen Stress und die Optimierung von Pflanzenmanagementstrategien auf dem Feld.