Der stetige Rückgang der Anbaufläche durch die rasant wachsende Weltbevölkerung erfordert den Einsatz effizienter Pflanzenzüchtungsmethoden, mit denen sich die landwirtschaftlichen Erträge verbessern lassen. Neben genetischen Methoden benötigen wir jedoch Ansätze zur Kontrolle und Verbesserung komplexer Pflanzeneigenschaften. Zu diesem Zweck nutzen Pflanzenwissenschaftler verschiedene hochmoderne bildgebende Verfahren, die Pflanzenmerkmale (Höhe, Blattform, Blattfarbe usw.) quantifizieren.
Herkömmliche bildgebende Verfahren sind jedoch langwierig, destruktiv und nicht nachhaltig. Da Pflanzen außerdem in einem dreidimensionalen (3D) Raum existieren, ist eine genaue Abschätzung unter Verwendung von zweidimensionalen (2D) Bildern schwierig.
Die Hochdurchsatz-Phänotypisierungsplattform (HTP) ermöglicht die regelmäßige Felddatenerfassung. Es erfasst Bilder mit RGB-Kameras (rot, grün und blau) und Light Detection and Ranging (LiDAR). Die RGB-Kamera erzeugt hochauflösende Bilder, aus denen Merkmale wie die Kronenstruktur sowie die Anzahl und das Aussehen bestimmter Pflanzenorgane extrahiert werden können.
Während RGB-Kameras vom Licht beeinflusst werden, ist dies bei LiDAR nicht der Fall. Infolgedessen wird LiDAR in selbstfahrenden Fahrzeugen häufig zur Kartierung und Navigation eingesetzt. Kann LiDAR also auch detaillierte Beschreibungen von Erntemerkmalen bereitstellen?
Um diese Frage zu beantworten, haben Wissenschaftler aus China nun eine schienenbasierte Feldphänotypisierungstechnik entwickelt, die LiDAR zur Quantifizierung von Pflanzenmerkmalen verwendet. Die Studie unter der Leitung von Professor Xinyu Guo vom National Engineering Research Center for Information Technology in Agriculture, China, wurde kürzlich in veröffentlicht Pflanzenphänomik.
Prof. Guo erklärt: „Es ist schwierig, die Punktwolkendaten abzugleichen und genaue phänotypische Merkmale von Pflanzenpopulationen zu extrahieren. In dieser Studie wurden Hochdurchsatz-Zeitreihen-Rohdaten von Feldmaispopulationen mithilfe einer feldschienenbasierten Phänotypisierung gesammelt Plattform mit LiDAR und einer RGB-Kamera.“
Das Forschungsteam integrierte LiDAR in das Design der schienenbasierten Feldphänotypisierungsplattform. Um dies zu erreichen, verwendete das Forschungsteam Orthorektifizierung, einen Prozess, der rohe Feldbilder in nutzbare Formen umwandelt, indem sensor-, bewegungs- und geländebezogene Verzerrungen entfernt werden. Die korrigierten Bilder wurden dann verwendet, um verschiedene Pflanzenmerkmale genau zu quantifizieren, nachdem sie einer algorithmischen Verarbeitung unterzogen wurden.
Als nächstes verwendete das Team eine zeitreihenbasierte Hochdurchsatz-Phänotypisierung von Pflanzen, um die Pflanzenhöhe in einem Maisfeld zu bestimmen. Bei diesem Verfahren werden in regelmäßigen Zeitabständen aufgenommene Feldbilder untersucht, um eine zerstörungsfreie Analyse der gewünschten Pflanzenmerkmale (in diesem Fall der Pflanzenhöhe) durchzuführen.
„Ausrichtungsfehler in Zeitreihen-Punktwolkendaten wurden durch die Kopplung von orthorektifizierten Feldbildern und Punktwolken minimiert. Die vorgeschlagene Methode integriert Punktwolkendatenerfassung, Ausrichtung, Filterung und Segmentierungsalgorithmen“, fügt Prof. Guo hinzu.
Die Ergebnisse waren beeindruckend und beruhigend: Die Wuchshöhen von 13 Maissorten, die mit der oben genannten Technik gewonnen wurden, korrelierten stark mit den manuellen Messungen. Mit anderen Worten, die Pflanzenhöhe, die mit der schienenbasierten Feldphänotypisierungsplattform bestimmt wurde, stimmte mit der Höhe überein, die mit etablierten manuellen Techniken gemessen wurde. Das Forschungsteam stellte auch fest, dass die Messgenauigkeit zunahm, wenn Daten aus mehreren Quellen Daten aus einer einzigen Quelle ersetzten.
Obwohl die Technik effektiv ist, hat sie einige Nachteile. Beispielsweise führen Blattüberkreuzung, Schattierung und Überlappung während der Bilderfassung zu einem teilweisen Datenverlust. Das Team arbeitet daran, diese Probleme zu lösen.
„Die Methode kann auch verwendet werden, um die Wachstumsraten zwischen Sorten zu vergleichen oder botanische Merkmale abzuschätzen, die für Modellbauer und Züchter von Interesse sind. Daher kann diese Forschung Daten liefern, die die moderne Züchtung unterstützen“, schließt Prof. Guo.
Mehr Informationen:
Yinglun Li et al, Multi-Source Data Fusion Improves Time-Series Phänotype Accuracy in Maize under a Field High-Throughput Phenotyping Platform, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0043