Sojabohnen, die sowohl als Ölsaaten als auch als Getreide geschätzt werden, stoßen im Vergleich zu Nutzpflanzen wie Mais und Reis auf Ertragsbeschränkungen, was die Notwendigkeit der Entwicklung ertragreicherer Sorten unterstreicht.
Allerdings ist der Zusammenhang zwischen dem frühen Wachstum der Sojabohnenkronen und dem Gesamtertrag nach wie vor unzureichend verstanden, was auf eine erhebliche Forschungslücke hinweist. Während Fortschritte bei der Hochdurchsatz-Phänotypisierung, insbesondere durch UAV-Technologie, die Überwachungseffizienz verbessert haben, stehen sie vor Herausforderungen bei der Genauigkeit der Datenanalyse, insbesondere bei der Bildsegmentierung.
Pflanzenphänomik veröffentlichte Forschungsarbeit mit dem Titel „Zeitreihen-Feldphänotypisierung der Sojabohnen-Wachstumsanalyse durch Kombination von multimodalem Deep Learning und dynamischer Modellierung.“
In dieser Studie wurde die Wirksamkeit von RIFSeg-Net für die Segmentierung von Sojabohnen-Baldachinen mithilfe eines multimodalen Deep-Learning-Modells bewertet, das speziell auf die Analyse von UAV-erfassten phänotypischen Daten aus mehreren Quellen zugeschnitten ist.
Die Forschung umfasste eine vergleichende Genauigkeitsbewertung mit etablierten Modellen (z. B. FCN, UNet, SegNet) und die Analyse verschiedener ResNet-Architekturen als Rückgrat für RIFSeg-Net und zeigte eine überlegene Leistung von ResNet-50 in Bezug auf Präzision.
Darüber hinaus wurden einzelne Sojabohnenblätter mithilfe des SAM-Modells extrahiert, eine Aufgabe, die erhebliche Rechenressourcen erforderte, um 200 Sojabohnensorten basierend auf den Blattseitenverhältnissen in vier verschiedene Gruppen zu klassifizieren. Anschließend wurde auf diese Gruppen eine dynamische Modellierung angewendet, bei der fünf phänotypische Parameter extrahiert wurden, um die Dynamik der Blätterdachentwicklung zu untersuchen und signifikante Unterschiede in der Blätterdachbedeckung zwischen verschiedenen Sojabohnen-Untergruppen aufzuzeigen.
Diese Methode nutzt UAVs für die zeitlich hochpräzise Datenerfassung über den gesamten Reproduktionszyklus von Sojabohnen und übertrifft die herkömmliche manuelle Phänotypisierung, indem sie groß angelegte Feldexperimente mit hohem Durchsatz ermöglicht. Die Fusion multimodaler Dateneingaben verbessert die Segmentierungsgenauigkeit erheblich und ermöglicht die automatische Erfassung und Überwachung der dynamischen Überdachung.
Dynamische Modellierung, gestützt auf die „S“-Wachstumsfunktion, legt zuverlässige Parameter zur Charakterisierung von Genotypunterschieden fest und unterstreicht die entscheidende Rolle der frühen Vitalität für die Ertragsergebnisse. Dieser Ansatz erleichtert nicht nur detaillierte phänotypische Analysen, die sich auf die frühe Vitalität konzentrieren, sondern hilft auch bei der Identifizierung von Sojabohnen-Keimplasmaressourcen mit günstigen Merkmalen für die Züchtung produktiverer und widerstandsfähigerer Sorten.
Zusammenfassend zeigt die Studie das Potenzial der UAV-Phänotypisierung in Kombination mit fortschrittlichen Deep-Learning- und dynamischen Modellierungstechniken zur effizienten Phänotypisierung einer breiten Palette von Sojabohnen-Genotypen auf und liefert unschätzbare Erkenntnisse für die Züchtung ertragsstarker Sojabohnensorten. Dieser umfassende Ansatz unterstreicht die Integration modernster Technologien und Methoden in die Agrarforschung und setzt damit einen neuen Standard für die Hochdurchsatz-Phänotypisierung unter Feldbedingungen.
Mehr Informationen:
Hui Yu et al., Zeitreihen- und hochauflösende UAV-Daten für die Wachstumsanalyse von Sojabohnen durch Kombination von multimodalem Deep Learning und dynamischer Modellierung, Pflanzenphänomik (2024). DOI: 10.34133/plantphenomics.0158