Produzenten wissen, dass die richtige Erntezeit der Baumwolle – wenn die Blätter abfallen und die Baumwollkapseln aufplatzen – eine hohe Qualität und einen hohen Ertrag gewährleistet. Ein neues maschinelles Lernmodell, das die Alterung der Pflanzen im Laufe der Zeit verfolgt, kann ihnen dabei helfen, den richtigen Erntezeitpunkt zu bestimmen.

Zwei Bilder oben in der Abbildung zeigen ein Baumwollfeld und eine Samenkapsel zu Beginn der Wachstumsperiode. Die Blätter sind grün und die Samenkapsel ist unreif und nur teilweise geöffnet. Zwei Bilder unten in der Abbildung zeigen ein Baumwollfeld und eine Samenkapsel am Ende der Wachstumsperiode. Die Pflanzen sind braun und blattlos und die Samenkapsel ist reif. Die Samenkapsel ist geöffnet, sieht trocken aus und die Baumwollfasern sind weiß und flauschig.
Abbildung 1: Unreife Baumwollkapseln und -pflanzen (oben), reife Baumwollkapseln und -pflanzen, die zur Ernte bereit sind (unten).

Die Seneszenz bei Baumwolle folgt wie bei den meisten Pflanzen einer vorhersehbaren Abfolge von Ereignissen. Der Zeitpunkt der Seneszenz wird jedoch von einer Reihe von Faktoren beeinflusst, darunter Genotyp, Umweltbedingungen und Bewirtschaftungsmethoden. Verschiedene Genotypen weisen unterschiedliche Seneszenzraten auf, was sich darauf auswirken kann, wie schnell Pflanzen reifen. Umweltbelastungen wie extreme Temperaturen, Dürre und Nährstoffmangel können die Seneszenz beschleunigen. Bewirtschaftungsmethoden wie Bewässerung, Düngung und Beschneiden können Stresseffekte abmildern und so dazu beitragen, den Seneszenzprozess zu optimieren.

Durch die Analyse von Seneszenzdaten können Produzenten die am besten geeigneten Genotypen und Managementstrategien auswählen, um den Baumwollertrag und die Faserqualität zu verbessern. Diese Informationen sind auch für Pflanzenzüchter wertvoll, die widerstandsfähigere Sorten entwickeln möchten.

Das Sammeln dieser Daten ist aufgrund der langen Reifezeit der Baumwolle, die Wochen bis Monate dauern kann, eine Herausforderung. Die Beobachtung der Pflanzen in isolierten Zeitabständen liefert keinen umfassenden Einblick in ihren Alterungsprozess, sodass eine kontinuierliche Datenerfassung für ein genaueres Verständnis unerlässlich ist. Traditionelle Methoden sind jedoch oft zeit- und arbeitsintensiv und basieren in der Regel auf Handgeräten, um Chlorophyllgehalt messen.

In jüngster Zeit hat die Hochdurchsatz-Phänotypisierung aufgrund rascher Fortschritte bei Plattform- und Sensortechnologien sowie Datenanalysemethoden an Bedeutung gewonnen. Mit verschiedenen Sensoren ausgestattete Drohnen fliegen über landwirtschaftliche Felder, um große Mengen hochauflösender Bilder zu sammeln. Probleme wie ungleichmäßige Beleuchtung und räumliche Abweichungen können jedoch zu zufälligen Fehlern und irrelevanten Informationen führen, wodurch die Muster und wichtigen Informationen im Datensatz verschleiert werden. Convolutional Neural Networks (CNNs), eine Art Deep-Learning-Modell zur Verarbeitung und Analyse von Bildern, können bei der Bewältigung dieser Herausforderungen helfen. Sie können beispielsweise verwendet werden, um einfaches Pflanzenmaterial von Erde zu unterscheiden und zwischen Pigmentierungsmustern zu unterscheiden.

Ein neues Papier veröffentlicht in in silico Plants zeigt, wie Deep-Learning-Methoden diese Herausforderungen bewältigen können. Doktorand Aaron DeSalvio und Kollegen an der Texas A&M University entwickelte das erste CNN, das für die Analyse der Alterung einzelner Pflanzen über einen bestimmten Zeitraum konzipiert war und dabei Luftbilder einer auf dem Feld angebauten Nutzpflanze verwendete.

DeSalvio erläuterte die Bedeutung der Datenerfassung von einzelnen Pflanzen. „Die Phänotypisierung erfolgt normalerweise auf Parzellenebene. Durch die Verfolgung der Veränderungen einzelner Pflanzen statt einer Parzelle erhöht sich die statistische Aussagekraft, während die Größe des Forschungsfeldes gleich bleibt. Darüber hinaus können Forscher versuchen, Sorten zu identifizieren, die über die gesamte Vegetationsperiode hinweg mehr (oder weniger) Einheitlichkeit in ihren Phänotypen aufweisen, indem sie Replikate einzelner Pflanzen derselben Sorte verfolgen.“

Die Autoren züchteten Baumwollgenotypen mit unterschiedlichen Seneszenzraten und nahmen während der gesamten Wachstumsperiode Bilder mit einer an einer Drohne montierten Kamera auf. Derzeit ist der Goldstandard zur Quantifizierung der Seneszenz anhand dieser Art von Bildern die visuelle Seneszenzbewertung. Den Bildern jeder Pflanze wurden manuell Bewertungen von 0 % (komplett grün) bis 100 % (komplett tot) zugewiesen, ein ziemlich zeitaufwändiger Prozess.

Um dieses Problem anzugehen, entwickelten die Autoren CNN-Modelle, die Seneszenz ebenso effektiv quantifizieren können wie visuelle Bewertungen. Die CNN-Modelle wurden mit Werten trainiert, die aus visuellen Seneszenzbewertungen und Vegetationsindizes abgeleitet wurden. Vegetationsindizes sind quantitative Werte, die den Seneszenzverlauf anzeigen und anhand von Farbintensitätsmessungen in den Bildern berechnet werden. Weitere Informationen zur Verwendung von Vegetationsindizes, die durch Fernerkundung gewonnen wurden, finden Sie hier werden auf dieser Seite erläutert.

Die Autoren verwendeten eine innovative Methode zur Analyse von Zeitreihenbildern, die die zeitliche Analyse erleichtert: Sie stapeln die zu verschiedenen Zeitpunkten aufgenommenen Bilder einzelner Pflanzen, bevor sie in das CNN eingespeist werden.

„Mit dieser Methode konnten die CNNs zeitliche Dynamiken in ihr Training und ihre Analyse einbeziehen. Das bedeutete, dass alle Zeitpunkte, die zu einer einzelnen Pflanze gehörten, vom Modell gleichzeitig ausgewertet werden konnten, wodurch es Unterschiede im Verlauf der Alterung zwischen Pflanzen erkennen konnte, nicht nur Unterschiede zu isolierten Zeitpunkten während der Saison.“

Unter Verwendung verschiedener Trainingsdaten wurden sechs CNN-Modelle entwickelt. Zwei davon konnten visuelle Seneszenzbewertungen und Vegetationsindexwerte aus den gestapelten Bildern mit hoher Zuverlässigkeit vorhersagen. Darüber hinaus erfassten die Modelle, wie unterschiedliche Genotypen im Laufe der Vegetationsperiode altern (siehe Abbildung 2). Dies zeigt, dass das Modell in Zukunft verwendet werden kann, um neue genetische Faktoren zu identifizieren, die die Seneszenz innerhalb einer genetisch vielfältigen Population beeinflussen.

Eine Abbildung mit zwei Feldern. Links sind Genotypen mit schneller Seneszenz, rechts sind die „Stay-Green“-Genotypen. Beide Felder zeigen ein Diagramm mit der Zeit in Tagen nach der Transplantation auf der X-Achse und dem prognostizierten Seneszenzwert auf der Y-Achse. Sie zeigen auch jeweils 4 Bilder von Drohnenflügen, die ihre Seneszenzverläufe darstellen. Die meisten Replikate der 3 Genotypen mit schneller Seneszenz erreichen nach 5 Tagen den maximal prognostizierten Seneszenzwert von 110. Dieser Wert entspricht der vollständigen Seneszenz. Andererseits erreichen die Seneszenzwerte für die meisten Replikate der drei „Stay-Green“-Genotypen nach etwa 120 Tagen ihren Höhepunkt mit Seneszenzwerten zwischen null und drei. Darüber hinaus weisen die meisten nach dem Höhepunkt einen Rückgang des Seneszenzwerts oder eine Ergrünung auf. Die Bilder der Genotypen mit schneller Seneszenz zeigen eine Entwicklung von grünen zu braunen Pflanzen, während die „Stay-Green“-Genotypen grün bleiben.
Abbildung 2: Das Modell konnte Unterschiede in den Seneszenzverläufen zwischen zwei Genotypen erfassen (oben). Beispielhafte Zeitreihenbilder von Drohnenflügen zeigen die Seneszenzverläufe der beiden Genotypen (unten).

DeSalvio kommt zu dem Schluss: „Da die Anforderungen an die Identifizierung und Züchtung widerstandsfähiger Pflanzen immer größer werden, benötigen Züchtungsprogramme skalierbare Tools, um Daten über Sorten zu sammeln, die über die Messungen am Ende der Saison hinausgehen. Methoden wie das hier beschriebene CNN-Modell können Pflanzen anhand ihrer Lebensverläufe analysieren und kategorisieren und ermöglichen so die Auswahl von Sorten, deren Entwicklungsverläufe an bestimmte Umgebungen angepasst sind.

DER ARTIKEL::

Aaron J DeSalvio, Alper Adak, Mustafa A Arik, Nicholas R Shepard, Serina M DeSalvio, Seth C Murray, Oriana García-Ramos, Himabindhu Badavath, David M Stelly, Zeitliche Bildsandwiches ermöglichen die Verknüpfung zwischen funktionaler Datenanalyse und Deep Learning für die Seneszenz einzelner Baumwollpflanzen. in silico Plants, Band 6, Ausgabe 2, 2024, diae019, https://doi.org/10.1093/insilicoplants/diae019