Разработка системы фенотипирования древесных растений при помощи алгоритмов машинного зрения и спектрального анализа
Аннотация
Фенотипирование – современная технология, позволяющая производить автоматическую регистрацию и анализ данных о фенотипах живых систем. В последние годы значительно развито высокоэффективное фенотипирование высших растений в целях глубокого исследования физиологических и биохимических основ их функционирования, а также селекции новых высокопродуктивных и стрессоустойчивых сортов. Оно базируется на адаптации и внедрении современных информационных подходов, таких как алгоритмы компьютерного зрения, и позволяет получать детальную информацию о феномах растений на различных уровнях их организации. Одним из не изученных пока разделов в данной области является фенотипирование саженцев древесных растений. В настоящем исследовании разработана система фенотипирования зеленых стеблевых черенков древесных растений Thuja occidentalis L. (сорт Smaragd), Juniperus scopulorum Sarg. (сорт Blue Arrow), Picea abies L., H. Karst. с использованием алгоритмов машинного зрения и спектрального анализа. Создан модульный феномный комплекс, состоящий из бокса, систем культивирования растений, освещения и полива, а также системы регистрации и обработки RGB-изображений, включая программное обеспечение. Данный комплекс протестирован в лаборатории и в условиях открытого грунта. Его первичное тестирование показало, что изменения кривых распределения пикселей RGB-изображений по длинам волн могут служить основой оценки размеров и физиологического состояния черенков древесных растений. Установлено, что смещение спектральной кривой отраженного света в длинноволновую область под действием водного дефицита позволяет неинвазивно и статистически достоверно регистрировать гибель части клеток. В то же время статистически достоверных отличий не было выявлено при тестировании воздействия фитогормонов (ауксинов и брассиностероидов) на укоренение черенков хвойных видов. Полученные результаты имеют фундаментальную практическую значимость и могут быть использованы в исследованиях физиологических процессов у высших растений, декоративном питомниководстве и лесоводстве.
Литература
- Furbank RT, Tester M. Phenomics – technologies to relieve the phenotyping bottleneck. Trends in Plant Science. 2011;16(12): 635– 644. DOI: 10.1016/j.tplants.2011.09.005.
- Coppens F, Wuyts N, Inze D, Dhondt S. Unlocking the potential of plant phenotyping data through integration and data-driven approaches. Current Opinion in Systems Biology. 2017;4:58 – 63. DOI: 10.1016/j.coisb.2017.07.002.
- Tardieu F, Cabrera-Bosquet L, Pridmore T, Bennett M. Plant phenomics, from sensors to knowledge. Current Biology. 2017; 27(15):770 –783. DOI: 10.1016/j.cub.2017.05.055.
- Ghanem ME, Marrou H, Sinclair TR. Physiological phenotyping of plants for crop improvement. Trends in Plant Science. 2015; 3:139 –144. DOI: 10.1016/j.tplants.2014.11.006.
- Awada L, Phillips PWB, Smyth SJ. The adoption of automated phenotyping by plant breeders. Euphytica. 2018;214. DOI: 10.1007/s10681-018-2226-z.
- Araus JL, Cairns JE. Field high-throughput phenotyping: The new crop breeding frontier. Trends in Plant Science. 2014;19(1): 52– 61. DOI: 10.1016/j.tplants.2013.09.008.
- Wallace A, Nichol C, Woodhouse I. Recovery of forest canopy parameters by inversion of multispectral LiDAR data. Remote Sensing. 2012;4(2):509–531. DOI: 10.3390/rs4020509.
- Gerlai R. Phenomics: fiction or the future? Trends Neurosciences. 2002;25(10):506 –509. DOI: 10.1016/S0166-2236(02)02250-6.
- Thorp KR, Gore MA, Andrade-Sanchez P, Carmo-Silva AE, Welch SM, White JW, et al. Proximal hyperspectral sensing and data analysis; approaches for field-based plant phenomics. Computers and Electronics in Agriculture. 2015;118:225–236. DOI: 10.1016/j.compag.2015.09.005.
- Hughes N, Askew K, Scotson CP, Williams K, Sauze C, Corke F, et al. Non-destructive, high-content analysis of wheat grain traits using X-ray micro computed tomography. Plant Methods. 2017;13:76. DOI: 10.1186/s13007-017-0229-8.
- Jones HG, Serraj R, Loveys BR, Xiong L, Wheaton A, Price AH. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field. Functional Plant Biology. 2009;36:978–989. DOI: 10.1071/ FP09123.
- Garbout A, Munkholm LJ, Hansen SB, Petersen BM, Munk OL, Pajor R. The use of PET/CT scanning technique for 3D visualization and quantification of real-time soil/plant interactions. Plant and Soil. 2012;352:113–127.
- Zhang J, Naik HS, Assefa T, Sarkar S, Reddy RVC, Singh A, et al. Computer vision and machine learning for robust phenotyping in genome-wide studies. Scientific Reports. 2017;7:440 – 448. DOI: 10.1038/srep44048.
- Ghosal S, Blystone D, Singh AK, Ganapathysubramanian B, Singh A, Sarkar S. An explainable deep machine vision framework for plant stress phenotyping. Proceedings of the National Academy of Sciences. 2018;115(18):4613– 4618. DOI: 10.1073/pnas. 1716999115.
- Gutiérrez S, Fernandez-Novales J, Diago MP, Tardaguila J. On-the-go hyperspectral imaging under field conditions and machine learning for the classification of grapevine varieties. Frontiers in Plant Science. 2018;9:1102. DOI: 10.3389/fpls.2018.01102.
- Hunt ER, Hively WD, Fujikawa S, Linden D, Daughtry CST, McCarty G. Acquisition of NIR-Green-Blue digital photographs from unmanned aircraft for crop monitoring. Remote Sensing. 2010;2(1):290 –305. DOI: 10.3390/rs2010290.
- Pottmann H. Integral invariants for robust geometry processing. Computer Aided Geometric Design. 2009;26(1):37– 60. DOI: 10.1016/j.cagd.2008.01.002.
- Sello S, Moscatiello R, La Rocca N, Baldan B, Navazio L. A rapid and efficient method to obtain photosynthetic cell suspension cultures of Arabidopsis thaliana. Frontiers in Plant Science. 2017;8:1444. DOI: 10.3389/fpls.2017.01444.
- Straka L, Rittmann BE. Effect of culture density on biomass production and light utilization efficiency of Synechocystis sp. PCC 6803. Biotechnology and Bioengineering. 2018;115(2):507–511. DOI: 10.1002/bit.26479.
- Mishra KB, Mishra A, Novotná K, Rapantová B, Hodaňová P, Urban O, et al. Chlorophyll a fluorescence, under half of the adaptive growth-irradiance, for high-throughput sensing of leaf-water deficit in Arabidopsis thaliana accessions. Plant Methods. 2016; 12(46). DOI: 10.1186/s13007-016-0145-3.
- Gonzalez-Dugo V, Zarco-Tejada P, Nicolas E, Nortes PA, Alarcon JJ, Intrigliolo DS, et al. Using high resolution UAV thermal imagery to assess the variability in the water status of five fruit tree species within a commercial orchard. Precision Agriculture. 2013; 14(6):660 – 678. DOI: 10.1007/s11119-013-9322-9.
- Dungey HS, Dash JP, Pont D, Clinton PW, Watt MS, Telfer EJ. Phenotyping whole forests will help to track genetic performance. Trends in Plant Science. 2018;23(10):854 – 864. DOI: 10.1016/j.tplants.2018.08.005.
- Montagnoli A, Terzaghi M, Fulgaro N, Stoew B, Wipenmyr J, Ilver D, et al. Non-destructive phenotypic analysis of early stage tree seedling growth using an automated stereovision imaging method. Frontiers in Plant Science. 2016;7:1644 –1662. DOI: 10.3389/ fpls.2016.01644.
- Krabel D, Meyer M, Nyamjav B, Reiche B. Phenotyping trees for traits related to drought stress tolerance – importance and challenge. In: Agrosym 2017. VIII International Scientific Agriculture Symposium; 2017 October 5– 8; Jahorina, Bosnia and Herzegovina. Lukavica: University of East Sarajevo; 2017.
- Matyukhin DL, Manina OS, Koroleva NS. Vidy i formy khvoinykh, kul’tiviruemye v Rossii. Moscow: Tovarishchestvo nauchnykh izdanii KMK; 2009. p. 138 –139. Russian.
- Leontyak GP. Dendroproektirovanie (Arkhitektura zelenogo stroitel’stva). Tiraspol: Pridnestrovian State University named after Taras Shevchenko; 2006. p. 16 –17. Russian.
- Warner JL, Denny JC, Kreda DA, Alterovitz G. Seeing the forest through the trees: Uncovering phenomic complexity through interactive network visualization. Journal of the American Medical Informatics Association. 2015;22(2):324 –329. DOI: 10.1136/amiajnl-2014-002965.
- Larichev OI. Sistemy podderzhki prinyatiya reshenii. Sovremennoe sostoyanie i perspektivy ikh razvitiya. Itogi nauki i tekhniki. Seriya: Tekhnicheskaya kibernetika. 1987;21:131–164. Russian.
- Martin SL, George T. Applications of hyperspectral image analysis for precision agriculture. In: Conference on Micro- and Nanotechnology Sensors, Systems, and Applications X; 2018 April 15–19; Orlando, United States. Orlando: [publisher unknown]; 2018. DOI: 10.1117/12.2303921.
- Zhao H, Xu L, Shi S, Jiang H, Chen D. A high throughput integrated hyperspectral imaging and 3D measurement system. Sensors. 2018;18(4):1068. DOI: 10.3390/s18041068.
- Yao X, Si H, Cheng T, Jia M, Chen Q, Tian Y, et al. Hyperspectral estimation of canopy leaf biomass phenotype per ground area using a continuous wavelet analysis in wheat. Frontiers in Plant Science. 2018;9:1360. DOI: 10.3389/fpls.2018.01360.
- Fahlgren N, Feldman M, Gehan MA, Wilson MS, Shyu C, Bryant DW, et al. A versatile phenotyping system and analytics platform reveals diverse temporal responses to water availability in Setaria. Molecular Plant. 2015;8(10):1520 –1535. DOI: 10.1016/j. molp.2015.06.005.
- Phenomics NL. Wageningen UR [Internet]. [Cited 2018 November 29]. Available from: https://www.wageningenur.nl/en/Research-Results/Projects-and-programmes/PhenomicsNL.htm.
Copyright (c) 2019 Журнал Белорусского государственного университета. Биология
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующим:
- Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
- Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).