Новый подход к фенотипированию анализирует признаки сельхозкультур в 3D

Сокращение пахотных земель из-за роста населения требует эффективных методов селекции для повышения урожайности. Помимо генетических методов, нужны подходы для контроля сложных признаков растений. Учёные используют современные методы визуализации для их количественной оценки (высота, форма и цвет листьев и др.).

Однако традиционные методы визуализации трудоёмки, разрушительны и неустойчивы. Кроме того, так как растения существуют в трёхмерном (3D) пространстве, точная оценка по двумерным (2D) изображениям затруднена.

Платформа высокопроизводительного фенотипирования (HTP) позволяет регулярно собирать полевые данные. Она захватывает изображения с помощью RGB (красный, зелёный, синий) камер и лидара (LiDAR). RGB-камера даёт высокодетализированные изображения, с которых можно извлечь такие признаки, как структура полога, количество и внешний вид органов растения.

В то время как RGB-камеры зависят от освещения, лидар — нет. Поэтому лидар широко используется в беспилотных автомобилях для навигации. Может ли он также давать детальное описание признаков растений?

Чтобы ответить на этот вопрос, учёные из Китая разработали рельсовую полевую технологию фенотипирования, использующую лидар для количественной оценки признаков растений. Исследование под руководством профессора Синью Го из Национального инженерно-исследовательского центра информационных технологий в сельском хозяйстве Китая недавно опубликовано в Plant Phenomics.

Проф. Го объясняет: «Трудно совместить данные облака точек и извлечь точные фенотипические признаки популяций растений. В этом исследовании высокопроизводительные данные популяций полевой кукурузы во времени собирались с помощью рельсовой полевой платформы фенотипирования с лидаром и RGB-камерой».

Исследовательская группа интегрировала лидар в конструкцию рельсовой полевой платформы. Для этого использовалась ортотрансформация — процесс преобразования сырых полевых изображений в пригодную форму путём устранения искажений, связанных с датчиком, движением и рельефом. Затем преобразованные изображения использовались для точного количественного определения различных признаков после алгоритмической обработки.

Далее команда использовала высокопроизводительное фенотипирование на основе временны́х рядов для определения высоты растений в поле кукурузы. Этот метод предполагает изучение изображений, сделанных через регулярные промежутки времени, для неразрушающего анализа нужных признаков (в данном случае — высоты растений).

«Ошибки совмещения во временны́х рядах данных облака точек были минимизированы путём сопряжения полевых ортотрансформированных изображений и облаков точек. Предложенный метод интегрирует алгоритмы получения, совмещения, фильтрации и сегментации данных облака точек», — добавляет проф. Го.

Результаты были впечатляющими: высоты растений 13 сортов кукурузы, полученные с помощью этой техники, сильно коррелировали с ручными измерениями. То есть высота, определённая с помощью рельсовой платформы, соответствовала высоте, измеренной ручными методами. Также было отмечено, что точность измерений возрастала при использовании данных из нескольких источников вместо одного.

Несмотря на эффективность, у метода есть недостатки. Например, при захвате изображения пересечение, затенение и наложение листьев приводят к частичной потере данных. Команда работает над решением этих проблем.

«Метод также можно использовать для сравнения скорости роста между сортами или оценки ботанических признаков, что интересует моделировщиков и селекционеров. Таким образом, это исследование может обеспечить данные для поддержки современной селекции», — заключает проф. Го.