A breeder in the sky: scoring flowering with fewer flights

In der Welt der Landwirtschaft ist das Timing alles. Für einen Pflanzenzüchter, der eine neue Maissorte entwickeln möchte, ist es entscheidend zu wissen, wann genau eine Kultur blüht. Dieser Moment bestimmt, ob die Pflanze einen lokalen Frost überleben kann, wie lange sie vor der Ernte wachsen kann und ob sie in einer bestimmten Region gedeihen wird. Traditionell war das Finden dieser Antwort eine mühsame, menschliche Aufgabe. Da Blumen nicht an einem festen Kalenderdatum erscheinen, sondern von Wetter und Genetik abhängen, müssen Forscher alle paar Tage durch ihre Felder gehen und nach den ersten Anzeichen von Pollen oder Seiden suchen. Sie müssen diesen Prozess über Wochen hinweg wiederholen – von der frühesten bis zur spätesten blühenden Pflanze –, um einen genauen Durchschnitt für jedes Feld zu erhalten. Diese ständige Überwachung ist langsam, teuer und begrenzt die Anzahl der Felder, die ein Team gleichzeitig untersuchen kann.

Um dies zu lösen, haben Wissenschaftler Drohnen, oder unbemannte Luftfahrzeuge, eingesetzt, die hochauflösende Fotos ganzer Felder aus der Luft aufnehmen können. Doch das bloße Aufnehmen von Bildern reicht nicht aus. Frühere Versuche, diese Bilder zur Vorhersage der Blütezeit zu nutzen, erforderten oft, dass eine Drohne Dutzende Male über dasselbe Feld flog und dabei jeden einzelnen oder jeden zweiten Tag während der Blütezeit Bilder aufnahm. Dies erzeugte eine enorme Menge an Daten, die schwierig zu verarbeiten waren, und erforderte immer noch häufige, kostspielige Flüge. Die Herausforderung blieb: Könnte ein Computer lernen, genau zu bestimmen, wann eine Maispflanze blühte, nur anhand einer Handvoll Fotos, vielleicht sogar nur eines, ohne dass ständig über sie hinweggeflogen werden muss?

Ein Forschungsteam hat diese Frage nun mit einem neuen Ansatz beantwortet, der die Sichtweise auf das Problem verändert. Anstatt den Computer einfach nur lehren zu lassen, zu entscheiden, ob eine Pflanze in einer einzelnen Momentaufnahme „blüht“ oder „nicht blüht“, trainierten sie ein Modell der künstlichen Intelligenz dazu, als Zeitmesser zu fungieren. Sie baten das Modell, ein Foto eines Maisfeldes zu betrachten und zu schätzen, wie viele Tage die Pflanze von ihrem Höhepunkt der Blüte entfernt war. Dies konnte eine negative Zahl sein, was bedeutete, dass die Pflanze noch nicht geblüht hatte, oder eine positive Zahl, was bedeutete, dass sie diese Phase bereits überschritten hatte. Indem sie die Blüte als einen kontinuierlichen Zeitstrahl statt als einen einfachen Ja-Nein-Schalter behandelten, konnte das Modell von den subtilen Veränderungen im Aussehen der Pflanze sowohl vor als auch nach der Blüte lernen.

Das Team baute dieses System unter Verwendung einer massiven Datensammlung auf, die über sechs Jahre hinweg gesammelt wurde. Sie kombinierten mehr als 200.000 Drohnenbilder aus Feldversuchen in sieben verschiedenen Bundesstaaten, die über 1.200 verschiedene Arten von Mais-Hybriden abdeckten. Diese Bilder wurden mit präzisen Aufzeichnungen darüber gepaart, wann jede spezifische Parzelle tatsächlich blühte, wie es durch menschliche Beobachter bestimmt wurde, die die Felder absuchten. Das Team verwendete eine leistungsstarke Art von KI, bekannt als Vision Transformer, die darauf ausgelegt ist, komplexe visuelle Muster zu verstehen. Sie zeigten dem Computer Bilder von Maisfeldern zusammen mit der exakten Zeitdifferenz zwischen dem Zeitpunkt der Aufnahme und der Blüte der Maispflanze. Mit der Zeit lernte das Modell, die visuellen Hinweise zu erkennen, die signalisieren, dass eine Pflanze sich ihrem Blühzeitpunkt nähert, wie etwa die Ausrichtung der oberen Blätter oder die subtile Streckung des Stängels, noch lange bevor die Blüte für das menschliche Auge sichtbar ist.

Die Ergebnisse waren überraschend effektiv. Das Team testete sein Modell an Feldexperimenten, die es zuvor noch nie gesehen hatte, einschließlich Standorten und Jahren, die völlig neu für das System waren. Selbst wenn das Modell nur ein einziges Bild eines Feldes erhielt, das innerhalb von zwei Wochen vor dem Blühzeitpunkt aufgenommen wurde, konnte es die Blütezeit mit einem durchschnittlichen Fehler von nur etwa drei Tagen vorhersagen. Diese Genauigkeit ist vergleichbar mit der Präzision menschlicher Beobachter, die die Felder absuchen. Wenn die Forscher die Vorhersagen aus zwei oder drei Flügen im Durchschnitt bildeten, sank der Fehler noch weiter, oft auf weniger als zwei Tage. Dies deutet darauf hin, dass Züchter mit weitaill viel weniger Drohnenflügen als bisher für notwendig erachtet, hochgenaue Ergebnisse erzielen könnten, was die Kosten und den Aufwand der Pflanzenüberwachung erheblich senken könnte.

Die Studie enthüllte auch, wie der Computer die Pflanzen „sieht“. Durch die Visualisierung der Teile des Bildes, auf die das Modell sich konzentrierte, fanden die Forscher heraus, dass sich die Aufmerksamkeit der KI während des Wachstums der Pflanzen dynamisch verschob. Bevor die Blüten erschienen, konzentrierte sich das Modell auf die Mitte der Pflanze, aus der die Blüte schließlich hervorgehen würde. Im Laufe der Zeit verlagerte sich der Fokus auf die umliegenden Blätter und die gesamte Form des Blätterdachs. Dies zeigt, dass das Modell nicht nur nach einer Blüte sucht; es versteht die gesamte Entwicklungsreise der Pflanze. Es kann subtile physiologische Veränderungen erkennen, die Tage vor einer menschlichen Wahrnehmung stattfinden, und es verfolgt den Zustand der Pflanze auch lange nach der Blüte weiter.

Eine der bedeutendsten Erkenntnisse war, dass das Modell auch dann gut funktionierte, wenn die Daten aus unterschiedlichen Jahren, unterschiedlichen Standorten und von unterschiedlichen Kameras stammten. Dies deutet darauf hin, dass das System robust genug ist, um in neuen Umgebungen eingesetzt zu werden, ohne dass es mit lokalen Daten neu trainiert werden muss. Die Forscher testeten auch, ob eine temperaturbasierte Messung der Zeit, bekannt als Wärmesumme (Growing Degree Days), die Ergebnisse verbesserte. Während diese Methode einen leichten Vorteil bei der Genauigkeit bot, arbeitete das Modell auch mit einfachen Kalendertagen bemerkenswert gut. Das bedeutet, dass das System keine komplexen Wetterdaten benötigt, um zu funktionieren, was den Einsatz in einer Vielzahl von Umgebungen erleichtert.

Die Auswirkungen auf die Pflanzenzüchtung sind beträchtlich. Durch die Reduzierung der Notwendigkeit täglicher Flüge und manueller Bewertungen ermöglicht diese Methode den Forschern, viel größere Pflanzenpopulationen mit weniger Ressourcen zu überwachen. Sie öffnet die Tür dazu, wie verschiedene genetische Varietäten auf die Blütezeit in einem breiten Spektrum von Umgebungen reagieren, was essenziell ist, um Nutzpflanzen zu entwickeln, die sich an einen sich ändernden Klimawandel anpassen können. Die Studie zeigt, dass ein einziger Drohnenflug, oder vielleicht nur einige wenige, dieselben kritischen Informationen liefern können, die einst wochenlanger menschlicher Arbeit bedurften. Das Modell ersetzt nicht den Züchter, sondern fungt als ein mächtiges Werkzeug, das seine Reichweite erweitert und es ihm ermöglicht, die unsichtbaren Rhythmen des Pflanzenwachstums aus der Luft zu beobachten.