Capturing Spatial Heterogeneity Using UAV-Derived Multispectral Phenotypes and Random Regression Models Improves Genetic Evaluation in Alfalfa Breeding Trials
Diese Studie zeigt, dass die Integration longitudinaler, aus UAV-gestützten multispektralen Phänotypen in Random-Regression-Modelle die räumliche Heterogenität in Luzernenzuchtversuchen effektiv erfasst und dadurch die Genauigkeit sowie Reproduzierbarkeit genetischer Bewertungen im Vergleich zu konventionellen räumlichen Korrekturmethoden verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Landwirte und Pflanzenzüchter wissen schon lange, dass ein Feld niemals perfekt gleichmäßig ist. Selbst auf einem einzigen Parzellenstück kann der Boden in einer Ecke reicher sein, das Wasser in einem anderen Bereich anders abfließen und die Temperatur von einer Reihe zur nächsten leicht variieren. Diese Ungleichmäßigkeit, bekannt als räumliche Heterogenität, erzeugt eine Schicht aus Rauschen, die das wahre Potenzial der angebauten Pflanzen verbergen kann. Wenn Züchter versuchen, die besten Samen für die nächste Generation auszuwählen, kann dieses Umweltrauschen dazu führen, dass eine mittelmäßige Pflanze wie ein Champion aussieht und eine überlegene Pflanze hingegen schwach wirkt. Um dies zu beheben, haben sich Wissenschaftler traditionell auf statistische Methoden verlassen, die davon ausgehen, dass sich die Bodenbedingungen graduell und vorhersehbar von einer Pflanze zur nächsten ändern, ähnlich wie die Temperatur sinken kann, wenn man sich von einer Heizung entfernt. Diese alten Methoden übersehen jedoch oft die komplexen, sich verschiebenden Muster der realen Welt, insbesondere wenn sie nur die endgültige Ernte betrachten.
Ein neuer Ansatz verändert die Sichtweise der Forscher auf dieses Problem, indem er die Pflanzen selbst als Sensoren betrachtet. Anstatt zu erraten, wie die Umwelt variiert, beobachten Wissenschaftler nun, wie die Pflanzen darauf reagieren. Durch den Einsatz von Drohnen, die mit speziellen Kameras über Felder fliegen, können Forscher während der gesamten Wachstumsperiode detaillierte Bilder der Nutzpflanzen aufnehmen. Diese Bilder zeigen, wie die Pflanzen wachsen, wie grün sie sind und wie sie auf die spezifischen Bedingungen ihrer unmittelbaren Umgebung reagieren. Dieser kontinuierliche Datenstrom ermöglicht es Wissenschaftlern, die verborgenen Variationen im Feld mit weitaus größerer Präzision abzubilden als je zuvor und so die wahre genetische Qualität einer Pflanze von dem Glück ihres Standorts zu trennen.
In einer kürzlich durchgeführten Studie mit Fokus auf Luzerne, einer lebenswichtigen Futterpflanze, untersuchten Forscher, ob diese Methode, die Pflanzen über einen Zeitraum hinweg zu beobachten, die Genauigkeit von Zuchtprogrammen verbessern könnte. Das Team, unter der Leitung von Wissenschaftlern der Cornell University, der New Mexico State University und der Virginia Tech, führte Versuche in zwei sehr unterschiedlichen Regionen durch: den ariden, weitläufigen Feldern von New Mexico und den kompakteren, vielfältigeren Parzellen in New York. Sie bauten hunderte verschiedene Luzerne-Sorten an und überwachten diese engmaschig während der Wachstumsperioden 2022 und 2023. Mit Drohnen flogen sie etwa einmal pro Woche über die Felder und nahmen multispektrale Bilder auf, die das von den Pflanzen reflektierte Licht maßen. Aus diesen Bildern berechneten sie Vegetationsindizes, also numerische Werte, die die Gesundheit und Dichte des grünen Blätterdachs angeben. Unter den verschiedenen Arten von Messungen erwies sich ein Index, der auf grünem statt auf rotem Licht basierte, als der zuverlässigste Indikator für die Pflanzengesundheit und den zukünftigen Ertrag.
Der Kern der Studie bestand aus einem zweistufigen Prozess, um diese gewaltige Menge an Daten nutzbar zu machen. Zuerst verwendeten die Forscher eine statistische Technik namens Random-Regression, um die wöchentlichen Drohnenbilder zu analysieren. Diese Methode ermöglichte es ihnen, die Veränderung jeder spezifischen Parzelle über die Zeit zu modellieren und die einzigartigen, beständigen Umweltbedingungen zu erfassen, die diesen speziellen Ort beeinflussten. Sie behandelten diese langfristigen Umwelteinflüsse als einen „permanenten Umwelteffekt“ – eine Art, die spezifischen Vor- oder Nachteile eines Standorts aufgrund seines Bodens oder Mikroklimas zu quantifizieren, unabhängig von der Genetik der Pflanze. Im zweiten Schritt nahmen sie diese berechneten Umwelteffekte und nutzten sie, um die endgültigen genetischen Bewertungen der Luzerne-Sorten anzupassen.
Die Ergebnisse zeigten, dass diese neue Methode deutlich besser darin war, die wahren genetischen Gewinner zu finden, als die traditionellen Ansätze. In den großen Versuchen in New Mexico, wo die Bodenbedingungen über das Feld hinweg stark variierten, verbesserte die neue Methode die Konsistenz der genetischen Vorhersagen im Vergleich zu Standardmethoden um das Zwei- bis Dreifache. Es gelang ihr erfolgreich, das Rauschen, das durch die unebene Fläche verursacht wurde, zu eliminieren und das wahre Potenzial der Pflanzen offenzulegen. Selbst in den New Yorker Versuchen, in denen die Felder gleichmäßiger waren und das räumliche Rauschen geringer war, schnitt die neue Methode ebenso gut oder sogar besser ab als die konventionellen Techniken. Entscheidend war, dass die Forscher feststellten, dass die mit den Drohnen erkannten Muster der Umgebungsvariation mit den tatsächlichen Ertragskarten der Felder übereinstimmten, was bestätigte, dass die Drohnen tatsächlich reale, physische Unterschiede in der Boden- und Wasserverfügbarkeit erfassten.
Diese Studie zeigt, dass die Pflanzen selbst, wenn man sie genau beobachtet, uns genau sagen können, wo das Feld kämpft und wo es gedeiht. Indem wir diese Informationen nutzen, um die Zuchtdaten zu korrigieren, können Wissenschaftler präzisere Entscheidungen darüber treffen, welche Samen für die Zukunft aufbewahrt werden sollen. Der Ansatz erfordert keine teure neue Ausrüstung oder komplexe Änderungen im aktuellen Management der Landwirte; er besteht lediglich darin, die Daten, die bereits von modernen Drohnen gesammelt werden, auf intelligentere Weise zu nutzen. Die Ergebnisse legen nahe, dass mit der zunehmenden Verbreitung der Hochtechnologie-Landwirtschaft die Fähigkeit, aus der kontinuierlichen Geschichte des Pflanzenwachstums zu lernen, zu einem Standardwerkzeug werden wird, um Ernteerträge zu verbessern und sicherzustellen, dass die beste Genetik ausgewählt wird – ungeachtet des unebenen Bodens, auf dem sie wachsen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.