Potential of UAV-derived RGB spectral indices for the early selection of cotton genotypes based on fiber quality traits

Baumwolle ist die weltweit wichtigste Quelle für Naturfasern, ein Material, das als flauschige Kapsel an einer Pflanze beginnt und als Stoff in unserer Kleidung endet. Für die Textilindustrie hängt der Wert dieser Nutzpflanze vollständig von der Qualität ihrer Fasern ab: wie lang sie sind, wie stark sie sind und wie gleichmäßig sie zusammenhalten. Traditionell mussten Züchter, die neue Baumwollsorten entwickeln, warten, bis die Pflanzen voll ausgewachsen und die Kapseln geerntet waren, um zu wissen, ob eine neue Sorte gut ist. Sie nehmen eine Probe der Faser, schicken sie an ein spezialisiertes Labor und lassen sie durch eine Maschine laufen, die diese technischen Eigenschaften misst. Dieser Prozess ist genau, aber langsam, teuer und erfordert eine große Menge an Pflanzenmaterial, was bedeutet, dass Züchter neue Sorten oft erst testen können, wenn diese bereits weit fortgeschritten in ihrer Entwicklung sind.

In den letzten Jahren ist ein neuer Ansatz entstanden, um diesen Prozess zu beschleunigen: der Einsatz von Drohnen, um die Pflanzen aus der Luft zu fotografieren. Diese unbemannten Luftfahrzeuge oder UAVs können in wenigen Minuten detaillierte Bilder eines Feldes aufnehmen. Durch die Analyse der Farben in diesen Bildern können Wissenschaftler Kennzahlen berechnen, die beschreiben, wie gesund und kräftig die Pflanzen sind. Die Idee ist, dass die Art und Weise, wie eine Pflanze von oben aussieht – ihre Farbe und Helligkeit – uns etwas über die Qualität der Faser verraten könnte, die sie im Inneren der Kapsel produzieren wird, lange vor der Ernte. Wenn diese Verbindung stark ist, könnten Züchter tausende Pflanzen frühzeitig in der Saison screenen und nur die besten auswählen, um sie weiter zu kultivieren, was Zeit und Geld spart.

Ein Forscherteam in Brasilien unternahm den Versuch zu prüfen, ob diese Idee für die Baumwollfaserkonstanz funktioniert. Sie arbeiteten mit neunzehn verschiedenen kommerziellen Baumwollsorten, die sie auf einem Feld an der Federal University of Uberlândia pflanzten. Während die Pflanzen wuchsen, warteten die Forscher, bis die Felder in voller Blüte standen, ein Stadium, in dem die Pflanzen mit offenen Blüten bedeckt sind. Zu diesem spezifischen Zeitpunkt flog ein Team mit einer Drohne über das Feld, um hochauflösende rot-, grün- und blaufarbige Bilder aufzunehmen. Aus diesen Bildern berechneten sie vier verschiedene farbbasierte Kennzahlen, sogenannte Spektralindizes, die eine Zusammenfassung der Grünfärbung und Farbsättigung der Pflanze darstellen. Später, nachdem die Baumwolle geerntet worden war, nahmen sie Proben jeder Sorte und maßen deren Faserkonstanz mit der standardmäßigen Labormaschine, die Merkmale wie Faserlänge, Festigkeit und einen zusammengesetzten Wert namens Spinning Consistency Index (Spinngleichmäßigkeitsindex) bestimmte, der vorhersagt, wie gut die Faser zu Garn versponnen werden kann.

Die Forscher fanden heraus, dass es tatsächlich eine bedeutsame Verbindung zwischen dem, was die Drohne sah, und dem, was das Labor maß, gab. Sie entdeckten, dass zwei der farbbasierten Kennzahlen besonders nützlich waren. Eine, welche die Grünfärbung der Blätter maß, zeigte eine starke Verbindung zum Spinning Consistency Index. Eine andere, die die Menge an grünem Licht mit rotem Licht verglich, war eng mit der Gleichmäßigkeit der Faserlänge verknüpft. Einfach ausgedrückt: Die Pflanzen, die aus der Perspektive der Drohne grüner und lebendiger aussah, neigten dazu, Fasern zu produzieren, die besser für das hochwertige Spinnen geeignet waren. Das Team nutzte statistische Modelle, um zu sehen, ob sie die Faserkonstanz allein durch den Blick auf diese Drohnen-Kennzahlen vorhersagen könnten. Die Modelle konnten etwa ein Drittel der Unterschiede, die sie beobachteten, erklären. Obwohl dies keine perfekte Vorhersage ist, stellt es einen bedeutenden Fortschritt dar und deutet darauf an, dass ein Drohnenbild, das früh in der Saison aufgenommen wurde, einen zuverlässigen Hinweis auf die endgültige Qualität der Baumwolle geben kann.

Die Studie machte jedoch auch deutlich, dass diese Technologie kein Ersatz für die traditionellen Labortests ist. Die Drohnenbilder konnten nicht jedes Detail der Faserkonstanz vorhersagen, und einige Sorten, die vom Himmel aus ähnlich aussahnen, erwiesen sich später als mit unterschiedlichen Fasereigenschaften. Die Forscher merkten an, dass die am besten abschneidende Sorte in ihrer Studie, ein Typ namens DP 2077, eine exzellente Faserkonstanz aufwies, aber in den Drohnenbildern nur durchschnittliche Farbwerte zeigte. Dies zeigt uns, dass die Drohne zwar allgemeine Trends erkennen kann, aber noch nicht das vollständige Bild allein sehen kann. Die Farbe der Blätter wird von vielen Faktoren beeinflusst, einschließlich der Menge an Sonnenlicht, die die Pflanze erhält, und der Menge an Wasser, was die genetische Potenz für die Faserkonstanz manchmal maskieren kann.

Der Wert dieser Arbeit liegt in ihrem Potenzial, als Filter zu fungieren. Züchter müssen oft tausende Pflanzen verwalten, und jede einzelne in einem Labor zu testen, ist zu kostspielig und zu langsam. Wenn eine Drohne über ein Feld fliegen und schnell die Pflanzen identifizieren kann, die wahrscheinlich eine schlechte Faserkonstanz haben, können diese Pflanzen frühzeitig aus dem Zuchtprogramm entfernt werden. Dies ermöglicht es den Züchtern, ihre Ressourcen auf die vielversprechendsten Kandidaten zu konzentrieren. Die Forscher kamen zu dem Schluss, dass die aus Drohendaten gewonnenen Kennzahlen keine magische Lösung sind, die die Labore Arbeit ersetzt, aber ein mächtiges Werkzeug sind, das zusammen mit ihr eingesetzt werden kann. Durch die Kombination der Geschwindigkeit der Luftbildanalyse mit der Präzision traditioneller Tests können Baumwollzüchter smartere Entscheidungen schneller treffen und so potenziell bessere Baumwollsorten schneller zu Landwirten und Textilmühlen bringen. Die Studie legt nahe, dass sich die Fähigkeit dieser Modelle, die zukünftige Qualität einer Baumwollernte vorherzusagen, verbessern wird, sobald sie mit mehr Daten aus verschiedenen Umgebungen und vielfältigeren Pflanzentypen verfeinert werden.