📄 other

Using UAV-LiDAR for stem volume phenotyping in the genetic selection of radiata pine

Questo studio dimostra che le metriche derivate da UAV-LiDAR, in particolare l'area superficiale del volume convesso 3D e l'altezza dell'albero, fungono da proxy altamente ereditabili e scalabili per il volume del fusto che possono accelerare efficacementamente il guadagno genetico nei programmi di miglioramento genetico del pino radiata, riducendo al contempo la dipendenza dalle misurazioni sul campo laboriose.

Autori originali: Joane Simone Elleouet, Sadeepa Jayathunga, Natalie G Graham, Mark F Paget, Jaroslav Klápště, Robin J.L. Hartley

Pubblicato 2026-07-24

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Joane Simone Elleouet, Sadeepa Jayathunga, Natalie G Graham, Mark F Paget, Jaroslav Klápště, Robin J.L. Hartley

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un detective che cerca di trovare i "supereroi" della foresta. Nel mondo del miglioramento genetico degli alberi, gli scienziati cercano costantemente gli alberi specifici che crescono più grandi, più dritti e più velocemente, in modo da poterli utilizzare per piantare foreste che producano più legname. Ma ecco la parte complicata: gli alberi impiegano decenni per crescere. Se aspetti che un albero sia completamente cresciuto per vedere se è un vincitore, avrai sprecato un'intera generazione di tempo. Quindi, i selezionatori devono indovinare quali giovani piantine diventeranno giganti basandosi su indizi che possono vedere proprio ora.

Tradizionalmente, l'indizio principale è stato la "circonferenza vita" dell'albero, misurata all'altezza del petto. Questo è chiamato Diametro a Altezza Petto, o DBH. È come misurare la vita di una persona per indovinare quanto muscolo avrà quando sarà adulta. Ma misurare migliaia di alberi con un metro da sarta è lento, noioso e costoso. Inoltre, non puoi misurare il volume di tutto l'albero guardando solo la sua vita; devi sapere anche quanto è alto e folto.

Entra in gioco la nuova tecnologia: i droni dotati di scanner laser (LiDAR). Pensa a questi droni come a robot volanti che sparano milioni di raggi laser invisibili verso la foresta. Questi raggi rimbalzano per creare una mappa 3D super dettagliata di ogni singolo albero, catturando la sua altezza, la sua forma e quanto spazio occupa nell'aria. La grande domanda per gli scienziati è stata: i droni possono sostituire i vecchi metodi di misurazione manuale? Un drone può individuare i futuri giganti altrettanto bene di un essere umano con un metro da sarta, ma molto più velocemente?

È esattamente questo che un team di ricercatori si è proposto di scoprire in uno studio recente sul Pino radiata, un albero a crescita rapida molto famoso in Nuova Zelanda. Non hanno solo tirato a indovinare; hanno fatto volare droni sopra 11 diverse prove forestali contenenti circa 27.000 alberi. Hanno confrontato le misurazioni laser del drone con lo "standard di riferimento" del volume dell'albero, che viene calcolato utilizzando la circonferenza vita (DBH) e l'altezza dell'albero.

I ricercatori hanno scoperto che il drone è incredibilmente bravo a individuare gli alberi con il maggior "volume legnoso". Sebbene la misurazione del drone dell'altezza totale di un albero fosse il numero singolo più affidabile per predire quanto velocemente un albero crescerebbe, la vera stella dello spettacolo è stata una specifica misurazione 3D chiamata "area superficiale del convex hull". Immagina di avvolgere un albero in un sacchetto di plastica trasparente e stretto che abbraccia ogni ramo e foglia; l'area superficiale di quel sacchetto è il convex hull. Lo studio ha scoperto che questa "dimensione del sacchetto" 3D era il miglior indizio basato sul laser per prevedere quanto legno avrebbe avuto un albero, corrispondendo alle misurazioni tradizionali con una connessione molto forte (una correlazione fino a 0,87).

Tuttavia, il documento esclude anche l'idea che i droni debbano sostituire completamente gli esseri umani, almeno non ancora. I ricercatori hanno scoperto che, sebbene il drone sia eccezionale, ha un punto cieco: non riesce facilmente a capire se un albero è "rotto" o "malformato" (come avere due punte invece di una) guardando solo la mappa laser. Nella foresta, un albero rotto è un perdente, ma il drone potrebbe comunque pensare che sia un gigante perché è grande e folto. Quando gli scienziati hanno incluso questi alberi rotti nella loro analisi basata solo sul drone, l'accuratezza è scesa leggermente.

Quindi, qual è il verdetto? Il documento suggerisce che la strategia migliore non è scegliere tra il drone e il metro da sarta, ma usarli come un duo dinamico. Il drone può scansionare rapidamente migliaia di alberi per trovare quelli con la migliore altezza e forma 3D, agendo come un filtro super veloce. Successivamente, i selezionatori possono usare il tradizionale metro da sarta sui candidati migliori per controllare eventuali difetti e ottenere la misura finale della vita. Questa combinazione permette loro di individuare le superstar genetiche molto prima e in modo più economico rispetto al passato, potenzialmente accelerando la creazione di foreste migliori senza perdere l'accuratezza necessaria per fare le scelte giuste. Il drone non sostituisce il detective; gli fornisce solo una lente d'ingrandimento ad alta tecnologia per risolvere il caso più velocemente.

Sintesi Tecnica: Utilizzo di UAV-LiDAR per il Fenotipaggio del Volume del Fusto nella Selezione Genetica di Pinus radiata

Definizione del Problema
I programmi di miglioramento genetico del pino radiata (Pinus radiata) danno priorità al volume del fusto all'età del raccolto come obiettivo primario. Tuttavia, i lunghi periodi di rotazione (25–30 anni) in Nuova Zelanda rendono necessaria la selezione indiretta basata su tratti giovanili per accelerare il guadagno genetico. Il fenotipaggio tradizionale si affida pesantemente al Diametro a Breve Altezza (DBH) come proxy per il volume del fusto, spesso combinato con misurazioni di altezza sul campo tramite equazioni allometriche. Questo approccio affronta vincoli significativi: le misurazioni sul campo sono laboriose, costose e dispendiose in termini di tempo, creando un collo di bottiglia fenotipico che limita l'intensità della selezione. Inoltre, le misurazioni dell'altezza basate a terra sono spesso imprecise rispetto al DBH, e le equazioni allometriche possono introdurre errori relativi fino al 20% a causa della variazione della forma del fusto tra un albero e l'altro. È necessario un approccio alternativo, scalabile e ad alto rendimento, capace di stimare accuratamente il volume del fusto e catturare la variazione genetica non pienamente riflessa dalle misurazioni tradizionali del diametro.

Metodologia
Lo studio ha valutato l'utilità del LiDAR montato su UAV come strumento di fenotipizzazione in 11 prove genetiche di clonazione completa di pino radiata in Nuova Zelanda, comprendendo circa 27.000 alberi provenienti da due serie di prove (BC52-55-59 e BC66).

Acquisizione dei Dati: I dati UAV-LiDAR sono stati raccolti utilizzando un sensore DJI L1 montato su una piattaforma DJI M300 RTK. I parametri di volo sono stati ottimizzati per generare nuvole di punti dense (45 m di altitudine, velocità di 3–5 m/s). I dati sul campo, inclusi DBH e record dei difetti, sono stati raccolti contemporaneamente o entro tre mesi dai voli UAV.
Derivazione delle Metriche: Le metriche dei singoli alberi sono state estratte da nuvole di punti segmentate. Le metriche chiave includevano l'altezza dell'albero derivata dal LiDAR ( $z_{max}$ ) e descrittori geometrici come aree superficiali e volumi di inviluppi convessi (convex hull) 2D e 3D.
Tratto di Riferimento: Il Volume del Fusto Allometrico (ASV) è stato calcolato utilizzando un'equazione validata (Kimberley e Beets, 2007) che combina il DBH misurato sul campo e la $z_{max}$ derivata dal LiDAR. Questo ha servito come riferimento per il volume del fusto.
Analisi Genetica: È stato impiegato un modello di predizione lineare migliore genomica a passaggio singolo (ssGBLUP) utilizzando circa 9.500 SNP e dati di pedigree. Il modello ha stimato i valori genetici stimati (EBV) per DBH, ASV e varie metriche LiDAR.
Analisi Comparativa: Lo studio ha confrontato le prestazioni delle metriche LiDAR rispetto a DBH e ASV valutando:
- Correlazioni fenotipiche e genetiche.
- Ereditabilità (narrow-sense heritability, $h^2$ ).
- Sovrapposizione nei primi 100 genotipi selezionati.
- Il recupero del potenziale guadagno genetico selezionando in base ai proxy LiDAR rispetto al DBH.
- L'impatto dell'inclusione di alberi malformati (che vengono tipicamente esclusi nei calcoli ASV basati sul campo) nelle analisi basate solo su LiDAR.

Contributi Chiave e Risultati

Proxy LiDAR Ottimale: Tra le metriche testate, l'area superficiale 3D dell'inviluppo convesso dell'albero (convexhull3D_area) ha dimostrato la correlazione più alta con l'ASV (fino a $r = 0,87$ ). Ha superato l'altezza dell'albero LiDAR ( $z_{max}$ ) come proxy del volume, con una correlazione media di 0,75 attraverso i siti.
Ereditabilità: L'altezza dell'albero LiDAR ( $z_{max}$ ) ha mostrato l'ereditabilità più elevata in tutti i siti (media $h^2 = 0,37$ , intervallo 0,23–0,50), indicando un forte controllo genetico e meno rumore ambientale rispetto al diametro. L'ereditabilità di convexhull3D_area è stata simile a quella del DBH (media $h^2 = 0,26$ ).
Efficienza della Selezione:
- La selezione dei primi 100 genotipi basata sul DBH ha recuperato l'88–96% del potenziale guadagno genetico per l'ASV.
- La selezione basata su convexhull3D_area ha recuperato il 67–86% del potenziale guadagno genetico per l'ASV.
- Fondamentalmente, convexhull3D_area ha identificato il 24–33% dei migliori genotipi ASV che non erano stati selezionati dal DBH, suggerendo che il LiDAR cattura una variazione genetica unica relativa alla forma dell'albero e al volume.
Impatto delle Malformazioni: Quando le analisi hanno incluso alberi malformati (uno scenario rilevante per il fenotipaggio LiDAR completamente automatizzato dove manca la valutazione visiva dei difetti), le prestazioni dei proxy LiDAR come indicatori di ASV sono diminuite marginalmente (del 3,5–10,3% nel recupero del guadagno), ma sono rimasti proxy efficaci.
Validazione del Modello: Il modello ssGBLUP utilizzando una matrice di relazione pedigree-genomica mista ( $H_{0.5}$ ) ha fornito un adattamento migliore e stime di varianza additiva più elevate rispetto a un modello basato solo su pedigree (PBLUP), validando l'uso dei dati genomici in questi trial.

Significato e Rivendicazioni
L'articolo sostiene che le metriche derivate da UAV-LiDAR, in particolare convexhull3D_area e l'altezza dell'albero ( $z_{max}$ ), possiedono proprietà desiderabili per complementare, piuttosto che sostituire immediatamente, il fenotipaggio tradizionale sul campo nella selezione del pino radiata.

Complementarità: Sebbene il DBH rimanga il criterio singolo più efficace per la selezione del volume del fusto grazie al suo rapporto diretto con l'equazione allometrica, le metriche LiDAR offrono un'alta ereditabilità (specialmente l'altezza) e la capacità di rilevare la variazione genetica che sfugge al solo diametro.
Scalabilità e Costo: Lo studio evidenzia come il LiDAR fornisca un metodo scalabile, ripetibile e non distruttivo per misurare i tratti di crescita. Ciò può ridurre i costi di fenotipizzazione e consentire misurazioni più frequenti, facilitando la caratterizzazione delle traiettorie di crescita.
Accelerazione del Guadagno Genetico: Integrando i tratti LiDAR ad alta ereditabilità nelle valutazioni genetiche multi-tratto, i programmi di miglioramento possono migliorare l'accuratezza delle predizioni dei valori genetici, specialmente nei trial in cui l'ereditabilità del DBH è bassa. Ciò supporta decisioni di selezione precoci e accelera la consegna di genotipi migliorati.
Limitazioni Attuali: Gli autori notano con moderazione che le metriche LiDAR sono attualmente sensibili alla densità della chioma (riducendo l'accuratezza in popolamenti più vecchi e chiusi) e non possono ancora identificare le malformazioni del fusto senza ispezione visiva. Pertore, la strategia ottimale identificata è un approccio ibrido in cui il LiDAR integra le misurazioni sul campo per migliorare l'accuratezza e l'efficienza della selezione.

Articoli simili