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

Il cotone è la fonte più importante di fibra naturale al mondo, un materiale che inizia come un fiore bianco e soffice sulla pianta e finisce per diventare il tessuto dei nostri vestiti. Per l'industria tessile, il valore di questo raccolto dipende interamente dalla qualità delle sue fibre: quanto sono lunghe, quanto sono resistenti e quanto uniformemente si tengono insieme. Tradizionalmente, i selezionatori che sviluppano nuove varietà di cotone hanno dovuto aspettare che le piante fossero completamente cresciute e che i bozzoli venissero raccolti per sapere se una nuova varietà fosse valida. Prelevano un campione di fibra, lo inviano a un laboratorio specializzato e lo fanno passare attraverso una macchina che ne misura le proprietà tecniche. Questo processo è accurato ma lento, costoso e richiede una grande quantità di materiale vegetale, il che significa che i selezionatori spesso non possono testare le nuove varietà finché non sono già piuttosto avanzate nel loro sviluppo.

Negli ultimi anni, è emersa un approccio nuovo per accelerare questo processo: l'uso di droni per scattare foto alle colture dal cielo. Questi veicoli aerei non pilotati, o UAV, possono catturare immagini dettagliate di un campo in pochi minuti. Analizzando i colori di queste immagini, gli scienziati possono calcolare numeri che descrivono quanto le piante siano sane e vigorose. L'idea è che il modo in cui una pianta appare dall'alto — il suo colore e la sua luminosità — possa dirci qualcosa sulla qualità della fibra che produrrà all'interno del bozzolo, molto prima del raccolto. Se questa connessione è forte, i selezionatori potrebbero esaminare migliaia di piante all'inizio della stagione, scegliendo solo le migliori da far crescere ulteriormente, risparmiando tempo e denaro.

Un team di ricercatori in Brasile si è posto l'obiettivo di testare se questa idea funzioni per la qualità della fibra di cotone. Hanno lavorato con diciannove diverse varietà commerciali di cotone, piantandole in un campo presso l'Università Federale di Uberlândia. Mentre le piante crescevano, i ricercatori hanno aspettato che i campi fossero in piena fioritura, una fase in cui le piante sono coperte da fiori aperti. In questo momento specifico, hanno fatto volare un drone sopra il campo per catturare immagini ad alta risoluzione nei canali rosso, verde e blu. Da queste immagini, hanno calcolato quattro diversi numeri basati sul colore, noti come indici spettrali, che fungono da riepilogo della "veridicità" (greenness) e della saturazione del colore della pianta. Successivamente, dopo che il cotone era stato raccolto, hanno prelevato campioni da ogni varietà e misurato la qualità della fibra utilizzando la macchina da laboratorio standard, che ha determinato tratti come la lunghezza della fibra, la resistenza e un punteggio composito chiamato Indice di Consistenza di Filatura (Spinning Consistency Index), che predice quanto bene la fibra possa essere filata in filato.

I ricercatori hanno scoperto che esisteva effettivamente un legame significativo tra ciò che il drone vedeva e ciò che il laboratorio misurava. Hanno scoperto che due dei numeri basati sul colore erano particolarmente utili. Uno, che misurava la "veridicità" delle foglie, mostrava una forte connessione con l'Indice di Consistenza di Filatura. Un altro, che confrontava la quantità di luce verde con la luce rossa, era strettamente legato all'uniformità della lunghezza della fibra. In termini semplici, le piante che apparivano più verdi e vibranti dalla prospettiva del drone tendevano a produrre fibre più adatte a una filatura di alta qualità. Il team ha utilizzato modelli statistici per vedere se potessero predire la qualità della fibra guardando semplicemente questi numeri del drone. I modelli sono stati in grado di spiegare circa un terzo delle differenze osservate tra le varietà. Sebbene questa non sia una previsione perfetta, rappresenta un passo avanti significativo, suggerendo che un'immagine del drone scattata all'inizio della stagione può offrire un indizio affidabile sulla qualità finale del cotone.

Tuttavia, lo studio ha anche chiarito che questa tecnologia non è un sostituto dei test tradizionali di laboratorio. Le immagini del drone non potevano predire ogni dettaglio della qualità della fibra, e alcune varietà che apparivano simili dal cielo si sono rivelate avere caratteristiche della fibra differenti. I ricercatori hanno notato che la varietà con le prestazioni migliori nel loro studio, un tipo chiamato DP 2077, aveva un'eccellente qualità della fibra ma mostrava solo punteggi di colore medi nelle immagini del drone. Questo ci dice che, sebbene il drone possa individuare tendenze generali, non può ancora vedere l'immagine completa da solo. Il colore delle foglie è influenzato da molti fattori, tra cui quanta luce solare riceve la pianta e quanta acqua ha a disposizione, il che può talvolta mascherare il potenziale genetico per la qualità della fibra.

Il valore di questo lavoro risiede nel suo potenziale di agire come un filtro. I selezionatori devono spesso gestire migliaano di piante, e testare ogni singola pianta in laboratorio è troppo costoso e lento. Se un drone può volare sopra un campo e identificare rapidamente le piante che probabilmente avranno una scarsa qualità della fibra, quelle piante possono essere rimosse dal programma di selezione precocemente. Ciò consente ai selezionatori di concentrare le proprie risorse sui candidati più promettenti. I ricercatori hanno concluso che, sebbene i numeri derivati dal drone non siano una soluzione magica che elimina la necessità del lavoro di laboratorio, sono uno strumento potente da utilizzare insieme ad esso. Combinando la velocità dell'imaging aereo con la precisione dei test tradizionali, i selezionatori di cotone possono prendere decisioni più intelligenti più velocemente, portando potenzialmente nuove varietà di cotone migliore agli agricoltori e alle filature in tempi più brevi. Lo studio suggerisce che man mano che questi modelli verranno perfezionati con più dati da diversi ambienti e tipi di piante più diversificati, la loro capacità di predire la qualità futura di un raccolto di cotone non potrà che migliorare.