Phenotyping of genotypes and diagnosis of water status in cowpea using thermographic images and machine learning

기술 요약: 열화상 이미지와 머신러닝을 이용한 동계(Cowpea)의 유전자형 표현형 분석 및 수분 상태 진단

문제 정의
현대의 기후 변화는 가뭄의 빈도를 심화시켜 동계(Vigna unguiculata (L.) Walp.) 생산에 상당한 어려움을 초래하고 있다. 동계는 일반적으로 강인한 작물이지만, 특정 생육 단계, 특히 영양 성장기(V3)와 생식 성장기(R2) 동안의 수분 스트레스는 잎의 확장, 뿌리 정착 및 꼬투리 채움(pod filling)을 심각하게 제한할 수 있다. 엽 수분 퍼텐셜(leaf water potential) 및 기공 전도도(stomatal conductance) 측정과 같은 전통적인 수분 상태 평가 방식은 파괴적이며 대규모 표현형 분석에는 비실용적이다. 따라서 다양한 관개 조건 하에서 여러 유전자형 간의 유전적 내성을 구별하는 동시에 수분 상태를 동시에 모니터링할 수 있는 신속하고 비파괴적인 기술이 필요하다.

연구 방법론
본 연구는 브라질의 페데랄 대학(Federal University of Campina Grande, UFCG)에서 실시된 통제 실험을 바탕으로 하며, 10종의 동계 유전자형(토착 품종 5종: Corujinha, Paulistinha, Sempre Verde, Pintado, Rabo de Tatu 및 개량 품종 5종: BRS Novaera, BRS Pajeú, IPA 206, BRS Tapaihum, BRS Miranda)을 대상으로 하였다. 이들은 네 가지 수분 조건(작물 증발산량(ETc)의 25%, 50%, 75%, 100%)에 따라 무작위 블록 설계로 배치되었다.

열화상 이미지는 두 가지 뚜렷한 생육 단계인 V3(네 번째 마디)와 R2(첫 꽃 개화기)에서 Flir® C5 카메라(160 x 120 픽셀)를 사용하여 촬영되었다. 각 유전자형에 대해 캐노피 구조를 포괄할 수 있도록 다양한 각도(나디르(nadir) 및 45°)에서 100장의 이미지를 획득하였다.

데이터 처리 파이프라인에는 Orange Data Mining v. 3.37.0이 사용되었다. 워크플로우는 다음과 같다:

1. 특징 추출 (임베딩, Embedding): 네 가지 사전 학습된 딥러닝 아키텍처(InceptionV3, SqueezeNet, VGG16, VGG19)를 사용하여 이미지를 벡터화하였다.
2. 분류 (Classification): 추출된 벡터를 바탕으로 k-최근접 이웃(k-NN), 의사결정 나무(Decision Tree), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(SVM), 인공 신경망(다층 퍼셉트론, MLP), 아다부스트(AdaBoost) 등 6가지 머신러닝 알고리즘을 훈련시켜 유전자형과 수분 스트레스 수준을 분류하였다.
3. 검증 (Validation): 모델은 교차 검증과 테스트 데이터에 대한 테스트(test-on-test) 방식을 통해 평가되었으며, 여기서 각 유전자형당 25장의 이미지가 독립적 검증을 위해 훈련에서 제외되었다. 성능 지표로는 정확도(CA), F1-score, 매튜스 상관 계수(MCC), AUC(Area Under the ROC Curve), LogLoss가 포함되었다.

주요 결과

• 생육 단계의 영향: 영양 성장기(V3)가 생식 성장기(R2)보다 진단에 더 효과적인 것으로 나타났다. V3 단계에서는 열적 신호가 더 이질적이고 변별력이 높았던 반면, R2 단계의 이미지는 캐노피 폐쇄와 생리적 복잡성으로 인해 더 균질화되는 경 яв 현상을 보였다.
• 모델 성능 (V3 단계):
  • SVM과 VGG16 임베더를 결합한 모델이 가장 높은 성능을 보였으며, 정확도(CA) 0.910, F1-score 0.910, MCC 0.907을 달 기록했다.
  • VGG16을 사용한 인공 신경망(ANN) 또한 우수한 성능(CA: 0.897)을 보였다.
  • ANN의 솔버 중에서는 Adam 옵티마이저와 로지스틱(logistic) 활성화 함수를 사용했을 때 가장 좋은 결과(CA: 0.886)를 얻었다.
  • SVM의 경우, **다항식 커널(polynomial kernel)**이 선형, RBF, 시그모이드 커널보다 우수한 성능을 보였다.
  • 트리 기반 모델(랜덤 포레스트, 의사결정 나무)과 시그모이드 커널은 현저히 낮은 성능을 보였다.
• 모델 성능 (R2 단계):
  • 유전자형 구분이 어려워짐에 따라 성능 지指标이 V3에 비해 감소하였다.
  • **SVM(다항식 커널)**과 VGG16 조합이 여전히 최상위 성능(CA: 0.804)을 유지했으며, ANN(CA: 0.760)이 그 뒤를 이었다.
  • 검증 단계에서 SVM은 ANN(V3에서 CA: 0.782; R2에서 CA: 0.636)에 비해 우수한 안정성을 유지하였다.
• 혼동 패턴 (Confusion Patterns): 분류 오류는 주로 서로 다른 관개 수준 하에 있는 동일한 유전자형 사이에서 집중되었다. 이는 모델이 품종의 정체성을 성공적으로 보존했음을 의미하며, 수분 상태가 열적 근접성에 영향을 미치는 조절 인자로 작용하되 유전적 정체성을 가리지는 않았음을 나타낸다.

주요 기여 및 의의
본 논문은 적외선 열화상 기술과 머신러닝, 특히 특징 추출을 위한 딥러닝 아키텍처와 분류를 위한 SVM의 통합이 고처리량 디지털 표현형 분석을 위한 효과적인 도구임을 주장한다. 본 연구는 다음을 입증하였다:

1. 비파괴적 진단: 열화상 이미징은 파괴적 샘플링 없이도 동계 유전자형을 정확하게 식별하고 수분 스트레스를 진단할 수 있다.
2. 단계별 민감도: 영양 성장기(V3)는 생식 성장기(R2)에 비해 차별화를 위한 우수한 열적 대비를 제공하지만, 적절한 모델링이 뒷받침된다면 두 단계 모두 활용 가능하다.
3. 알고리즘의 우수성: 특징 추출을 위한 VGG16과 (다항식 커널을 사용하는) SVM의 결 조합은 전통적인 트리 기반 모델보다 강력한 분류 능력을 제공하며, 이는 본 특정 맥락에서 더 우수한 성능을 보인다.
4. 실제 적용: 이 접근 방식은 가뭄 내성 소재의 선발을 지원하며, 다양한 유전자형에 걸쳐 수분 상태를 신속하고 동시에 모니터링할 수 있게 함으로써 정밀 관개 관리를 돕는다.

저자들은 생육 단계가 진행됨에 따라 복잡성이 증가하고 열적 대비가 감소하지만, 제안된 방법론이 정밀 농업에서 유전자형 선택 및 수분 관리를 최적화하기 위한 유망한 비파괴적 솔루션으로 남을 것이라고 결론지었다.