A breeder in the sky: scoring flowering with fewer flights

In de wereld van de landbouw is timing allesbepalend. Voor een plantenveredelaar die een nieuwe maïsvariëteit probeert te ontwikkelen, is weten wanneer precies een gewas gaat bloeien cruciaal. Dit moment bepaalt of de plant een lokale vorst kan overleven, hoe lang hij de tijd heeft om te groeelen voor de oogst, en of hij goed zal gedijen in een specifieke regio. Traditioneel gezien is het vinden van dit antwoord een arbeidsintensieve, menselijke taak. Omdat bloemen niet op een vaste kalenderdatum verschijnen maar afhankelijk zijn van het weer en genetica, moeten onderzoekers elke paar dagen door hun velden lopen om te letten op de eerste tekenen van pollen of zijde (silk). Ze moeten dit proces wekenlang herhalen, van de vroegste bloeiende plant tot de laatste, om een nauwkeurig gemiddelde voor elk perceel te krijgen. Deze constante monitoring is traag, duur en beperkt hoeveel velden een team tegelijkertijd kan bestuderen.

Om dit op te lossen, hebben wetenschappers gebruikgemaakt van drones, of onbemande luchtvaartuigen, die scherpe foto's van volledige velden vanuit de lucht kunnen maken. Het maken van foto's alleen is echter niet genoeg. Eerdere pogingen om deze beelden te gebruiken om de bloeitijd te voorspellen, vereisten vaak dat een drone tientallen keren over hetzelfde veld vloog, waarbij elke dag of elke twee dagen beelden werden vastgelegd tijdens het bloeiseizoen. Dit creëerde een enorme hoeveelheid data die moeilijk te verwerken was en nog steeds frequente, kostbare vluchten vereiste. De uitdaging bleef: kon een computer precies leren wanneer een maïsplant bloeide op basis van slechts een handvol foto's, misschien zelfs slechts één, zonder dat er constant overheen gevlogen hoefde te worden?

Een team van onderzoekers heeft deze vraag nu beantwoord met een nieuwe aanpak die de manier waarop het probleem wordt bekeken, verandert. In plaats van een computer te leren om simpelweg te beslissen of een plant "bloeiend" of "niet bloeiend" is in een enkele opname, trainden ze een kunstmatig intelligentiemodel om als een tijdwaarnemer te fungeren. Ze vroegen het model om naar een foto van een maïsperceel te kijken en te schatten hoeveel dagen de plant verwijderd was van zijn piekbloei. Dit kon een negatief getal zijn, wat betekende dat de plant nog niet had gebloeid, of een positief getal, wat betekende dat de plant deze fase al had doorlopen. Door bloei te behandelen als een continu tijdsverloop in plaats van een simpele ja-of-nee-schakelaar, kon het model leren van de subtiele veranderingen in het uiterlijk van de plant zowel vóór als na de bloei.

Het team bouwde dit systeem met behulp van een enorme collectie gegevens die over zes jaar zijn verzameld. Ze combineerden meer dan 200.000 dronebeelden uit proefvelden in zeven verschillende staten, die meer dan 1.200 verschillende soorten maishybriden beslaan. Deze beelden werden gekoppeld aan nauwkeurige gegevens over wanneer elk specifiek perceel daadwerkelijk bloeide, zoals vastgesteld door menselijke waarnemers die door de velden liepen. Het team gebruikte een krachtig type AI, bekend als een Vision Transformer, die ontworpen is om complexe visuele patronen te begrijpen. Ze lieten de computer beelden van maïspercelen zien samen met het exacte tijdsverschil tussen het moment waarop de foto werd genomen en wanneer de maïs bloeide. In de loop van de tijd leerde het model visuele aanwijzingen te herkennen die signaleren dat een plant de bloeidatum nadert, zoals de oriëntatie van de bovenste bladeren of de subtiele verlenging van de stengel, lang voordat de bloem zichtbaar is voor het menselijk oog.

De resultaten waren verrassend effectief. Het team testte hun model op veldexperimenten die het nog nooit eerder had gezien, inclusief locaties en jaren die volledig nieuw waren voor het systeem. Zelfs wanneer het model slechts één afbeelding kreeg van een veld die binnen twee weken voor de bloeidatum was genomen, kon het de bloeitijd voorspellen met een gemiddelde fout van slechts ongeveer drie dagen. Dit niveau van nauwkeurigheid is vergelijkbaar met de precisie van menselijke waarnemers die door de velden lopen. Wanneer de onderzoekers de voorspellingen van twee of drie vluchten middelden, daalde de fout zelfs nog verder, vaak tot minder dan twee dagen. Dit suggereert dat kwekers zeer nauwkeurige resultaten kunnen behalen met veel minder dronevluchten dan voorheen nodig werd geacht, wat de kosten en inspanning voor het monitoren van gewassen potentieel aanzienlijk kan verminderen.

De studie onthulde ook hoe de computer de planten "ziet". Door te visualiseren op welke delen van de afbeelding het model zich concentreerde, ontdekten de onderzoekers dat de aandacht van de AI dynamisch verschoof terwijl de planten groeiden. Voordat de bloemen verschenen, concentreerde het model zich op het midden van de plant waar de bloem uiteindelijk zou verschijnen. Naarmate de tijd verstreek, verschoof de focus naar de omliggende bladeren en de algemene vorm van het bladerdak. Dit geeft aan dat het model niet alleen op zoek is naar een bloem; het begrijpt de gehele ontwikkelingsreis van de plant. Het kan subtiele fysiologische veranderingen detecteren die dagen voordat een mens iets anders zou merken, en het blijft de staat van de plant volgen lang nadat de bloei heeft plaatsgevonden.

Een van de meest significante bevindingen was dat het model goed werkte, zelfs wanneer de gegevens afkomstig waren uit andere jaren, andere locaties en van verschillende soorten camera's. Dit suggereert dat het systeem robuust genoeg is om in nieuwe omgevingen te worden gebruikt zonder dat het vanaf nul opnieuw getraind hoeft te worden met lokale gegevens. De onderzoekers testten ook of het gebruik van een temperatuurgebaseerde tijdmeting, bekend als 'growing degree days', de resultaten verbeterde. Hoewel deze methode een lichte voorsprong in nauwkeurigheid bood, presteerde het model ook uitstekend met eenvoudige kalenderdagen. Dit betekent dat het systeem geen complexe weergegevens vereist om te functioneren, wat de inzetbaarheid in een breed scala aan omgevingen vergemakkelijkt.

De implicaties voor de plantenveredeling zijn aanzienlijk. Door de noodzaak voor dagelijkende vluchten en handmatige score te verminderen, stelt deze methode onderzoekers in staat om veel grotere populaties gewassen te monitoren met minder middelen. Het opent de deur naar het bestuderen van hoe verschillende genetische variëteiten reageren op de bloeitijd in een breder scala aan omgevingen, wat essentieel is voor het ontwikkelen van gewassen die zich kunnen aanpassen aan een veranderend klimaat. De studie laat zien dat een enkele dronevlucht, of misschien slechts een paar, dezelfde kritieke informatie kan bieden die voorheen weken aan menselijke arbeid vereiste. Het model vervangt de veredelaar niet, maar fungeert als een krachtig hulpmiddel dat hun bereik vergroot, waardoor ze de onzichtbare ritmes van plantengroei vanuit de lucht kunnen waarnemen.