Capturing Spatial Heterogeneity Using UAV-Derived Multispectral Phenotypes and Random Regression Models Improves Genetic Evaluation in Alfalfa Breeding Trials
Deze studie toont aan dat het integreren van longitudinale, door UAV's afgeleide multispectrale fenotypen in random regressiemodellen de ruimtelijke heterogeniteit in alfalfa-veredelingsexperimenten effectief vastlegt, waardoor de nauwkeurigheid en reproduceerbaarheid van genetische evaluaties wordt verbeteren in vergelijking met conventionele ruimtelijke correctiemethoden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Boeren en plantenveredelaars weten al lang dat een veld nooit perfect uniform is. Zelfs binnen één enkel perceel kan de bodem in de ene hoek rijker zijn, kan het water in een andere hoek anders afwateren, en kan de temperatuur van de ene rij naar de andere licht variëren. Deze ongelijkmatigheid, bekend als ruimtelijke heterogeniteit, creëert een laag ruis die het ware potentieel van de gekweekte planten kan verbergen. Wanneer veredelaars proberen de beste zaden voor de volgende generatie te selecteren, kan deze omgevingsruis een middelmatige plant eruit laten zien als een kampioen, of een superieure plant er zwak uit laten zien. Om dit op te lossen, hebben wetenschappers zich traditioneel vertrouwd op statistische methoden die ervan uitgaan dat de bodemomstandigheden geleidelijk en voorspelbaar veranderen van de ene plant naar de volgende, vergelijkbaar met hoe de temperatuur kan dalen terwijl je wegloopt van een verwarmingselement. Deze oude methoden missen echter vaak de complexe, verschuende patronen van de echte wereld, vooral wanneer ze alleen naar de uiteindelijke oogst kijken.
Een nieuwe aanpak verandert de manier waarop onderzoekers naar dit probleem kijken door de planten zelf als sensoren te gebruiken. In plaats van te raden hoe de omgeving varieert, kijken wetenschappers nu naar hoe de planten er gedurende de tijd op reageren. Door drones uit te rusten met speciale camera's en over velden te vliegen, kunnen onderzoekers gedetailleerde beelden van de gewassen gedurende het hele groeiseizoen vastleggen. Deze beelden onthullen hoe de planten groeien, hoe groen ze zijn en hoe ze reageren op de specifieke omstandigheden van hun directe omgeving. Deze continue stroom van gegevens stelt wetenschappers in staat om de verborgen variaties in het veld met veel grotere precisie in kaart te brengen dan ooit tevoren, waarbij het ware genetische kwaliteitsniveau van een plant wordt gescheiden van het geluk van de plek waar deze geplant is.
In een recente studie gericht op alfalfa, een essentieel veevoedergewas, onderzochten onderzoekers of deze methode van het observeren van planten over een bepaalde tijd de nauwkeurigheid van veredelingsprogramma's kon verbeteren. Het team, geleid door wetenschappers van Cornell University, New Mexico State University en Virginia Tech, voerde proeven uit in twee zeer verschillende regio's: de droge, uitgestrekte velden van New Mexico en de compactere, gevarieerde percelen in New York. Ze verbouwden honderden verschillende alfalfavariëteiten en volgden deze nauwlettend tijdens de groeiseizoenen van 2022 en 2023. Met behulp van drones vlogen ze ongeveer eens per week over de velden om multispectrale beelden vast te leggen die de door planten gereflecteerde lichtintensiteit maten. Uit deze beelden berekenden ze vegetatie-indices, wat numerieke waarden zijn die de gezondheid en dichtheid van het groene bladerdak aangeven. Onder de verschillende soorten metingen bleek één index die op groen licht in plaats van rood licht vertrouwde, de meest betrouwbare indicator voor plantgezondheid en toekomstige opbrengst te zijn.
De kern van de studie bestond uit een tweetrapsproces om zin te geven aan deze enorme hoeveelheid gegevens. Eerst gebruikten de onderzoekers een statistische techniek genaamd random regressie om de wekelijkse dronebeelden te analyseren. Deze methode stelde hen in staat om de wekelijkse beelden te modelleren hoe elk specifiek perceel land in de loop van de tijd veranderde, waarbij de unieke, persistente omgevingscondities werden vastgelegd die die specifieke plek beïnvloedden. Ze behandelden deze langetermijninvloeden van de omgeving als een "permanent omgevingseffect", een manier om de specifieke voordelen of nadelen van een perceel te kwantificeren als gevolg van de bodem of het microklimaat, onafhankelijk van de genetica van de plant. In de tweede stap namen ze deze berekende omgevingseffecten en gebruikten ze om de uiteindelijke genetische evaluaties van de alfalfavariëteiten aan te passen.
De resultaten toonden aan dat deze nieuwe methode aanzienlijk beter was in het vinden van de ware genetische winnaars dan de traditionele benaderingen. In de grote proeven in New Mexico, waar de bodemomstandigheden sterk varieerden over het veld, verbeterde de nieuwe methode de consistentie van de genetische voorspellingen met twee tot drie keer vergeleken met de standaardmethoden. Het slaagde erin de ruis veroorzaakt door de ongelijkmatige bodem weg te filteren, waardoor het ware potentieel van de planten zichtbaar werd. Zelfs in de New Yorkse proeven, waar de velden meer uniform waren en de ruimtelijke ruis lager was, presteerde de nieuwe methode net zo goed als, of zelfs beter dan, de conventionele technieken. Cruciaal was dat de onderzoekers ontdekten dat de patronen van omgevingsvariatie die ze met de drones detecteerden, overeenkwamen met de werkelijke opbrengstkaarten van de velden, wat bevestigde dat de drones inderdaad de werkelijke, fysieke verschillen in de bodem en de beschikbaarheid van water vastlegden.
Deze studie demonstreert dat de planten zelf, wanneer ze nauwlettend worden geobserveerd over een bepaalde tijd, ons precies kunnen vertellen waar het veld moeite heeft en waar het floreert. Door deze informatie te gebruiken om de veredelingsgegevens te corrigeren, kunnen wetenschappers nauwkeurigere beslissingen nemen over welke zaden ze voor de toekomst bewaren. De aanpak vereist geen dure nieuwe apparatuur of complexe wijzigingen in hoe boeren momenteel hun velden beheren; het houdt simpelweg in dat de gegevens die al door moderne drones worden verzameld op een slimmere manier worden gebruikt. De bevindingen suggereren dat naarmate hoogwaardige landbouw gebruikelijker wordt, het vermogen om te leren van het continue verhaal van de groei van een plant een standaardinstrument zal worden om gewasopbrengsten te verbeteren en ervoor te zorgen dat de beste genetica wordt geselecteerd, ongeacht de ongelijkmatige grond waarop zij groeien.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.