📄 other

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

Deze studie toont aan dat door UAV-LiDAR afgeleide metrieken, met name de oppervlakte van de 3D-convexe omhullende en boomhoogte, dienen als zeer erfelijke en schaalbare proxies voor stamvolume die de genetische winst in radiapijn-veredelingsprogramma's effectief kunnen versnellen en tegelijkertijd de afhankelijkheid van arbeidsintensieve veldmetingen kunnen verminderen.

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

Gepubliceerd 2026-07-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die probe op zoek gaat naar de "superhelden" van het bos. In de wereld van boomveredeling zoeken wetenschappers constant naar die specifieke bomen die het grootst, het rechtstaanst en het snelst groeien, zodat ze gebruikt kunnen worden om bossen te planten die meer hout produceren. Maar hier zit de crux: bomen doen er decennia over om volwassen te worden. Als je wacht tot een boom volledig is uitgegroeid om te zien of het een winnaar is, heb je een hele generatie aan tijd verspild. Boomkwekers moeten dus raden welke jonge zaailingen giganten zullen worden op basis van aanwijzingen die ze nu al kunnen zien.

Traditioneel is de belangrijkste aanwijzing de "middelmaat" van de boom, gemeten op borsthoogte. Dit wordt de diameter op borsthoogte genoemd, of DBH. Het is alsof je de taille van een persoon meet om te raden hoeveel spiermassa diegene als volwassene zal hebben. Maar het meten van duizenden bomen met een meetlint is traag, saai en duur. Bov�ruik bovendien kun je het totale volume van een boom niet bepalen door alleen naar zijn middel te kijken; je moet ook weten hoe hoog en hoe weelderig hij is.

Maak kennis met de nieuwe technologie: drones uitgerust met laserscanners (LiDAR). Denk aan deze drones als vliegende robots die miljoens onzichtbare laserstralen op het bos afschieten. Deze stralen kaatsen terug en creëren een supergedetailleerde 3D-kaart van elke individuele boom, waarbij de hoogte, vorm en de ruimte die de boom in de lucht inneemt, worden vastgelegd. De grote vraag voor wetenschappers is geweest: kunnen deze laserkaarten de ouderwetse meetlinten vervangen? Kan een drone de toekomstige reuzen net zo goed opsporen als een mens met een meetlint, maar dan veel sneller?

Dit is precies waar een team van onderzoekers de opdracht toe heeft genomen in een recente studie naar de Radiata-den, een snelgroeiende boom die beroemd is in Nieuw-Zeeland. Ze gokten niet zomaar; ze vlogen met drones over 11 verschillende bosproeven met ongeveer 27.000 bomen. Ze vergeleken de lasermetingen van de drone met de "gouden standaard" van boomvolume, die wordt berekend met de middelmaat van de boom (DBH) en de hoogte.

De onderzoekers ontdekten dat de drone ongelooflijk goed is in het opsporen van bomen met de meeste "houtige massa". Hoewel de meting van de drone voor de totale hoogte van een boom de meest betrouwbare enkele waarde was om te voorspellen hoe snel een boom zou groeien, was de echte ster van de show een specifieke 3D-meting genaamd het "convex hull oppervlakte". Stel je voor dat je een boom in een strakke, onzichtbare plastic zak wikkelt die elke tak en elk blad nauw omsluit; de oppervlakte van die zak is de convex hull. De studie vond dat deze 3D-"zakgrootte" de beste lasergebaseerde schatting was voor hoeveel hout een boom uiteindelijk zou hebben, waarbij de traditionele metingen met een zeer sterke verbinding werden gematcht (een correlatie van tot 0.87).

De paper sluit echter ook de mogelijkheid uit dat drones de mens nog volledig moeten vervangen. De onderzoekers ontdekten dat hoewel de drone fantastisch is, hij een blinde vlek heeft: hij kan niet gemakkelijk zien of een boom "gebroken" of "misvormd" is (zoals het hebben van twee toppen in plaats van één) door enkel naar de lasermap te kijken. In het bos is een gebroken boom een verliezer, maar de drone kan de boom nog steeds als een reus beschouwen omdat hij groot en weelderig is. Wanneer de wetenschappers deze gebroken bomen in hun drone-only analyse opnamen, daalde de nauwkeurigheid een klein beetje.

Dus, wat is het eindoordeel? Het artikel suggereert dat de beste strategie niet is om te kiezen tussen de drone of het meetlint, maar om ze als een dynamisch duo te gebruiken. De drone kan duizenden bomen snel scannen om de bomen met de beste hoogte en 3D-vorm te vinden, waarbij hij fungeert als een supersnelle filter. Daarna kunnen kwekers het traditionele meetlint gebruiken op de beste kandidaten om defecten te controleren en de definitieve middelmaat te verkrijgen. Deze combinatie stelt hen in staat om de genetische supersterren veel eerder en goedkoper te spotten dan voorheen, wat potentieel de creatie van betere bossen kan versnellen zonder de nauwkeurigheid te verliezen die nodig is om de juiste keuzes te maken. De drone vervangt de detective niet; hij geeft de detective slechts een high-tech vergrootglas om de zaak sneller op te lossen.

Technische Samenvatting: Gebruik van UAV-LiDAR voor Stamvolume-fenotypering bij de Genetische Selectie van Radiata-den

Probleemstelling
Veredelingsprogramma's voor de Radiata-den (Pinus radiata) geven prioriteit aan stamvolume bij de oogstleeftijd als een primair doelwit. De lange rotatieperioden (25–30 jaar) in Nieuw-Zeeland vereisen echter indirecte selectie op basis van juveniele eigenschappen om genetische winst te versnellen. Traditionele fenotypering leunt zwaar op de diameter op borsthoogte (DBH) als een proxy voor stamvolume, vaak gecombineerd met in het veld gemeten hoogte via allometrische vergelijkingen. Deze aanpak kent aanzienlijke beperkingen: veldmetingen zijn arbeidsintensief, kostbaar en tijdrovend, wat een fenotypische bottleneck creëert die de selectie-intensiteit beperkt. Bovendien zijn grondgebaseerde hoogtemetingen vaak minder nauwkeurig dan DBH, en kunnen allometrische vergelijkingen relatieve fouten tot 20% introduceren door variatie in de stamvorm tussen bomen onderling. Er is behoefte aan schaalbare, hoog-doorvoersalternatieven die accuraat het stamvolume kunnen schatten en genetische variatie kunnen vastleggen die niet volledig wordt weerspiegeld door traditionele diameter-metingen.

Methodologie
De studie evalueerde het nut van Unmanned Aerial Vehicle (UAV) LiDAR als fenotyperingsinstrument over 11 clonale volledige broer-genetische proeven van de Radiata-den in Nieuw-Zeeland, die ongeveer 27.000 bomen omvatten uit twee proefreeksen (BC52-55-59 en BC66).

Gegevensverwerving: UAV-LiDAR-gegevens werden verzameld met behulp van een DJI L1-sensor gemonteerd op een DJI M300 RTK-platform. De vluchtparameters werden geoptimaliseerd om dichte puntenwolken te genereren (45 m hoogte, 3–5 m/s snelheid). Veldgegevens, inclusief DBH- en defectrecords, werden gelijktijdig met of binnen drie maanden na de UAV-vluchten verzameld.
Afleiding van Metrieken: Individuele boommetrieken werden geëxtraheerd uit gesegmenteerde puntenwolken. Belangrijke metrieken omvatten LiDAR-afgeleide boomhoogte ( $z_{max}$ ) en geometrische beschrijvers zoals 2D- en 3D-convex hull oppervlaktes en volumes.
Referentietrait: Allometrisch Stamvolume (ASV) werd berekend met behulp van een gevalideerde vergelijking (Kimberley en Beets, 2007) die veld-gemeten DBH combineert met de LiDAR-afgeleide $z_{max}$ . Dit diende als de referentie voor het stamvolume.
Genetische Analyse: Een single-step genomic best linear unbiased prediction (ssGBLUP) model werd toegepast met ongeveer 9.500 SNPs en stamboomgegevens. Het model schatte de verwachte selectiewaarden (EBVs) voor DBH, ASV en diverse LiDAR-metrieken.
Vergelijkende Analyse: De studie vergeleken de prestaties van LiDAR-metrieken tegenover DBH en ASV door de volgende zaken te beoordelen:
- Fenotypische en genetische correlaties.
- Narrow-sense heritabiliteit ( $h^2$ ).
- Overlap in de top 100 geselecteerde genotypes.
- De terugwinning van potentiële genetische winst wanneer selectie plaatsvindt op basis van LiDAR-proxies versus DBH.
- De impact van het meenemen van misvormde bomen (die gewoonlijk worden weggefilterd in op het veld gebaseerde ASV-berekeningen) in LiDAR-gebaseerde analyses.

Belangrijkste Bijdragen en Resultaten

Optimale LiDAR-proxy: Onder de geteste metrieken vertoonde de 3D-oppervlakte van de individuele boom-convex hull (convexhull3D_area) de hoogste correlatie met ASV (tot $r = 0,87$ ). Het presteerde beter dan de LiDAR-boomhoogte ( $z_{max}$ ) als proxy voor volume, met een gemiddelde correlatie van 0,77 over de locaties.
Heritabiliteit: De LiDAR-boomhoogte ( $z_{max}$ ) vertoonde de hoogste heritabiliteit over alle locaties (gemiddelde $h^2 = 0,37$ , bereik 0,23–0,50), wat wijst op een sterke genetische controle en minder omgevingsruis vergeleken met diameter. De heritabiliteit van convexhull3D_area was vergelijkbaar met die van DBH (gemiddelde $h^2 = 0,26$ ).
Selectie-efficiëntie:
- Selectie van de top 100 genotypes op basis van DBH herstelde 88–96% van de potentiële genetische winst voor ASV.
- Selectie op basis van convexhull3D_area herstelde 67–86% van de potentiële ASV-genetische winst.
- Cruciaal was dat convexhull3D_area 24–33% van de top-presterende ASV-genotypes identificeerde die niet door DBH werden geselecteerd, wat suggereert dat LiDAR unieke genetische variatie vastlegt die gerelateerd is aan boomvorm en volume.
Impact van Misvormingen: Wanneer de analyses misvormde bomen bevatten (een scenario relevant voor volledig geautomatiseerde LiDAR-fenotypering waar visuele defectbeoordeling ontbreekt), nam de prestatie van LiDAR-proxies als ASV-indicatoren marginaal af (met 3,5–10,3% in herwonnen winst), maar ze bleven effectieve proxies.
Modelvalidatie: Het ssGBLUP-model dat gebruikmaakt van een gemengde pedigree-genomische relatiematrix ( $H_{0.5}$ ) bood een betere fit en hogere additieve genetische variantieschattingen vergeleken met een model op basis van enkel stamboom (PBLUP), wat het gebruik van genomische gegevens in deze proeven valideert.

Betekenis en Claims
Het artikel beweert dat LiDAR-afgeleide metrieken, met name convexhull3D_area en boomhoogte ( $z_{max}$ ), gewenste eigenschappen bezitten om traditionele veldfenotypering aan te vullen, in plaats van deze direct te vervangen.

Complementariteit: Hoewel DBH de meest effectieve enkele criterium blijft voor stamvolume-selectie vanwege de directe relatie met de allometrische vergelijking, bieden LiDAR-metrieken een hoge heritabiliteit (met name hoogte) en de mogelijkheid om genetische variatie te detecteren die door diameter alleen wordt gemist.
Schaalbaarheid en Kosten: De studie benadrukt dat LiDAR een schaalbare, reproduceerbare en niet-destructieve methode biedt voor het meten van groeicriteria. Dit kan de kosten voor fenotypering verlagen en frequentere metingen mogelijk maken, wat de karakterisering van groeitrajecten vergemakkelijkt.
Versnelde Genetische Winst: Door hoog-heritabele LiDAR-traits te integreren in multi-trait genetische evaluaties, kunnen broedprogramma's de nauwkeurigheid van de voorspelling van selectiewaarden verbeteren, vooral in proeven waar de DBH-heritabiliteit laag is. Dit ondersteunt eerdere selectiebeslissingen en versnelt de levering van verbeterde genotypes.
Huidige Beperkingen: De auteurs merken bescheiden op dat de LiDAR-metrieken momenteel gevoelig zijn voor de kanaaldichtheid (wat de nauwkeurigheid vermindert in oudere, gesloten bestanden) en nog geen stam-misvormingen kunnen identificeren zonder visuele inspectie. Daarom is de geïdentificeerde optimale strategie een hybride aanpak waarbij LiDAR de veldmetingen aanvult om de selectienauwkeurigheid en -efficiëntie te vergroten.

Meer zoals dit