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

Katoen is de belangrijkste bron van natuurlijke vezels ter wereld, een materiaal dat begint als een pluizige katoenbol aan een plant en eindigt als de stof in onze kleding. Voor de textielindustrie hangt de waarde van dit gewas volledig af van de kwaliteit van de vezels: hoe lang ze zijn, hoe sterk ze zijn en hoe uniform ze bij elkaar blijven. Traditioneel hebben veredelaars die nieuwe katoenvariëteiten ontwikkelen moeten wachten tot de planten volledig uitgegroeid zijn en de bollen geoogst zijn om te weten of een nieuw ras goed is. Ze nemen een monster van de pluis, sturen het naar een gespecialiseerd laboratorium en halen het door een machine die deze technische eigenschappen meet. Dit proces is nauwkeurig maar traag, duur en vereist een grote hoeveelheid plantmateriaal, wat betekent dat veredelaars nieuwe variëteiten vaak pas kunnen testen als ze al vrij ver gevorderd zijn in hun ontwikkeling.

In de afgelopen jaren is er een nieuwe aanpak ontstaan om dit proces te versnellen: het gebruik van drones om vanuit de lucht foto's van gewassen te maken. Deze onbemande luchtvaartuigen, of UAV's, kunnen in enkele minuten gedetailleerde beelden van een veld vastleggen. Door de kleuren in deze beelden te analyseren, kunnen wetenschappers getallen berekenen die beschrijven hoe gezond en krachtig de planten zijn. Het idee is dat de manier waarop een plant er van bovenaf uitziet — de kleur en helderheid — ons iets kan vertellen over de kwaliteit van de vezel die hij binnenin de bol zal produceren, lang voor de oogst. Als deze connectie sterk is, kunnen veredelaars duizenden planten vroeg in het seizoen screenen en alleen de beste uitkiezen om verder te laten groeien, wat tijd en geld bespaart.

Een team onderzoekers in Brazilië zette zich in om te testen of dit idee werkt voor de kwaliteit van katoenvezels. Ze werkten met negentien verschillende commerciële katoenvariëteiten en plantten deze op een veld bij de Federal University of Uberlândia. Terwijl de planten groeiden, wachtten de onderzoekers tot de velden in volle bloei stonden, een stadium waarin de planten bedekt zijn met open bloemen. Op dit specifieke moment vlogen ze met een drone over het veld om hoogwaardige rode, groene en blauwe beelden vast te leggen. Vanuit deze foto's berekenden ze vier verschillende kleurgebaseerde getallen, bekend als spectrale indices, die fungeren als een samenvatting van de groenheid en kleursaturatie van de plant. Later, nadat de katoen was geoogst, namen ze monsters van elk ras en maten ze de vezelkwaliteit met de standaard laboratoriummachine, die eigenschappen bepaalden zoals vezellengte, sterkte en een samengestelde score genaamd de Spinning Consistency Index, die voorspelt hoe goed de vezel tot garen gesponnen kan worden.

De onderzoekers ontdekten dat er inderdaad een betekenisvolle link bestond tussen wat de drone zag en wat het lab mat. Ze ontdekten dat twee van de kleurgebaseerde getallen bijzonder nuttig waren. De ene, die de groenheid van de bladeren mat, vertoonde een sterke connectie met de Spinning Consistency Index. Een andere, die de hoeveelheid groen licht vergeleken met rood licht vergeleek, was nauw verbonden met hoe uniform de vezellengte was. In eenvoudige bewoordingen: de planten die er vanuit het perspectief van de drone groener en levendiger uitzagen, hadden de neiging om vezels te produceren die beter geschikt waren voor hoogwaardig spinnen. Het team gebruikte statistische modellen om te zien of ze de vezelkwaliteit alleen op basis van deze dronenummers konden voorspellen. De modellen waren in staat om ongeveer een derde van de verschillen die ze zagen tussen de variëteiten te verklaren. Hoewel dit geen perfecte voorspelling is, is het een belangrijke stap voorwaarts, wat suggereert dat een dronebeeld genomen vroeg in het seizoen een betrouwbare hint kan geven over de uiteindelijke kwaliteit van de katoenoogst.

Echter, de studie maakte ook duidelijk dat deze technologie geen vervanging is voor de traditionele labtests. De dronebeelden konden niet elk detail van de vezelkwaliteit voorspellen, en sommige variëteiten die er van bovenaf vergelijkbaar uitzagen, bleken verschillende vezelkenmerken te hebben. De onderzoekers merkten op dat de best presterende variëteit in hun studie, een type genaamd DP 2077, een uitstekende vezelkwaliteit had maar slechts gemiddelde kleurscores liet zien in de dronebeelden. Dit vertelt ons dat hoewel de drone algemene trends kan signaleren, het nog niet in staat is om op zichzelf het volledige plaatje te zien. De kleur van de bladeren wordt beïnvloed door veel factoren, waaronder hoeveel zonlicht de plant krijgt en hoeveel water hij heeft, wat soms het genetische potentieel voor vezelkwaliteit kan maskeren.

De waarde van dit werk ligt in de potentie om als filter te fungeren. Veredelaars moeten vaak duizenden planten beheren, en het testen van elke individuele plant in een lab is te kostbaar en te traag. Als een drone over een veld kan vliegen en snel de planten kan identificeren die waarschijnlijk een slechte vezelkwaliteit zullen hebben, kunnen die planten vroegtijdig uit het veredelingsprogramma worden verwijderd. Dit stelt veredelaars in staat om hun middelen te richten op de meest veelbelovende kandidaten. De onderzoekers concludeerden dat hoewel de door drones afgeleide getallen geen magische oplossing zijn die het laboratoriumwerk overbodig maakt, ze een krachtig hulpmiddel zijn om naast dat werk te gebruiken. Door de snelheid van luchtfotografie te combineren met de precisie van traditionele tests, kunnen katoenveredelaars sneller slimmere beslissingen nemen, waardoor ze mogelijk sneller betere katoenvariëteiten naar boeren en textielfabrieken brengen. De studie suggereert dat naarmate deze modellen worden verfijnd met meer gegevens uit verschillende omgevingen en meer diverse planttypen, hun vermogen om de toekomstige kwaliteit van een katoenoogst te voorspellen alleen maar zal verbeteren.