— 生态 · 农业 · 健康 —
时间：2023-12-27
作者：球速体育
点击量：
简介：根系是植物地下部分为适应陆地生活恒久进化而形成的营养器官，具有支撑地上部分的基本作用，不但在水、矿物质和碳水化合物的吸收、转化和贮存中发挥着重要的作用，还能够稳定植物体并与土壤形成物理和化学联系 。
根系是植物地下部分为适应陆地生活恒久进化而形成的营养器官，具有支撑地上部分的基本作用，不但在水、矿物质和碳水化合物的吸收、转化和贮存中发挥着重要的作用，还能够稳定植物体并与土壤形成物理和化学联系 。有研究学者认为，优良根系的品种有利于提高产量稳定性、资源利用效率及对情况胁迫的对抗力[1]，根系也被作为育种目标 。根系的形态，例如根长、根系体积、根系直径和根干物质，可以反应根系的健康情况 。当植物受到胁迫时，根系会爆发一系列生长和发育、形态、生物量以及生理生化代谢变革以适应胁迫条件 。因此，更好地了解植物根系和根际历程有助于提高植物生产和可连续土壤治理的资源效率 。
根系研究的要害在于使植物“隐藏的一半”能被可视化和量化 。
常用根系表型研究要领及其成像图
古板植物根系的研究要领包括挖掘法、定位法、土钻法等，通过挖根、洗根等操作后对根系进行形态学、生理生化等方面的研究，此类要领不但破坏性大、耗时长、取样本钱高，且保存一定的局限性[2] 。近年来，无损成像要领在植物科学中变得越来越流行 。古板上局限于RGB成像的高通量应用正在向更宽的光谱规模生长，从而能够对根际身分进行化学成像[3,4]，也为地下根系的研究提供了新的途径 。
为了解决古板根系研究要领所保存的缺陷并便当对根系进行成像，市场上泛起了一系列产品，如人工培养基（琼脂、抽芽纸、水培等）培养植物幼苗的要领，但该要领植株的生长条件受到人们的质疑；微根窗技术是一种非破坏性、定点直接视察和研究植物根系的要领，是活体根系监测、根系动态生长监测最主要的要领之一 。但该要领的缺陷在于窗面及视察深度都比较有限，且在根系生长历程中可能会爆发大宗细根围绕在玻璃管周围，影响视察的准确性[5-7] 。因此，基于根窗技术，填土根箱成像系统应运而生，用于植物根系成像 。
基于根箱栽培的植物根系表型RGB成像保存一个缺陷，即需要依赖于根与土壤足够的比照度才华进行自动支解 。而高光谱成像数据能够克服根与土壤支解困难的问题，能够对根系表型及生化性状身分进行成像剖析 。
根系表型研究要领比照
| 根系研究要领 |
优点 |
缺点 |
代表性仪器 |
| 挖掘法、土钻法 |
经济本钱低 |
破坏性；耗时耗力； |
WinRhizo洗根图像剖析系统 |
| 微根窗法 |
非破坏性； 定点视察 |
窗面尺寸小 |
MS-190超高清微根窗相机系统 |
| 根箱栽培法 -RGB成像 |
非破坏性； 可实现高通量剖析 |
图像自动支解依赖于根与土壤的比照度 |
PlantScreen高通量植物表型系统 |
| 根箱栽培法 -高光谱成像 |
自动图像支解； 可对根系身分进行化学成像 |
经济本钱略高 |
RhizoTron?植物根系高光谱成像剖析系统 |
基于此，球速体育生态技术公司结合近几年来国际先进高光谱成像技术立异应用（球速体育 SpectrAPP ? 项目）实验研究，开发了一款RhizoTron?植物根系高光谱成像剖析系统，该系统基于根窗技术，可对RhizoBox根盒培养的植物根系进行原位非损伤表型成像剖析，具备多功效高光谱成像剖析功效，可对植物根系进行高光谱和自发光荧光成像 。能够实现植物根系进行原位表型高光谱成像剖析和动态监测 �？捎τ糜谥仓旮党上衿饰觥⒖剐陨秆〖耙糯帧⒉〕婧π财燃案珊笛芯俊⑼寥澜峁辜把盅芯康攘煊� 。
RhizoTron?植物根系高光谱成像剖析系统可对生长于RhizoBox根盒（带根窗）的作物根系进行高光谱成像剖析和UV引爆发物荧光成像剖析（选配），可选配Thermo-RGB成像剖析及冠层表型成像剖析 。
RhizoTron植物根系高光谱成像剖析系统由主机系统和高光谱成像系统组成，其中主机系统包括系统平台（主机箱）、控制单位、样品托、数据处理效劳器等组成；光谱成像系统由光谱成像单位（包括成像传感器、光源、云台等）和自动扫描轴组成 。
1）基于RhizoTron?根窗技术的高光谱成像剖析技术，配有植物培养�？�，由样品托盘、适配器、差别规格尺寸RhizoBox根系视察培养根盒组成，或自己制作培养根盒；可选配多通道智能LED培养台
2）标配为60度倾斜自动扫描成像（与植物培养角度一致），同时对RhizoBox根系和幼苗进行高光谱成像剖析和RGB成像剖析，可选配其它角度如45度、70度和90度（笔直扫描成像）
3）可对根系进行UV-MCF紫外光引爆发物荧光高光谱成像，以研究剖析根系运动及根系与土壤互作关系、荧光假单胞菌等AvrahamAlonyandRaphaelLinker,2013）；或选配根系Thermo-RGB成像剖析
4）可选配顶部冠层RGB成像剖析、红外热成像剖析、高光谱成像剖析、叶绿素荧光成像剖析（可选配适于正常培养盆的样品托）
5）可选配iPOT数字化植物培养盆或RhizoBox根系培养盒，连续监测土壤水分温度、重量、植物生长、光合效率、PI（performanceIndex）、茎流等生理生态指标，可自动收罗土壤渗漏水并进行土壤营养盐剖析
6）�？槭浇峁�，具备强大的系统扩展功效，系统平台自动万向脚轮，便当移动
7）可远程控制（选配）、自动运行数据收罗存储等功效
1)控制单位为嵌入式操作系统，可进行双重控制（触控屏+PC端全中文GUI软件），实现远程操控相机及平台
2)自动扫描轴推扫速度与精度：1-40mm/s，移动精度1mm，有效扫描规模：标配100cm
3)高光谱成像（标配400-1000nm，可选配900-1700nm）可成像剖析植被生理生化指标、健康指数、光合利用效率、植被胁迫、水分、氮素等指数 。配备PhenoRoot根系剖析软件，如需对地上部分进行同时剖析，可选配SpectrAPP剖析软件
4）标配RGB彩色成像：区分率2448×2048像素，配备专业植物根系剖析软件
5）SpectrAPP?高光谱成像剖析软件：进行光谱融合、ROI选区剖析、光谱剖析、频率直方图、自动识别差别波段峰值，可剖析近百种光谱指数，凭据需求定制添加光谱指数，同时能够剖析根系表型数据
6）PhenoRoot根系剖析软件，可剖析根长、根系最大宽度、凸包面积、根系总长、根系面积（生物量）、根系剖面剖析（根系密度）等
7)Thermo-RGB成像融合剖析（选配），包括Thermo-RGB融合剖析软件，红外热成像区分率：640×512像素；丈量温度规模：-25℃－150℃；光谱规模：7.5－13.5μm
8)多通道智能LED培养台，RGBW四通道智能调解LED光源，0-100%可调，可模拟昼夜节律、差别光配方等，最大光强300μmol/m2·s
9)叶绿素荧光成像单位（选配），专业高灵敏度叶绿素荧光成像CCD，帧频50fps，区分率720×560像素，像素巨细8.6×8.3?m，可自动运行Fv/Fm、Kautsky诱导效应、荧光淬灭剖析、光响应曲线等protocols，自动丈量剖析50多个叶绿素荧光参数，包括：Fv/Fm、Fv’/Fm’、Y(II)、NPQ、qN、qP、Rfd、ETR等，自动形成叶绿素荧光参数图
10)系统平台规格：标配约145cm×60cm×160cm（长×宽×高）、重量约50kg
左图为顶部冠层高光谱成像（NDVI），右图为根系成像提� 。‥coTech?实验室提供）
以甜菜为实验工具进行了实验，对其根系进行RGB成像和高光谱成像（900-1700nm），划分进行了形态剖析和生化性状进行剖析[8] 。
1）形态剖析：以手动支解作为参考，使用RGB和高光谱图像跟踪甜菜根系的生长、形态和结构，发明基于RGB自动支解并不可很好的区分老根和土壤，跟踪根系总根长误差为6.94%；高光谱成像通过光谱比率获得根系的二值图像进而对根系长度进行剖析，误差仅为1.5% 。使用紫外灯（UV）与模拟太阳光照射获得的根系可视化图像，发明在明亮配景下UV图像更易识别根系 。
左：RGB原始图像；中：(A)使用绘图板手动支解根系，(B)顶部支解不良的旧根轴区域，(C)图像底部正确支解的新根轴，(D)基于RGB获得的二值图像；右：基于高光谱获得的二值图像
UV和模拟太阳光根系可视化图像 。(A): UV；(B): 模拟太阳光
2）生化性状剖析：对差别爆发位置及成熟度的根系和土壤的平均光谱进行剖析，发明三种根系光谱曲线保存显著差别，且1100nm四周新侧根与主根泛起吸收峰，而老根并未泛起 。但老根与土壤反射曲线趋势较一致，在水分吸收区域（1450nm）四周，根系光谱斜率高于土壤 。同时，它使用差别含水量土壤校准根盒的平均光谱进行校准，从而绘制根箱上水分漫衍图 。
左：三个根ROI(老根和新侧根、主根)和两个土壤ROI(根箱的顶部和底部)的平均光谱；右：根箱上的水分漫衍图 。
以小麦为实验工具，对植株进行扦插处理，扦插后14、28、47、94、101和201天对根箱的上三分之一进行高光谱成像（900-1700nm)和RGB成像，划分进行了形态剖析和生化性状进行剖析[9] 。
1）形态剖析：使用WinRhizo对根长度进行结构量化，以手动支解作为参考，划分使用高光谱图像和RGB图像对根系可见根长度进行预测，结果体现，基于RGB支解为83.4%，光谱支解为77.0% 。但两种支解要领的斜率没有显著差别（P=0.225） 。标明两种要领在预测此处使用的基质的可见根长度方面具有相似的性能 。
通过自动光谱和颜色支解要领预测人工跟踪的可见根长度
2）生化性状剖析：基于光谱特征，使用决策树模型对根像素的径级类别进行预测，其训练集为r=0.86，验证集r=048；基于一阶导数差分光谱（1649-1447nm）构建根系腐败时间指数模型，使用修剪后28天和101天的光谱数据作为验证集，其r2=0.96 。
左：根光谱反射率的径向模型，使用从中心到界限以0.2 mm增量的八个径向类的训练决策树模型并进行分类 。整个根图像上的白色帧体现顶部和底部特写部分的位置；右：光谱反射率(一阶导数差谱1649~1447nm)与衰减时间(拍摄后天数)的关系
以甜菜为实验工具对其根系进行高光谱成像（900-1700nm)，同时测定与实验相同土壤的根箱中的差别土壤含水量及高光谱成像，以此作为训练集对含水量模型进行训练，对根箱的每个土壤像素的含水量进行预测；以油用萝卜作为实验工具，使用化学计量剖析对根系差别时间后腐败的光谱特征进行识别，通过光谱的时间变革推清除系腐败情况[10] 。
左：根箱土壤含水量预测；右：油用萝卜笼罩作物高光谱图像根系剖析剖析 。(A)上图:三个时间点的原始光谱和一阶导数 。下图:基于1040和1450 nm一阶导数差分光谱的衰减函数 。(B)所示光谱的三次示例图像 。
以差别基因型扁豆为实验工具，划分进行RGB成像和高光谱成像（550-1700nm），研究高通量表型技术评估霉菌根腐病的严重水平，以快速鉴别耐药基因型 。设置比照组和实验组，培养14日后实验组接种黄芽孢杆菌，比照组施以清水 。接种14日后使用0-5疾病评分量表对根系进行评分，作为地面参考数据[11] 。
霉菌根腐病严重水平量图
RGB图像：通过提取特征变量对植物生物量研究，发明投影面积与植物生物量有很强的相关性，与地下生物量相关性高达0.9，地上生物量相关性为0.84；对根系病害水平进行预测，发明其R2抵达0.67，而通过地上部特征变量进行预测，其R2仅抵达0.23 。
GH_LSP和GH_RIL小扁豆面板RGB图像投影面积与植物根、茎干重的相关性
高光谱图像：通过提取感兴趣区的光谱，发明从地上样品的高光谱反射曲线来看，健康和熏染的样品光谱反射曲线相差较小，而根系的光谱曲线差别较显著 。使用归一化差别光谱指数（NDSI）对根系疾病水平进行预测，其R2抵达0.54，使用地上部光谱特征进行预测，其R2仅为0.27 。
小扁豆的平均反射光谱(GH_LSP和GH_RIL数据) 。(A)GH_LSP基因型小扁豆新梢的平均光谱曲线 。(B)GH_RIL基因型小扁豆新梢的平均光谱曲线 。(C)GH_LSP基因型小扁豆根系的平均光谱曲线 。(D)GH_RIL基因型小扁豆根系的平均光谱曲线 。
小扁豆叶、根图像RGB和高光谱特征的预测性能 。
|
|
Region of interest |
Training set |
Test set |
R2 |
RMSE |
| RGB |
shoot |
GH_LSP(80%) |
GH_LSP(20%) |
0.53 |
0.88 |
| root |
0.73 |
0.66 |
|||
| 高光谱 |
shoot |
0.27 |
1.08 |
||
| root |
0.54 |
0.86 |
以油菜为实验工具，对叶片和根系划分进行高光谱成像，对根系图像进行比值运算（根部：861.96/480.46nm），油菜叶片和根的支解阈值t划分为1.3和1.6，使根系与配景进行图像支解 。划分建立支持向量机（SVM）和SAE深度神经网络对样品中的铅（Pb）含量建立模型并预测，发明SAE深度神经网络模型精度较高 。在SAE模型的基础上使用迁移学习的要领获得T-SAE模型，并对油菜叶片和根系中的Pb含量进行预测，发明其精度有所提升，油菜叶片抵达0.92，根系达0.93 �；诖丝梢苑⒚鞲吖馄壮上窦际踅岷仙疃壬窬缒芄欢杂筒酥参镏械闹亟鹗鬚b进行定性定量检测[12] 。
差别铅浓度胁迫下油菜样品的高光谱曲线 。注:(A)和(B)划分代表油菜叶片和根系的ROI高光谱信息 。别的，(C)和(D)划分代表了差别铅胁迫下油菜叶片和根系ROI的平均高光谱信息 。
铅含量预测的最佳T-SAE模型 。注:(A)和(B)划分代表了用T-SAE模型预测油菜叶片和根系铅含量的最佳结果 。
球速体育EcoTech?实验室技术人员以一株野生型元宝槭幼株为样本，收罗900-1700nm高光谱数据，并对其进行光谱成像剖析及根系形态剖析 。
左：样本RGB照片；中：归一化氮素指数（NDNI）；右：比值指数R1100/R1450
植株差别部位的900-1700nm反射光谱
基于SpectrAPP软件的根系剖析结果 。左图为R1100/R1450，显示了根系差别部位的水分漫衍状态，右图为根系形态剖析结果
[1] Kutschera, L. Wurzelatlas mitteleurop?ischer Ackerunkr?uter und Kulturpflanzen. DLG-Verlags-GmbH, Frankfurt am Main (1960).；Kenrick, P., & Strullu-Derrien, C. Theorigin and early evolution of roots. Plant Physiol. 166, 570-580 (2014).
[2] 秦天元, 孙超, 毕真真等. 植物根系成像技术研究进展及马铃薯根系研究应用前景[J]. 核农学报, 2019, 33(02): 412-419.
[3] Dhondt S, Wuyts N, Inzé D. Cell to whole-plant phenotyping: the best is yet to come. TrendsPlant Sci. 2013; 18:428–39.
[4] Pierret A. Multi-spectral imaging of rhizobox systems: new perspectivesfor the observation and discrimination of rhizosphere components. Plant Soil. 2008; 310: 263–8.
[5] Vamerali T, Ganis A, Bona S, Mosca G． An approach to minirhizotron root image analysis［J］． Plant and Soil, 1999, 217( 1/2) : 183－193.
[6] Johnson M G, Tingey D T, Phillips D L, Storm M J. Advancing fine rootresearch with minirhizotrons [J].Environmental and Experimental Botany, 2001, 45( 3) : 263－289.
[7] 秦天元, 孙超, 毕真真等. 植物根系成像技术研究进展及马铃薯根系研究应用前景[J]. 核农学报, 2019, 33(02):412-419.
[8] Gernot B , Mouhannad A , Alireza N , et al. RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setupand Imaging Protocols. [J]. Journal of visualized experiments : JoVE, 2017, (126).
[9] Gernot B, Alireza N, Thomas A, et al. Hyperspectral imaging: a novel approach for plant root phenotyping.[J]. Plantmethods, 2018, 14(1).
[10] Gernot B , Mouhannad A , Alireza N . Root System Phenotying ofSoil-Grown Plants via RGB and Hyperspectral Imaging. [J].Methods in molecularbiology (Clifton, N.J.), 2021, 2264245-268.
[11] Advanced Imaging for Quantitative Evaluation of Aphanomyces RootRot Resistance in Lentil[J]. Frontiers in Plant Science, 2019, 10.
[12] Nakaji T, Noguchi K, Oguma H. Classification of rhizosphere components using visible–near infrared spectral images. Plant Soil. 2008; 310: 245–61.
西安研发中心
微信民众号
业务咨询
微信号
球速体育公司
微信民众号
球速体育公司
视频号
联系球速体育：
地点: 北京市海淀区高里掌路3号院6号楼1单位101B
电话: 010-82611269/1572
手机: 13671083121
传真: 010-62465844
Email: info@eco-tech.com.cn
友情链接：
