方法論記事

RGB とスペクトルのルート画像植物表現型解析および生理学的研究: 実験概要およびイメージ投射プロトコル

17.3K 閲覧数

⸱

DOI：

10.3791/56251

⸱

2017年8月8日

 ,  ,  ,  , 
1Division of Agronomy, Department of Crop Sciences, University of Natural Resources and Life Sciences, 2Carinthian Tech Research AG, High Tech Campus Villach, 3Computational Science Center, University of Vienna, 4Simulationswerkstatt

この記事について

サマリー

RGB とハイパー スペクトル イメージング植物根系の生育する土壌の評価の実験的プロトコルが表示されます。ケモメトリック ハイパー スペクトル情報かシリーズ スキャン RGB 画像の時間の組み合わせは、植物根の原動力に洞察力を最適化します。

要約

植物根のダイナミクスの理解は、農業のシステム リソースの使用効率を向上させ、環境ストレスと作物品種の抵抗性に不可欠です。RGB と根系のハイパー スペクトル イメージングの実験的プロトコルが表示されます。アプローチは、植物が完全に発達した根系を観察する長い時間をかけて自然な土で育つ rhizoboxes を使用しています。水ストレス下の rhizobox 植物を評価し、根の役割を研究するため実験的設定が挙げられます。時間をかけて根の安くて簡単な定量化のため RGB イメージング セットアップを説明します。ハイパースペクトル イメージング センサーは RGB 色の閾値と比較して土壌の背景からルート セグメンテーションを向上させます。ハイパースペクトル イメージング センサーの特定の強さはケモメトリック根土壌システム機能の理解のために情報の取得です。これを高解像度水コンテンツ マッピングを示します。分光イメージングはしかし画像の取得・処理・解析の RGB のアプローチに比べて複雑です。両方のメソッドの組み合わせは、ルート システムの包括的な評価を最適化できます。植物の表現型解析と植物の生理学的研究のコンテキストの根と地上部の形質を統合するアプリケーションの例のとおりです。別の光源を使用してより良い照明と RGB 画像の品質を最適化することによって、スペクトル データからルート ゾーンのプロパティを推測する画像解析法の延長によってルート イメージングのさらなる改善が得られます。

概要

根植物のストレージなどのいくつかの重要な機能を提供する同化、土壌、および吸収における陸生植物の定着と水と栄養分の1の輸送。進化の観点から根の形成は土地の植物2の起源のための基本的な前提条件と見なされます。歴史的に、この重要な役割にもかかわらず根は生物学の研究だけ縁の位置を占めています。近年、しかしが高まって図 1からわかるように植物根系の科学的関心。

figure-introduction-1
図 1: ルート植物科学研究の関連性。
最後の十年にわたって科学雑誌にすべて公開された植物研究の割合としてルート数の関連の研究。Scopus キーワード「植物」と「植物とルート」を使用してからの結果を検索します。この図の拡大版を表示するのにはここをクリックしてください。

2 つの主な理由は、根研究の最近の進歩の根底にあると仮定できます。まず、地上の植生は、地球変動3の結果としてより頻繁に環境ストレスにさらされます。農作物生産のコンテキストでグローバルに約農業の面積の 30% が水とリン4,5によって制限されることが推定されます。収穫量の応力低減効果は、天水農業生態系6の潜在的な生産性の低い 50% で推定される世界的に大幅な収量のギャップの主な理由です。低リソース可用性に加えてこれは、不適切なリソース利用効率、利用可能なリソース7を悪用する植物のすなわち十分な能力にも関連します。その他の生態系に悪影響を硝酸などモバイル リソースの損失でこの結果します。たとえば、現在の地球規模の窒素利用効率は 478と推定されます。良いリソース使用効率改善された管理のメソッドを介して、品種は両方のための高い重要性の環境の持続性に関しては同様に農業の出力の成長を持続します。このコンテキストの植物の根は、改良された作物の作付システム9,10の主要なターゲットと見なされます。

植物の根における最近の関心の 2 番目の重要な背景は、測定方法における技術の進歩です。Root メソッドは、2 つの主要な課題で長い制限されている:11、洗濯によって大抵定量化, 分離する有した土壌で育つ植物からの根の測定のために起こし根の建築配置。発掘を使用してその場でルート観察植物説明12土壌における根の自然な場所を節約の方法が使用されています。まだ彼らは非常に時間がかかる、従って比較構造機能ルート システム分析のスループットの要件を満たしていません。一方、ルート アーキテクチャ測定用高スループット方法ほとんど行われた実生植物13人工培植物の自然な成長環境への外挿が疑わしい14。

根研究の最近のブームは、方法15のイメージングの進歩に密接に結びついた。ルート研究のアプローチをイメージングすることができます約 3 つのタイプに分類します。最初16CT や MRI などの高解像度 3 D 方法があります。これらのメソッドは、干ばつによる木部塞栓症17など、土壌と植物の根の相互作用過程の研究に最も適しています。通常、彼らは詳細な観測ができる比較的小さいサンプルに適用されます。異なるサイズの鍋および細根画像診断用 CT と MRI の比較は、18で提供されます。第二に、高スループットのイメージング方法19,20があります。これらのメソッドは主に基づいて一般的な RGB 画像人工メディア (ゲル、発芽紙) の成長の根の高コントラストがルーツと背景との間の比較的単純な郭清を可能します。彼らは標準化された人工成長条件13の下で別の作物品種の苗ルートの特徴の高スループット比較に適しています。Rhizobox メソッドは、これらの 2 つのアプローチの間に: 中スループット21,22を長い期間にわたって土壌で育つ根の 2次元イメージングを使用しています。(2 D) ルート イメージングへの最近の課題は、また構造23の説明に加えて、ルート機能の指標をキャプチャすることです。

本論文では rhizobox (i) 安くて簡単なカスタム RGB 画像設定と (ii) より複雑な近赤外イメージング セットアップを使用して根系の成長をイメージングの実験的プロトコルを提案する.これらの 2 つの設定から得られる結果の例は表示され、植物の表現型解析と植物生理学的研究のコンテキストで説明.

プロトコル

1. 植物成長のためのリゾボックス

注：本実験系では、根のイメージングのために植物を栽培する根圏ボックス（rhizoboxes）を使用します。まず、ボックスの設計と使用する基質について説明し、次に充填手順の詳細について述べます。

  1. リゾボックスの設計
    1. 厚さ15 mmのグレーPVC製背面プレートとサイドフレームを用いて、リゾボックス（図 2）を製作する。ボックスのサイズは30 mm x 10 mmとする。前面窓には6 mmのミネラルガラスを使用し、サイドウォールにネジ留めしたメタルレールでPVCフレームに固定する。
    2. 余剰水を排水するため、底面フレームに3つの穴を設ける。これらの穴は、必要に応じてプラスチックネジで閉じることができる。
    3. 充填前に、PCマルチウォールシートを挿入してリゾボックスの内径（10 mmから30 mmの間）を調整する。システム全体の重量（土なしの状態でのリゾボックスの重量は13.2 kg）を軽減するため、ほとんどの作物において10 mmの内空間を設けることが推奨される。

PVC、ガラス、複層ポリカーボネート板を用いた壁構造図；排水設計；寸法標記あり。
図2：リゾボックス実験システムとその構成要素。
左図はリゾボックスの寸法を、右図はその構成部品を示しており、グレーのPVC製背面プレートとサイドフレーム、前面のミネラルガラス、内径を調整するためのマルチウォールシート、および前面ガラスを背面コンパートメントに固定するための金属製アングルで構成されている。 この図の拡大版を表示するには、ここをクリックしてください。

  1. 基質
    1. 2 mmの粒子サイズにふるった圃場土（本実験では、石灰質チェルノーゼムのシルト質ローム表層土を使用）でリゾボックスを満たす。
    2. リゾボックスを開き、あらかじめ加湿した基質を用いて、水平状態で内側コンパートメント（背面プレートとサイドフレーム）に基質を充填する。上部の開口部から基質を注いで垂直状態で充填すると、微細粒子と粗大粒子の間で層状化や偏析が生じるため、水平に充填してこれを回避する。
    3. 充填前に基質をあらかじめ加湿する。基質（特にシルトおよび粘土含有量）の種類に応じて、表面の塗りつぶしや構造の劣化を防ぐため、含水率は0.12-0.18 cm3*cm-3を超えないようにする。基質をリゾボックスに充填した後、事前混合時の含水率と目標含水率との差分を添加する。
      注：(天干)乾燥基質で充填し、その後に全量的に水を添加する方法は、基質の激しい沈下や大きな亀裂の形成を招く可能性があるため、推奨されない。
  2. 充填のステップバイステップ例
    1. 目標含水率を決定する。ここでは、植物が水不足の影響を受けない80%植物利用可能水分量（PAW）に初期設定する。
    2. 基質の圃場容水量（FC）と永久萎凋点（PWP）を決定する。ここでは、リゾボックスと同等の高さ（10 cm）のPVCチューブを用いてFCを求める。
      1. チューブの底部を小さな排水穴のあるスタブで閉じ、微細な基質による穴の閉塞を防ぐために砂利を1 cm加え、リゾボックスで使用したものと同じ仮比重（1.3 g cm-3）で基質を充填する。
      2. 排水が起こるまでチューブに水を飽和させ、蒸発を防ぐために上部の開口部をラップで覆い、平衡に達するまで2日間放置する（得られた含水率は定義上、圃場容水量に等しい）。本実験の土壌で得られた圃場容水量の値は0.357 cm3 cm-3であった。
        注：PWPにおける含水率は、標準的な土壌物理学的手法（例：プレッシャープレート法24）または土性に基づくペドトランスファー関数25からあらかじめ知られている必要がある。ここでは、使用した土壌について0.12 cm3 cm-3とした。
      3. プレッシャープレート抽出でFCを測定する場合、リゾボックスの形状（高さ10 cm = 10 hPa）に対応させるため、h=-30 hPaではなくマトリクスポテンシャルh=-100 hPaでの含水率を採用する。
      4. 80% PAWにおける含水率（WC）を計算する：WC (cm3 cm-3) = 0.80 (FC-PWP) + PWP。本実験で使用した土壌の水理学的限界では、80% PAWにおける体積含水率は0.31 cm3 cm-3となる。
      5. リゾボックスの体積2850 cm3（幅30 cm、内側スペース1 cm、高さ95 cm、上部5 cmは灌水用に基質を入れずに空けておく）に対する水量を計算する。これにより、20 °Cで水の密度を1.0 g cm-3とした場合、水量は83.5 cm3、すなわち83.5 gとなる。
    3. リゾボックスに充填する仮比重（db）を決定する。ここでは、一般的な農耕地の圃場土に見られる値である1.3 g cm-3に設定する。このdbで2850 cm3のリゾボックス体積を充填するのに必要な乾燥基質量は、乾燥土3705 gとなる。
    4. 3705 gの乾燥土に40 gの水を加え、緩やかに混ぜて均一な水分分布を得ることで、乾燥土を重量含水率0.108 g-1（体積含水率0.14 cm3 cm-3に相当）まであらかじめ加湿する。粒子サイズを2 mm以下に保つため、大きな団粒は手で砕く。
    5. あらかじめ加湿した土を、開いたリゾボックスに充填し、ボックスの内側体積を覆うポリスチレンシート（30 x 10 x 1.5 cm）を用いて緩やかに圧密し、均一なdb 1.3 g cm-3にする。
    6. 目標含水率0.31 cm3 cm-3を達成するため、残りの水量（483.2 g）をスプレーボトルで表面に噴霧して添加する。表面構造の劣化を防ぎ均一に濡らすため、液滴を小さくする。噴霧中はボックスを電子天秤に乗せ、実際に基質に添加された水量を監視する。
    7. 水分が再分配されるまで10分間待ち、その後、表面にガラスを押し当ててサイドの金属レールで固定する。加湿基質を入れたリゾボックスの平均最終重量は17818 ± 68 g（リゾボックス重量13230 g + 乾燥土3705 g + 水83 g）であった。
      注：水平なボックス内で充填された均一な含水率は、ボックスが最終的な位置に設置されると、結果として生じるポテンシャル勾配に従って再分配される。これは、形状（高さ）に応じたすべての植物育成ポットにおける物理的プロセスであり、実験者は自身のポットの水理学について意識すべきである26。

2. 恒温恒湿室のセットアップ

  1. 気候室（図3）に、植物の最適な成長のために、40 nm（青）と60 nm（赤）にスペクトルピークを持ち、450 μmol m-2 s-1の均一な照度を提供する8つのLEDランプを設置します。

植物ストレス実験図；LEDセットアップ、気象観測装置、気孔コンダクタンス、飽和水蒸気圧欠損チャート
図3：ストレス実験用ライゾボックスを備えた環境制御チャンバー。
(A) 左図はLED照明、気象観測装置、およびPC（葉面湿度計のロギング用）を備えたチャンバー全体の様子、右図はリゾボックスを保持する金属フレームの拡大図。 45 ° 傾斜角度、およびライゾボックスのガラス窓を光から遮蔽するために使用される木製プレート。 (B) 大気要求量（高／低）と土壌水分利用可能性（高／低）の異なるストレスによる4つのステージを組み合わせた、テンサイを用いたストレス実験。平均気孔コンダクタンスを示す緑色のバーは、植物のストレス応答を示している。 この図の拡大版を表示するには、ここをクリックしてください。

  1. 植物および実験の必要性に応じて環境パラメータを設定します。ここでは、照明として明期14時間、暗期10時間としてください。植物の定着期およびストレス処理の開始前は、温度を昼間20° C、夜間15° Cに設定し、相対湿度を50 ± 8%に維持します。
  2. 適切な金属フレームを用いて、リゾボックスを45°の傾斜で設置します。これにより、重力屈性によって根がガラス面に向かって最大限に伸長します。
  3. 根の領域を暗所に保ち、ガラス面からの光による藻類の増殖を防ぐため、ガラス窓を木製プレートで覆います。

3. テンサイを用いた例：セットアップおよび処理

  1. 根が抽出されるまで、インキュベーター内 20 °C で濡れたろ紙の上にテンサイ種子を3日間置いて予芽させる。これにより、生存可能な植物を確実に播種できる。
    注：発芽勢が強い植物の場合、播種時に根を損傷させるリスクを避けるため、予芽は不要である。しかし、果皮が厚いテンサイ種子の場合は生存不能な種子のリスクが高く、予芽させることで、土壌への直接播種と比較して根の抽出を大幅に早めることができる。
  2. ドライバーを使用して、ライゾボックスの中央に土壌深さ約 1.5 cm の小さな穴を開ける。ピンセットを用いて、根を下に向け、かつガラス窓の隣に種子1粒を配置し（これにより初期の視認性が向上する）、土壌で軽く覆う。
  3. 灌水時の土壌団粒の崩壊を防ぎ、蒸発損失を低減させるため、土壌の上に 0.5 cm の細粒砂利（2-4 mm）の層を追加する。出芽を促進するため、種子を配置した箇所の土壌表面には砂利を置かないようにする。
  4. 定着を促進するため、10 g の水を加える。
  5. 定着期および初期成長期から実験的なストレス処理が始まるまで、2-4 日ごとにライゾボックスに灌水し、初期含水率を 80% PAW に維持する。
    1. ライゾボックスの重量を測定し、個々のボックスの初期重量に達するまで水を加えることで、必要な灌水量を決定する。手動で灌水する場合は、水やり中の表面構造の劣化を避けるため、ピペットを使用する。
  6. 設定した計画に従って、環境制御室にライゾボックスを配置する。本プロトコールは、完全ランダム化法（CRD）を用い、6 品種のテンサイを 5 反復で用いた実験に基づいている。
    1. 重量測定や灌水のために金属製ホルダーからライゾボックスを取り出すたびに、配置場所を変更する。これにより、環境制御室内の残留する（光の）不均一性の影響を回避できる。
  7. ストレス処理の開始時期とストレスの種類を決定する。ここでは以下の設定（Figure 4）を用いる。
    1. 根がライゾボックスの深さの約 75% を覆い、葉の測定に十分なキャノピーが発達した BBCH 15（5 枚の葉が展開）で測定を開始する。新しい設定への適応を確実にするため、各ステージを少なくとも 3 日間維持し、測定を行う。
    2. 非ストレス時の観察では、最適な土壌水分（80% PAW）と周囲条件（温度 20° C/15° C、相対湿度 50 ± 8% rH）の初期設定を維持し、日中の飽和水蒸気圧欠差（VPD）を 1.28 ± 0.1 kPa とする（cf. Figure 3 C）。
    3. 温度を 27°C/20°C に上げ、rH を 35% に下げることで、大気要求を日中の VPD 2.45 ± 0.4 kPa まで高め、同時に土壌水分は 80% PAW に維持する。
    4. その後、灌水を停止することで、ライゾボックスを水分量 0.215 cm3 cm-3 に相当する 40% PAW まで乾燥させる。大気要求が低い（VPD 1.28 kPa）初期の周囲条件にリセットする。
    5. 大気要求を VPD 2.45 kPa まで高め、土壌水分を 40% PAW に維持することで、ストレスを組み合わせる。

4. 根のイメージング法

  1. ターゲットとする情報に応じて、それぞれの利点を活用するようにイメージング手法を組み合わせてください。
    1. 可視光範囲（VIS）のRGBイメージングを適用して、根の成長、構築、および形態を時系列で追跡します。これには、暗黙的に頻繁な測定が必要となります。RGBイメージングの利点は、(i) 低コストであること、(ii) 画像取得が迅速であること、(iii) ハードディスクの容量要求が低いこと（画像サイズ：48 MB）、(iv) 高解像度であること（3648 x 5472 ピクセル）です。
    2. 根および土壌のケモメトリクス的な特徴が必要な場合は、近赤外（NIR）領域のハイパースペクトルイメージング（HSI）を使用します。利点は、(i) 根と土壌背景をセグメンテーションするためのスペクトル特徴が得られること、および (ii) 物理化学的なシステム特性（例：土壌含水率、根の樹齢）にアクセスできることです。欠点は、(i) スキャン時間が長いこと（1つのリゾボックスあたり約16分）、(ii) データセットのサイズが大きいこと（1つのリゾボックス画像あたり13.7 GB）、(iii) NIRカメラの解像度が低いこと（320 x 256 ピクセル）、および (iv) データ解析の複雑さが増すことです。
  2. RGB根系イメージング
    1. イメージングボックスを使用し（図4周囲の光を遮断し、カメラの位置を固定するための装置を用意する。この装置は、幅1m、高さ1mの金属製フレームで構成され、側壁にはプレスボードが貼られている。前面において、リゾボックスから80cm離れた2か所にカメラを固定する。
      1. 透明粘着テープを用いてメジャーをリゾボックスのフレームに貼り付け、リゾボックスをイメージングボックスのホルダーに設置してください。
      2. 4本の24 W蛍光灯をリゾボックスから80 cmの距離に設置し、リゾボックスを照らします。また、根と（明るい色の）基材背景とのコントラストが低い場合に備え、根の自家蛍光を利用した代替照明として、4本の15 W UVランプをリゾボックスから20 cmの距離に設置します。
      3. ライゾボックスの上半分と下半分をカバーするように、約3 cmのオーバーラップを持たせて、2枚の画像（上部および下部の位置）を撮影します。
    2. イメージングボックスの各位置にクイックリリースプレートで固定したデジタル一眼レフカメラを用いて、RGB画像を取得します。
      1. 蛍光灯を使用する際は、以下の設定を適用してください。寸法や照明条件、およびカメラモデルの変更に応じて、これらの例示設定を調整してください。
        1. カメラレンズのオートフォーカスと手ぶれ補正機能をオフにします。カメラをマニュアルモードに設定してください。
        2. ISO感度を50に設定します。シャッタースピードを13に設定します。絞りを5.6に設定します。
        3. ミラーロックをオフにします。ホワイトバランスをオートホワイトバランスに設定してください。
      2. UVランプを用いた照射には、以下の設定を使用してください。
        1. カメラレンズのオートフォーカスと手ブレ補正をオフにします。カメラをマニュアルモードに設定してください。
        2. ISO感度を10に設定します。シャッタースピードを13に設定します。絞り値を5.6に設定します。
        3. ミラーロックを解除します。ホワイトバランスを蛍光に設定してください。
    3. フォトエディター（例：Adobe Photoshop）を使用して、根圏ボックス（rhizobox）の上部と下部から得られたRGB画像を1枚の画像に統合します。根圏ボックスのサイドフレームにある目盛り線を使用し、重複する物体（根や土壌の特徴）を調整してください。
      1. 3648 x 5472ピクセルの2枚の独立した画像を、3648 x 1094ピクセルのサイズで背景を白にした新しいファイルにコピーしてください。
      2. 一方の画像のレイヤー不透明度を60%に下げ、画像が重なり合う部分（計測テープ、物体）を合わせます。その後、レイヤー不透明度を10%に戻します。
      3. 画像上の定規に基づき、根が存在しない画像上部に、正確に1cmの赤線を2本追加してください。これらの線は、後の画像解析において、画像を正しい長さの寸法にスケールするための基準として使用されます。
      4. すべてのレイヤーを統合し、切り抜きツールを用いて、土壌を充填したウィンドウの外側にある画像部分を削除します。
      5. 今後の解析のため、画像をTIFFファイルとして保存します。
      6. UV照射による画像の場合、ツールバーを使用して保存する前に色をグレースケールに変換してください。 調整-黒 & 白、および定義済みのものを選択し 高コントラストブルー フィルター
    4. 根と土壌背景のセグメンテーション、および目的の根の形質（例：長さ、表面積、直径、分枝）の定量化には、任意の根解析ソフトウェアを使用してください（利用可能なツールについては、www.plant-image-analysis.org を参照）。本手順では WinRhizo を使用しています。
      1. ソフトウェアで根圏ボックスのtiff画像を開きます。
      2. 画像に追加されたスケールバーを用いて、画像の長さスケールを校正します。
      3. 選択 色に基づく 「分析」メニューの選択画面にて 根 & 背景の区別
      4. 根と土壌（背景）に対応するカラークラスを定義したキャリブレーションファイルを作成します。ここで使用する例示画像（参照 図 83つの根の色クラス（古い側根、若い側根、主根）と3つの土壌の色クラスを定義します。
      5. グレースケール画像（UV照射）については、(i)を選択してください。 グレースケールに基づいた、および (ii) 黒い背景上の淡色の根 ～の中の 根 & 背景の区別 メニューを使用し、セグメンテーションのために局所的なLagarde強度閾値を適用します。
      6. 結果が保存されているデータファイルを開きます。
      7. 解析を実行し、その後、（エッジ部分などの）ミスマッチがある領域がないかを確認します。ミスマッチがある場合は、除外領域を設定して解析を再開してください。分類されなかった根がある場合は、カラークラスを追加して解析を再開してください。誤って根として分類された要素がある場合は、［設定項目/機能名］を有効にするか、値を大きくしてください。 デブリ & 粗いエッジ フィルタリングオプション

UVランプおよびハロゲンランプを備えた植物イメージング装置。根およびキャノピー解析用カメラマウント、リゾボックスホルダー。
図4：RGBライゾボックス画像を撮影するためのイメージングボックス。
左側は、内部に光源を備え、イメージング用にライゾボックスが取り付けられた前面の図。右側は、カメラが設置されている背面の図。 この図の拡大版を表示するには、ここをクリックしてください。

  1. ハイパースペクトル根画像解析
    1. ハードウェアのセットアップ
      1. ハイパースペクトル根画像解析システム（図5) は、(i) 90 nmから170 nmの分光範囲、320×256ピクセルの解像度、および10 Hzのフレームレートを持つ熱電冷却方式の14ビットモノクロNIRカメラと、(ii) 900 nmから250 nmの分光範囲および3.6 nmの分光分解能を持つイメージング分光計で構成される。ハロゲン線形照明源（50 Wのハロゲンスポット4個）を、～に配置する。 45°/-45° ジオメトリ。イメージングセンサーを2軸ポジショニングシステムに取り付けます。スキャンウィンドウのサイズは240 x 10 mmであり、つまりリゾボックスの各端から30 mmの範囲は画像に写りません。
      2. Matlabスクリプトを用いて、(i) ホワイトおよびダーク標準の取得、(ii) カメラ積分時間の設定、(iii) 空間分解能（ピクセルサイズ 0.1 mm または 1.0 mm）および分光分解能（分解能 3.6 nm の全2分光バンド、または分解能 14.8 nm の平滑化された54バンド）の選択、(iv) ライゾボックス上のスキャン領域の定義を行い、システムを制御する。
      3. 画像をSIFファイルとして保存します。大容量ファイルの保存時に問題が発生するのを避けるため、スキャンした各画像ストライド（1個のライゾボックスにつき9ストライド）を4つのセグメント（30 mmの長さが3つ、10 mmの長さが1つ）に分割し、ストライド番号（1〜9）とパート（1〜4）、および日時（YYYY.MM.DD HH:MM:SS）で構成される一意のファイル名で個別に保存してください。ライゾボックス1個分の全スキャンには、13.7 GBのハードディスク容量が必要です。
    2. 画像の取得および解析。
      注： 図6 画像取得、セグメンテーション、および解析の手順を示します。
      1. 画像取得は、最適な画質を得るためのカメラ設定の選択およびスキャンパラメータの定義で構成される。
        1. カメラソフトウェアを用いて、根圏ボックスのスキャンおよびホワイトスタンダードのカメラ積分時間を決定してください。
          1. イメージングGUIを開き、根が存在するライゾボックスの位置にカメラを移動させます。
          2. 明るい物体（根など）を捉えているカメラの積分時間を調整し、ソフトウェアに表示されるヒストグラムにおいて、カメラのダイナミックレンジの約85%が使用されるようにします。次に、カメラポジショニングシステムを移動させてホワイトスタンダードを捉え、同様の操作を繰り返します。その後、カメラソフトウェアを終了します。
        2. Matlab Imaging GUIを開き、現在のリゾボックススキャンのすべての設定を行ってください。本データにおいて使用した設定は以下の通りです。
          積分時間ホワイトスタンダード：10
          ライゾボックスの積分時間：40
          分光分解能：全分解能（すなわち2の狭帯域分光バンド）
          フル空間解像度（ピクセルサイズ 0.1 mm）
          1. 各イメージング実行前（例：1日1回）に、ダーク標準とホワイト標準を取得してください。ダーク標準はカメラのノイズを、ホワイト標準は最大反射率を表します。これらのデータは、前処理における画像の正規化に必要です。
          2. リゾボックス全体をスキャンするか、あるいは一部のみをスキャンするかを定義します。本ケースでは、リゾボックス全体をイメージングします。その後、スキャンを開始してください。
      2. Matlabスクリプトを用いて画像を処理します。スクリプトによって行われる操作について記述します。
        注：スクリプトは現在、未公開のバージョンとなっており、責任著者から入手可能です。適切なドキュメントが作成された後、責任著者が所属する機関のウェブサイト（www.dnw.boku.ac.at/pb/）からダウンロードできるようになります。
        1. 根を含む根圏ボックスの中心から、ストライドの4つの部分を統合し、ストライド全体の画像を構成してください。
          注：この段階では、リゾボックス全体の分光イメージ（すなわち全9ストライド）を使用することは必要ではなく、また推奨されません。ファイルサイズが大きいため、Matlabでの各計算ステップに非常に時間がかかることになります。画像解析の初期段階においては、中央の1ストライドに含まれる情報で十分です。
        2. 取得したダークおよびホワイト標準を用いて、また、スキャン中にファイルに自動保存されるホワイト標準とリゾボックス・スキャンの異なる積分時間を考慮して、画像を正規化します。
        3. 必要に応じて、画像からノイズを除去するためにスムージングフィルタを適用します。現在のスクリプトでは、3x3カーネルのメディアンフィルタリングおよび多重散乱補正が利用可能です。本稿で提示する画像評価においては、フィルタは適用していません。
        4. 記録されたすべてのスペクトルバンドで画像を表示して初期的な確認を行い、関心領域（ROI）を選択するために表示する波長を決定します（参照 画像セグメンテーション)
      3. 以下の手順を含む別スクリプトで、根と土壌背景のセグメンテーションを行ってください。
        1. セグメンテーションのための分光特性を特定するため、根と土壌の関心領域（ROI）を選択します。根と土壌のコントラストが良いことが事前に確認されている波長の画像を用いて、フリーハンド選択ツールでROIを指定します。ここでは、根に3か所（古い側根、若い側根、主根）、土壌に2か所（乾燥領域、湿潤領域）のROIを設定します。
        2. 選択したROIを含む矩形を表示し、それ以外の領域を黒色のマスクとして処理して、選択したROI画像をすべての波長で可視化します。
        3. 分光強度（スペクトル強度）が0（黒い画素）の画素を含むすべての行を、画像マトリックスから削除します。
        4. セグメンテーションのため、根と土壌のROIを、1つの前景（根）および1つの背景（土壌）マトリックスに統合します。
        5. 根の前景と土壌の背景を最も効率的に分離できる分光帯（単一スペクトルの強度または分光比）を探索する27バタチャリア距離を用いて、得られた根と土壌の画素ヒストグラムの差異を定量化する。28.
        6. ヒストグラムを分離する閾値強度を選択します。
        7. 選択したしきい値を元の画像に適用し、バイナリ画像を作成します。これにより、しきい値より強度が低いすべてのピクセルは0に、強度が高いピクセルは1に設定されます（これはスクリプトによって自動的に行われます）。
        8. バイナリ画像をtiffファイルとして保存します。
      4. バイナリ画像を開き、根の形質を解析します。(i)を選択してください。 グレースケールに基づいて、および(ii) 黒色の背景上の淡色の根 〜の中で 根 & 背景の区別 メニューと使用方法 グローバル強度閾値 （画像はすでに二値化されています）。
      5. ハイパースペクトルデータから含水率をマッピングするために、キャリブレーションデータセットを取得し、キャリブレーション方程式をリゾボックスの画像に適用します。
        1. ポリスチレンシートを用いてライゾボックスを5 cmの間隔で区切り、土壌（同一の基質および密度）を充填する。b （実験に使用した状態の）異なる含水率における図8).
        2. 土壌に混合する水の量をそれぞれ算出し、コンパートメントに充填してください（根圏ボックス全体について1.3で述べた手順と同様です）。
        3. 植栽したリゾボックスに使用した設定と同じ設定で、校正用リゾボックスをスキャンしてください。
        4. スクリプトを用いて、以下の手順を実行してください。
          1. ウォーターキャリブレーションボックスによる1ストライドの4つのパートを1つのストライドに統合し、ダーク標準およびホワイト標準を用いて正規化します。
          2. 含水率の異なる各コンパートメントにおいて矩形領域を選択し、それらを構造体配列に保存する。
          3. 水分含有量のコンパートメントを最も適切に区別するスペクトル特徴を決定します。これは、隣接する水分含有量の平均スペクトル間の強度差の全域最大値を求める探索アルゴリズムを用いて行います。
          4. 校正用リゾボックスの各含水率区画について、この特徴量の平均スペクトル強度値を算出してください。
          5. 直接測定された含水率と、それに対応する分光定量値を用いて回帰式を当てはめる。
          6. 根圏ボックス（rhizobox）画像において、根として分類されなかった各ピクセルに対し、上述の水分量と最も高い相関があることが判明した分光特性（バンド）を用いて回帰式を適用する。

光学分析のための分光計セットアップ；ハロゲン照明、リゾボックス、電源・モーションコントロールユニット。
図5：ハイパースペクトル根スキャナー
スキャナーの主要構成部品が示されています。小画像は、リゾボックスのイメージング中のカメラを示しています。 こちらの図の拡大版を表示するには、ここをクリックしてください。

ハイパースペクトルイメージング解析図：取得セットアップ、セグメンテーション、水分マッピング、ケモメトリクス解析。
図6：ハイパースペクトル根イメージングの手順。
ハイパースペクトル根画像解析は、(i) 画像取得、(ii) 画像セグメンテーション、(iii) スペクトルデータの解析、という主に3つのステップで構成される。 こちらの図の拡大版を表示するには、ここをクリックしてください。

種子発芽実験；ポリスチレンおよび発芽紙上の水分勾配
図7：水分校正用ライゾボックス
リゾボックスには、ポリスチレンシートで区切られた、含水量の異なる基質を含むコンパートメントが含まれています。乾燥コンパートメントに発芽紙を配置することで、土壌粒子が隣接するコンパートメントに流出するのを防ぎます。 この図の拡大版を表示するには、ここをクリックしてください。

5. 応用例

注：根の定量的情報は、植物のフェノタイピング（品種間比較）および植物生理学的研究の文脈で適用されます。以下に、これらの事例を例示するための地上部のデータを報告します。

  1. 葉面積：実験中の選択した段階で、葉の長さと幅を指標として非破壊的に葉面積を測定する。あるいは、キャノピー画像を使用することも可能である29。
    1. 実験終了時に、葉面積計を用いて、切り取った葉の面積とともに葉の長さと幅を測定する。データペアに回帰方程式を適用し、非破壊的な測定法を校正する。
  2. 乾物量：実験終了時に、植物体をハサミで切り取り、オーブン内で24時間105 °Cで乾燥させ、地上部乾物量を測定する。
  3. 気孔コンダクタンス：葉面ポロメーターを用いて気孔コンダクタンスを測定する。測定前に、センサーを周囲条件に順応させるため、デバイスを気候チャンバー内に少なくとも1時間保持し、チャンバー内の周囲設定を変更するたびにデバイスを校正する。1株あたり少なくとも3枚の葉から測定を行う。

結果

RGBおよびHSイメージングに基づいた根のセグメンテーションの例を示します。スペクトルイメージングについては、高解像度の水分マッピングの例を提示します。最後に、画像ベースの根のデータが適用される科学的なコンテキストを示す結果を示します。

RGBに基づく根の測定

図 8 は、テンサイ品種 Ferrara の根の RGB 画像時系列を示している。これらの画像には、リゾボックスの不均一な照明によるアーチファクトが見られ、左側が明るくなっている領域や、上下の画像の重複部分で明るさが異なっている箇所がある。

RGB根成長研究、テンサイ「Ferrara」、20～35日目、タイムラプス解析、成長ダイアグラム
図8：RGBイメージングによる根の成長時系列。
写真には、播種後日数（DAS）が異なるテンサイの品種Ferraraが示されている。画像には、左側および上下の画像間で照明が不均一であることによるアーティファクトがいくつか見られる。スケールバーは2 cmである。 こちらの図の拡大版を表示するには、ここをクリックしてください。

図 9 は、播種後（DAS）35日の品種Ferraraにおける、色しきい値に基づく根のセグメンテーションの詳細を示しています。参照用として（図 9A）、グラフィックタブレットを用いてすべての根を手動で追跡したバイナリ画像を示します。完全に発達し密集したテンサイの根系全体を手動で追跡するのに要した時間は、約4時間でした。図 9B は、古い側根が存在する画像上部の選択領域の拡大図です。ここでは、いくつかの根の軸が色のしきい値によって分類されていません。対照的に、白い若い根が支配的な下部（図 9C）では、色に基づくセグメンテーションによってすべての根の軸が適切に分類されています。二値化された根系（図 9D）では、左側に照明アーティファクトによる黒い領域が見られ、これは定量分析を実行する前に除外領域として定義されました。図 9E は、DAS 35日のFerraraのRGB画像における赤チャンネルの、選択した特徴（根対土壌）の対応するピクセルヒストグラムを示しています。根のピクセル（青色）は、明るい若い側根、暗い古い側根、および主根に対応する3つのピークを明確に示しています。古い側根と土壌背景の重なりが非常に強く、その結果、分類されない根の軸が生じています（cf. 図 9B）。

根のタイプと土壌の識別のヒストグラム分析を用いた、RGBカラーベースの根のセグメンテーション図。
図9：カラーしきい値を用いた根のセグメンテーション。
(A) グラフィックタブレットを用いて手動でセグメンテーションされた根系 (B) 上部にある、分節化が不十分な古い根軸の領域および (C) 画像の底部に適切にセグメント化された若軸があり、 (D) 色ベースの閾値処理によって得られた二値画像。 (E) RGB画像の選択した特徴におけるピクセルヒストグラム。根は青色のバーで示され、異なる根のタイプが明記されている。土壌は赤色のバーで示されている。AおよびDのスケールバーは2 cm、BおよびCのスケールバーは1 cmである。 この図の拡大版を表示するには、ここをクリックしてください。

手動でセグメンテーションを行った参照画像の総可視根長は1534.1 cmであったのに対し、色に基づく自動セグメンテーションによる総根長は1427.6 cmであった。

ここで示した事例では、UV照明によるグレースケール画像は利点をもたらさず、カラーしきい値処理（根の長さ：1679.7 cm）に比べて性能が劣っていました。古い根はセグメンテーションできず、おそらくUVランプの光強度が低いためか、画像により多くのノイズが含まれていました。しかし、自家蛍光が強く、背景基質が明るい若い根の場合、背景基質に砂を用いた別の実験から得られた画像（図10）に示されるように、UV照明は依然として選択肢となり得ます。

蛍光顕微鏡法；根の構造；左：青色調の共焦点画像、右：明視野画像。
図10：明るい背景で根を可視化するためのUV照射。
石英砂を満たしたリゾボックス内で生育させたデュラム小麦の根系の例。リゾボックスを以下の照明条件下で撮影した。 (A) UV光および (B) 蛍光灯。スケールバー、2 cm。 この図の拡大版を表示するには、ここをクリックしてください。

HSIを用いた根の計測

図 1に、3つの根のROI（古い側根、若い側根、主根）および2つの土壌ROI（根圏ボックスの上部および下部）の平均スペクトルを示す。

根の分光分析グラフ、正規化反射率 対 波長、土壌と根の比較。
図1：根および土壌の平均スペクトル。
根（3種類の根）および土壌（リゾボックスの上部および下部）の関心領域（ROI）から得られたスペクトル。ROIは、根と土壌を分ける最適なセグメンテーション基準を決定するために選択される。 この図の拡大版を表示するには、ここをクリックしてください。

主根および若い側根は、ほとんどのスペクトルバンドの強度において、背景とは大きく異なることが明らかです。一方、古い側根では強度の差がはるかに小さくなります。視覚的に推察できる特徴として、水吸収領域（1450 nm）付近のスペクトルの傾斜が異なることが挙げられます。ここでは、土壌のスペクトルと比較して、根のスペクトルの傾斜が高くなっています。さらに、10 nm付近の領域において、主根および若い側根のスペクトルには、古い側根では見られない変化が認められます。

図 12Aは、前景と背景のコントラストが最も強い分光比を特定した検索アルゴリズムの結果を示しています。1476 nm と 1076 nm のスペクトル比を用いることで、根と土壌を最も良好に分離できます。根の前景ピクセルと土壌の背景ピクセルの結果として得られたヒストグラムを 図 12B に示します。一部に重なりがあるものの、ほとんどのピクセルは土壌の背景から明確に分離されています。このヒストグラムに二峰性ガウス曲線を当てはめ、定量化にバッタチャリア距離を用いたところ、7.80 という値が得られました。3.0 を超える値は、信頼性の高い分離を可能にする強力な画像コントラストがあることを示しています28。

波長強度解析のためのスペクトルヒートマップおよびヒストグラム。光学放出データの解析。
図12：異なる分光バンド比における根の前景と土壌の背景の反射率の差、およびセグメンテーションに使用した分光比における画素ヒストグラム。
(A) 明るい色（黄色）は前景と背景の高いコントラストを示し、暗い色（青色）は低いコントラストを示します。ノイズのため、最初の15個のバンドは除外されています。赤線は、最もコントラストが高いバンド比を示しています。 (B) セグメンテーション分光比における根（青）と土壌（赤）の画素ヒストグラム。青色のバーは根を、赤色のバーは土壌を表す。強度の値は、分光バンド160に対する分光バンド49の比率に対応している。 この図の拡大表示はこちらをクリックしてください。

バイナリ画像（図13）は、ヒストグラム距離から算出された1.08という値で、特定された分光比にグローバル強度しきい値を適用することで作成されます27。この画像の根の長さを解析した結果、全長157.3 cmとなり、手動で追跡した参照画像と比較してわずか1.5%の誤差であることが示されました。

ニューラルネットワーク構造図、樹状突起樹、顕微鏡画像、ニューロン接続の可視化
図13：テンサイ品種Ferraraの根系の二値画像。
画像は、グローバルスペクトル閾値を適用して取得したものである。スケールバー（左下隅）は2 cmである。 この図の拡大版を表示するには、ここをクリックしてください。

根のセグメンテーションは、色ベースの情報に比べて分光情報を利用することで改善されましたが、ハイパースペクトル（HS）イメージングの主な目的は、ケモメトリクス的な画像特性の解析にあります。これは、リゾボックス画像の含水率のマッピングによって例証されます。

図14Aは、異なる含水率の土壌を満たした校正用リゾボックス（cf. 図7）内における各コンパートメントの平均スペクトルを示しています。スペクトルの形状はコンパートメント間で類似しており、つまり、ここではスペクトル比が必ずしもより安定した分類基準になるとは限りません。したがって、隣接する含水率間の平均差が最大となる単一のスペクトルバンド（1680 nm）における強度が、最適な分離基準として特定されました。このスペクトル波長におけるピクセルヒストグラムを図14Bに示します。

スペクトル解析グラフ；(A) 吸収スペクトル、(B) 湿潤・乾燥状態における強度分布。
図14：含水率校正のためのスペクトル特性
(A) 異なる含水率を持つ校正用リゾボックス内の9つの水分コンパートメントにおける平均スペクトル； (B) 隣接するコンパートメント間の平均距離が最大となるバンド216における、水コンパートメントのピクセルヒストグラム。 この図の拡大版を表示するには、ここをクリックしてください。

1680 nmにおける平均ピクセル強度と測定された含水率との関係を図15に示す。

土壌水分グラフ；指数近似、線形近似。含水率 対 反射率；圃場容水量、永凋点。
図15：分光反射率と体積含水率の関係。
図は、測定された含水率と分光反射率のデータペアを示しており、最も高い含水率（赤色の三角形）を除いたデータに対して、経験的曲線（線形および指数関数）をフィッティングさせたものである。 この図の拡大版を表示するには、こちらをクリックしてください。

スペクトル強度から高含水率を区別することは困難になります。0.30 cm3 cm-3 程度までの含水率に対しては、高い R2 を持つ有意な回帰（線形または指数関数）を適合させることができます。より湿潤な土壌条件を強度値から信頼性高く予測することは不可能です。反射率と含水率の間に指数関数的な関係があり、0.30 cm3 cm-3 を超える含水率に対して応答が低下するという同様の挙動は、他の研究30でも報告されています。

含水率の詳細なマッピングを施したリゾボックスの画像が図16に示されています。ここで4つの点に注目する必要があります。第一に、リゾボックスの根がある領域では、含水率が低い領域が見られます。第二に、最も激しい枯渇は単一の主根の周辺に集中しています。第三に、表面に根の軸が見えない場所でも枯渇帯が生じており、これは根が土壌に埋まっている領域であることを示しています。第四に、さらなる画像処理を行わないウォーターマッピングでは、土壌の凝集により斑点状の外観となります。これは、凝集体のスケールにおける不均一な含水率分布を示唆している可能性がありますが、表面形態が画像品質に及ぼす影響である可能性もあります。スペクトル画像におけるこのような形態学的影響を克服するために、ケモメトリックスを用いた画像処理技術という選択肢がありますが31、本研究で使用したMatlabスクリプトにはまだ実装されていません。

ニューロン構造図；神経ネットワーク解析における樹状突起分岐の詳細。
図16：リゾボックスにおける含水率のマッピング。
濃い青色は含水率の高い領域を示し、緑色から赤色の領域は含水率の低い領域を示しています。植物の根が画像上に黒色で重ねられています。スケールバー（左下隅）は2 cmです。 この図の拡大版を表示するには、ここをクリックしてください。

適用例

図17は、画像解析による根の定量的形質と地上部の測定値との関連を示している。

植物成長データの解析；根の長さ、表面積比、乾物量、気孔コンダクタンスのグラフ。
図17：根のデータの代表的な適用例。
(A) および (B) 表現型解析の文脈における、地上部・地下部の植物特性評価に使用される根の情報を示します。 (A) テンサイ品種Ferraraの根の成長を示す。 (B) 葉対根面積比を用いて、根圏ボックス（rhizobox）で栽培した6種類のテンサイ品種を比較する（1回の反復試行によるデータ）。 (C) および (D) 植物生理学研究に見られるような、形質間の機能的関係である。 (C) 葉根面積比が乾物生産に及ぼす影響を、および (D) 根の表面積と気孔コンダクタンスの相関。 この図の拡大版を表示するには、ここをクリックしてください。

図17A および 17B 地上部および地下部の包括的な植物特性評価に焦点を当てたフェノタイピングに関連しています。 図17A テンサイ品種Ferraraの根の成長を示す（参照 図8 （画像参照）。根系の拡大は、生育期の一定期間内に、品種が土壌体積を探索できる能力を示す。 図17B 6種のテンサイ品種における葉対根の表面積比を示しており、植物の供給源（根）と需要源（葉）のバランスを記述する指標となる。

図17C および 17D 生理学的研究において関心対象となる関数関係の例を挙げます。 図17C 葉対根の表面積比は、実験中に形成された乾物量と相関しており、乾物蓄積の制限要因として同化面が支配的な役割を果たしていることを示している。比較的高いR値が得られたにもかかわらず、有意ではなかった。2 これは、本研究で用いたペアデータの数が少ない（n=6）ことに関連しています。 図17D 根の表面積が大きい品種（吸収力が向上している品種）は、実験期間を通じて平均的に気孔コンダクタンスが高くなることが明らかになりました。根の面積が大きいことで、水分の抽出が維持され、その結果、気孔の開口時間が延長されると考えられます。

ディスカッション

プロトコルは、ルート システムのイメージングを栽培された土壌の 2 つの相補的なアプローチを提供します。信頼性の高い実験結果を得るのための重要なステップは、観測窓でタイトなルート-土の接触を提供し、エアー ギャップを避けるためにフロント ガラスでも、均一な基板層を確保するためには rhizoboxes の充填です。比較的細かいふるわれた土を使用する主な理由は、この < 2 mm: より大きな凝集体は、骨材間の空隙を持つ観測窓で高い表面形態。ルート ヒント脱水のリスクが高い、以外にもこれはまた水マッピング31のより複雑な画像処理技術を必要です。

プロトコルの変更従って rhizoboxes の向上と迅速な充填に焦点を当てます。現在充填時間ボックスあたり約 30 分です。さらにイメージングの側面より良い RGB 画像の照明の均一性を最適化するために変更からのため 2 枚のガラス窓で rhizoboxes の使用をテストします。ハードウェアをさらに拡張も33をイメージング rhizobox システム、容量と同様に、平面のバイオケミカル32の統合を検討するかもしれない。しかし、これは現在アップグレード以外は。

ソフトウェアの変更はヒューズの上部と下部の RBG 画像34にイメージの自動登録に焦点を当てます。ハイパー スペクトル イメージング高度な教師なし特徴抽出 Svm35テストより敏感なチャイルド ターゲット検出方法と同様、28をアプローチします。それによりハイパー スペクトル データは複数根と根圏土壌のプロパティの36の評価可能性のあるできます。さらにそれを目的とする (半) 建築形質 (分岐頻度、分岐の角度) および rhizobox ルートに基づく画像のルート システムの解析37形態を定量化するための修正バージョン (長さ、直径、表面) ソフトウェアを自動化します。

3 D イメージング技術と比較してプロトコルの主な制限は、表面の目に見える根および根圏プロパティに制限です。しかし21全体のルート システムの信頼性の高いプロキシに表示されているルートの特徴が実証されています。Rhizobox 技術は (洗濯) 総根系形質と表示の関係を検証するためにダイナミックな成長の終わりに伝統的な破壊的なサンプリングと簡単に結合されます。この関係は、21種の間で異なる場合があります、破壊的なサンプリングも別の作物の種を持つ、新しい表現型解析シリーズの目に見える特徴から信頼性の高い推論を確保するが推奨します。

ここで提示されたプロトコルの主な利点は、一時的解決の RGB 画像とルート機能 (例えば水通風管) ハイパースペクトル イメージング センサーからケモメトリック根と根圏データ経由での推論の潜在的なスループットが比較的高く、現実的な成長する条件 (土) の組み合わせです。それにより方法はハイスループット苗と非土根ながら部分的に以下の実験的複雑さと高度な 3 D 方法15と比べて高いスループット機能プロセス洞察深い表現、方法14をイメージングで推論の制限を克服します。

今後の実験では根系の発達と地盤構造物、窒素、炭素被覆作物種の表現型解析ルート特性に関してはマメ科植物と同様の機能に菌根菌の影響を検討するため、プロトコルが使用されますサイクリングします。

開示事項

著者が明らかに何もありません。

謝辞

著者らは、プロジェクト数 P 25190-B16 (干ばつ抵抗性の根) 経由でオーストリア科学基金 FWF から資金を認めます。ハイパー スペクトル イメージング インフラストラクチャの確立は、連邦政府の低いオーストリア (土地 Niederösterreich) K3-F-282/001-2012 プロジェクトを介してによって財政上支えだった。AGRANA 研究から甜菜実験を受けたために追加の資金調達 & イノベーション センター GmbH (ARIC)。著者は、実験と原稿の英文添削の中にテクニカル サポートのクレイグ ・ ジャクソンをありがちましょう。我々 はまた rhizobox マウントの建設のため RGB イメージング セットアップの確立に貢献したマーカス Freudhofmaier、ヨセフ Schodl を認めます。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
RhizoboxTechnisches Büro für BodenkulturExperimental builder
LED ランプ ATUM HORTI 600KlutronicAHI10600F
蛍光灯 HiLite T5 DayJuwel Aquarium86324
UV ライト チューブ Eurolite 45cm スリム 15 Wコンラッド593384 - 62
キヤノン EOS 6Dキヤノン オーストリア GmbH8035B024
Adobe Photoshop CS5 拡張バージョン 12.0 x32アドビシステムズソフトウェアアイルランド株式会社
WinRhizo Pro v. 2013リージェント・インスツルメンツ社
Xeva-1.7-320 SWIRカメラXenicsXEN-000105
Spectrograph Imspector N25ESpecim
ハイパースペクトルイメージングスキャナーCarinthian Tech Research AG実験ビルダーハイパースペクトルイメージングスキャナーとソフトウェアの設計と組み立て
Matlab R2106aMathworks画像処理、信号処理、統計、機械学習用のツールボックスを含む
AP4 ポロモエターデルタ-T-デバイス
LI-3100C エリアメーターLI-COR
BASF スタイラダー ポリスチレンシートオビ・バウマルクト9706318種類のポリスチレンシートや、異なる水分を含んだ土壌を分離する他の材料を使用することができます
異なる

参考文献

  1. Kutschera, L. Wurzelatlas mitteleuropäischer Ackerunkräuter und Kulturpflanzen. , DLG-Verlags-GmbH, Frankfurt am Main. (1960).
  2. Kenrick, P., Strullu-Derrien, C. The origin and early evolution of roots. Plant Physiol. 166, 570-580 (2014).
  3. Franklin, J., Serra-Diaz, J. M., Syphard, A. D., Regan, H. M. Global change and terrestrial plant community dynamics. PNAS. 113, 3725-3734 (2016).
  4. MacDonald, G. K., Bennett, E. M., Potter, P. A., Ramankutty, N. Agronomic phosphorus imbalances across the world's croplands. PNAS. 108, 3086-3091 (2011).
  5. Vörösmarty, C. J., Green, P., Salisbury, J., Lammers, R. B. Global water resources: vulnerability from climate change and population growth. Science. 289, 284(2000).
  6. Lobell, D. B., Cassman, K. G., Field, C. B. Crop yield gaps: their importance, magnitudes, and causes. Annu. Rev. Environ. Resour. 34, 179-204 (2009).
  7. Angus, J. F., Van Herwaarden, A. F. Increasing water use and water use efficiency in dryland wheat. Agron. J. 93, 290-298 (2001).
  8. Lassaletta, L., Billen, G., Grizzetti, B., Anglade, J., Garnier, J. 50 year trends in nitrogen use efficiency of world cropping systems: the relationship between yield and nitrogen input to cropland. Environ. Res. Lett. 9 (10), 105011(2014).
  9. Lynch, J. P. Roots of the second green revolution. Aust. J Bot. 55, 493-512 (2007).
  10. Comas, L. H., Becker, S. R., Von Mark, V. C., Byrne, P. F., Dierig, D. A. Root traits contributing to plant productivity under drought. Front. Plant Sci. 4, 442(2013).
  11. Metcalfe, D. B., et al. A method for extracting plant roots from soil which facilitates rapid sample processing without compromising measurement accuracy. New Phytol. 174, 697-703 (2007).
  12. Kutschera, L., Lichtenegger, E., Sobotik, M. Wurzelatlas der Kulturpflanzen gemäßigter Gebiete mit Arten des Feldgemüsebaues. , DLG-Verlag, Frankfurt am Main. (2009).
  13. Gioia, T., et al. GrowScreen-PaGe, a non-invasive, high-throughput phenotyping system based on germination paper to quantify crop phenotypic diversity and plasticity of root traits under varying nutrient supply. Funct. Plant Biol. 44, 76-93 (2017).
  14. Watt, M., et al. A rapid, controlled-environment seedling root screen for wheat correlates well with rooting depths at vegetative, but not reproductive, stages at two field sites. Ann. Bot. 112, 447-455 (2013).
  15. Fiorani, F., Schurr, U. Future scenarios for plant phenotyping. Annu. Rev Plant Biol. 64, 267-291 (2013).
  16. Metzner, R., et al. Direct comparison of MRI and X-ray CT technologies for 3D imaging of root systems in soil: potential and challenges for root trait quantification. Plant Methods. 11, 1(2015).
  17. Choat, B., Badel, E., Burlett, R., Delzon, S., Cochard, H., Jansen, S. Non-invasive measurement of vulnerability to drought induced embolism by X-ray microtomography. Plant Physiol. 170, 273-282 (2015).
  18. Metzner, R., et al. Direct comparison of MRI and X-ray CT technologies for 3D imaging of root systems in soil: potential and challenges for root trait quantification. Plant Methods. 11, 1(2015).
  19. Le Marié, C., Kirchgessner, N., Marschall, D., Walter, A., Hund, A. Rhizoslides: paper-based growth system for non-destructive, high throughput phenotyping of root development by means of image analysis. Plant Methods. 10, 1(2014).
  20. Bengough, A. G., et al. Gel observation chamber for rapid screening of root traits in cereal seedlings. Plant Soil. 262, 63-70 (2004).
  21. Nagel, K. A., et al. GROWSCREEN-Rhizo is a novel phenotyping robot enabling simultaneous measurements of root and shoot growth for plants grown in soil-filled rhizotrons. Funct. Plant Biol. 39, 891-904 (2012).
  22. Price, A. H., et al. Upland rice grown in soil-filled chambers and exposed to contrasting water-deficit regimes: I. Root distribution, water use and plant water status. Field Crops Res. 76, 11-24 (2002).
  23. Vadez, V. Root hydraulics: the forgotten side of roots in drought adaptation. Field Crops Res. 165, 15-24 (2014).
  24. Dane, J. H., Hopmans, J. W. Pressure plate extractor. Methods of soil analysis. Part 4. Physical methods. Dane, J. H., Topp, G. C. , SSSA Inc. Madison, Wisconsin, USA. 688-690 (2002).
  25. Wösten, J. H. M., Pachepsky, Y. A., Rawls, W. J. Pedotransfer functions: bridging the gap between available basic soil data and missing soil hydraulic characteristics. J. Hydrol. 251, 123-150 (2001).
  26. Passioura, J. B. The perils of pot experiments. Funct. Plant Biol. 33, 1075-1079 (2006).
  27. Dorrepaal, R., Malegori, C., Gowen, A. Tutorial: Time series hyperspectral image analysis. J. Near Infrared Spec. 24, 89-107 (2016).
  28. Kim, D. M., et al. Highly sensitive image-derived indices of water-stressed plants using hyperspectral imaging in SWIR and histogram analysis. Scie rep. 5, (2015).
  29. Humplík, J. F., Lazár, D., Husičková, A., Spíchal, L. Automated phenotyping of plant shoots using imaging methods for analysis of plant stress responses-a review. Plant Methods. 11, 29(2015).
  30. Lobell, D. B., Asner, G. P. Moisture effects on soil reflectance. Soil Sci. Soc. Am. J. 66, 722-727 (2002).
  31. Esquerre, C., Gowen, A. A., Burger, J., Downey, G., O'Donnell, C. P. Suppressing sample morphology effects in near infrared spectral imaging using chemometric data pre-treatments. Chemometr. Intell. Lab. 117, 129-137 (2012).
  32. Williams, P. N., et al. Localized flux maxima of arsenic, lead, and iron around root apices in flooded lowland rice. Environ Sci. Technol. 48, 8498-8506 (2014).
  33. Cseresnyés, I., Takács, T., Végh, K. R., Anton, A., Rajkai, K. Electrical impedance and capacitance method: a new approach for detection of functional aspects of arbuscular mycorrhizal colonization in maize. Eur. J Soil Biol. 54, 25-31 (2013).
  34. Brown, M., Lowe, D. G. Automatic panoramic image stitching using invariant features. Int. J. Comput. Vision. 74, 59-73 (2007).
  35. Jiang, Y., Li, C., Takeda, F. Nondestructive detection and quantification of blueberry bruising using near-infrared (NIR) hyperspectral reflectance imaging. Scientific Reports. 6, 35679(2016).
  36. Chang, C. -W., Laird, D. A., Mausbach, M. J., Hurburgh, C. R. Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties. Soil Sci. Soc. Am. J. 65, 480-490 (2001).
  37. Leitner, D., Felderer, B., Vontobel, P., Schnepf, A. Recovering root system traits using image analysis exemplified by two-dimensional neutron radiography images of lupine. Plant Physiol. 164 (1), 24-35 (2014).

再版と許可

タグ

RGB
RGB とスペクトルのルート画像植物表現型解析および生理学的研究: 実験概要およびイメージ投射プロトコル
お問い合わせ
図書館への推薦

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。