Yöntem makalesi

RGB ve bitki fenotipleme ve fizyolojik araştırma için spektral kök görüntüleme: deneysel kurulum ve iletişim kuralları görüntüleme

17.3K görüntüleme

⸱

DOI:

10.3791/56251

⸱

8 Ağustos 2017

 ,  ,  ,  , 
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

Bu makalede

Özet

Bir deneysel protokol toprak bitki kök sistemleri RGB ve hyperspectral görüntüleme ile yetiştirilen değerlendirilmesi için sunulmaktadır. RGB görüntü zaman serisi hyperspectral chemometric bilgilerle tarar kombinasyonu bitki kök dynamics anlayışlar en iyi duruma getirir.

Özet

Bitki kök dynamics daha iyi anlaşılmasını tarım sistemleri kaynak kullanım verimliliğini artırmak ve kırpma çeşitlerin çevresel streslere karşı dayanıklılığını artırmak için önemlidir. Bir deneysel protokol RGB ve hyperspectral görüntüleme kök sistemleri için sunulmaktadır. Yaklaşım rhizoboxes bitkiler doğal toprakta tam olarak gelişmiş kök sistemleri gözlemlemek için daha uzun bir zaman içinde yetiştiği kullanır. Deneysel ayarları rhizobox bitkileri su stres altında değerlendirilmesi ve kökleri rolü eğitim için örneği. Bir RGB görüntü kurulum ucuz ve hızlı miktar zaman içinde kök gelişimi için tanımlanır. Hyperspectral görüntüleme kök segment RGB renk dayalı eşik için karşılaştırıldığında toprak kökenli geliştirir. Belirli hyperspectral görüntüleme fonksiyonel anlamak için kök-toprak sistemi hakkında chemometric bilgi edinimi gücüdür. Bu yüksek çözünürlüklü su içerik eşleme ile gösterilmiştir. Spektral görüntüleme ancak resim alma, işleme ve analiz için RGB yaklaşım kıyasla daha karmaşık. Her iki yöntem bir arada kapsamlı bir değerlendirme kök sistemi optimize edebilirsiniz. Kök ve yerüstü özellikleri entegre uygulama örnek için bitki fenotipleme ve bitki fizyolojik araştırma içeriği verilmiştir. Daha fazla kök görüntüleme geliştirilmesi RGB görüntü kalitesi farklı ışık kaynakları kullanarak daha iyi aydınlatma ile en iyi duruma getirme ve kök bölge özelliklerini spektral veri türünü anlaması için görüntü analiz yöntemleri uzantısı tarafından elde edilebilir.

Giriş

Kökleri depolanmasını gibi bitkiler için birkaç temel işlevleri sağlar assimilates, anchorage karasal bitkiler toprak, ve alımı ve taşıma su ve besin1. Evrimsel bir bakış açısından kök eksenleri oluşumu arazi bitkiler2kökeni için temel bir ön şart olarak kabul edilir. Bu önemli rolü rağmen tarihsel kökleri Biyolojik araştırma sadece marjinal bir konumda işgal. Daha yakın zamanlarda, ancak, orada bitki kök sistemleri olarak şekil 1' deki kanıtladığı bilimsel ilgi artmaktadır.

figure-introduction-1
Resim 1: Alaka bitki Bilimleri kök çalışmaların.
Kök sayısı son on yıl içinde SCI günlüklerdeki tüm yayımlanmış tesisi çalışmaları yüzdesi olarak çalışmaları ile ilgili. Anahtar kelimeler "bitki" ve "bitki ve kök" kullanarak Scopus sonucu arama. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

İki sebepten kök araştırma son gelişmeler altında yatan onaylanmadığına karar. İlk, karasal bitki örtüsü küresel değişim3bir sonucu olarak daha sık çevresel stresleri maruz kalmaktadır. Tarım bitkisel üretim bağlamında bu küresel civarında tarım alanı % 30'u su ve fosfor4tarafından,5sınırlıdır tahmin edilmektedir. Stres azaltma ürün verimleri, genel olarak rainfed tarımsal ekosistemler6için potansiyel verimlilik % 50 daha düşük tahmin edilen önemli verim boşluklar için temel bir sebebi vardır. Düşük kaynak kullanılabilirliği yanı sıra, bu zavallı kaynak kullanım verimliliği, yani yetersiz kapasite bir bitkinin kullanılabilir kaynaklar7yararlanmaya da ilgili. Kayıp diğer ekosistemler olumsuz etkileyebilir nitrat gibi telefon kaynaklarının sonuçlanır. Şu anki küresel azot kullanımı verimliliği Örneğin % 478' de tahmin edilmektedir. Daha iyi kaynak kullanımı verimliliği ile gelişmiş yönetim yöntemleri ve çeşitlerin bu nedenle her ikisi için de yüksek öneme sahip sürekli büyüme tarım çıkışlarını de çevresel sürdürülebilirlik gelince. Bu bağlamda bitki kökleri geliştirilmiş bitkileri ve kırpma sistemleri9,10için önemli bir hedef olarak kabul edilir.

İkinci bir önemli arka plan bitki kökleri son ilgi için teknolojik önceden ölçüm yöntemleri yer olduğunu. Kök yöntemleri uzun iki temel zorlukla tarafından kısıtlanmış: kökleri miktar için çoğunlukla11, yıkayarak yalıtılması zorunda kaldılar toprakta büyüyen bitkiler ölçümü için böylece kök eksenleri mimari düzenleme rahatsız. Kazı kullanarak in-situ kök gözlem böylece kökleri toprak, doğal konumunu koruma yöntemleri, botanik açıklama12için kullanılan. Hala çok zaman alan ve böylece karşılaştırmalı yapısal işlevsel kök sistem analizi üretilen iş gereksinimlerini karşılamak değil. Öte yandan yüksek üretilen iş yöntemleri kök mimari ölçüm için çoğunlukla yapay medya ve fide bitkiler13 bitkilerin doğal büyüme ortamına ekstrapolasyon şüpheli14nerede yapılmıştır.

Kök araştırma son patlama sıkıca yöntemleri15Imaging'de ilerlemeye bağlıdır. Kök çalışmaları yaklaşımlar Imaging kabaca üç tip gruplandırılabilir. İlk16CT ve Mr gibi yüksek çözünürlükte 3D yöntemleri vardır. Kuraklık xylem emboli17indüklenen gibi yöntemlerin bitki kökleri toprak ile etkileşim süreçleri eğitim en uygundur. Genellikle burada detaylı gözlemler izin nispeten küçük örnekleri için geçerli olur. BT ve MRG karşılaştırma farklı boy tencere ve iyi kök görüntüleme için18' sağlanır. İkinci olarak, yüksek üretilen iş görüntüleme yöntemleri19,20vardır. Bu çoğunlukla temel alınarak ortak 2D RGB görüntüleme yapay medyada (jel, çimlenme kağıt) büyüyen köklerinin nerede kökleri ve arka plan arasında nispeten basit diseksiyon yüksek karşıtlık sağlar yöntemlerdir. Onlar yüksek üretilen iş karşılaştırma farklı ürün genotip standart yapay büyüyen koşulları13altında fide kök özellikleri arasında uygundur. Bu iki yaklaşım arasında rhizobox yöntemleri şunlardır: onlar toprakta uzun süre boyunca büyüyen köklerinin 2D görüntüsü kullanmak ve orta üretilen iş21,22. Ayrıca göstergeleri kök işlevselliğin yanı sıra yapısı23açıklaması yakalamak için (2D) kök görüntüleme için son bir meydan okumadır.

Bugünkü gazetede biz kök sistemleri kullanarak (i) bir ucuz ve basit özel yapım RGB görüntü kurulum ve (ii) bir daha karmaşık NIR görüntüleme kurulum yetiştirilen rhizobox görüntüleme için deneysel protokol mevcut. Bu iki kurulumları elde edilen örnek sonuçları gösterilen ve bitki fenotipleme ve bitki fizyolojik araştırmaları bağlamında ele.

Protokol

1. Bitki büyümesi için rizobokslar

NOT: Deneysel sistem, kök görüntüleme için bitki yetiştirmek amacıyla rizoboxlar kullanmaktadır. İlk olarak kutuların tasarımı ve kullanılan substrat açıklanmış, ardından doldurma prosedürüne ilişkin ayrıntılar verilmiştir.

  1. Rizoboksların tasarımı
    1. Arka plakası ve yan çerçeveleri 15 mm dayanıklılığa sahip gri PVC'den yapılmış rizobokslar (Şekil 2) oluşturun. 300 mm x 1000 mm boyutlarında bir kutu kullanın. Ön pencere için, yan duvarlara vidalanan metal raylar aracılığıyla PVC çerçeveye tutturulan 6 mm mineral cam kullanın.
    2. Fazla suyun drenajını sağlamak için alt çerçeve üzerinde üç delik açın. Bu delikler isteğe bağlı olarak plastik vidalarla kapatılabilir.
    3. Doldurmadan önce, PC çok duvarlı levhalar yerleştirerek rizoboksun iç çapını (10 mm ile 30 mm arasında) ayarlayın. Tüm sistemin ağırlığını (topraksız rizoboks ağırlığı 13,2 kg'dır) azaltmak için çoğu ürün için 10 mm'lik bir iç boşluk önerilir.

PVC, cam, çok duvarlı levhalarla duvar yapısı diyagramı; drenaj tasarımı; boyutlar etiketlenmiş.
Şekil 2: Rhizobox deneysel sistemi ve bileşenleri.
Soldaki şekil bir rhizobox'ın boyutlarını; sağdaki şekil ise yan çerçeveli gri bir PVC arka plaka, ön mineral cam, değişken iç çap için çok duvarlı levhalar ve ön camı arka bölmeye sabitlemek için metal köşebentlerden oluşan tekil bileşenlerini göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

  1. Substrat
    1. Rhizoboxları, 2 mm partikül boyutuna kadar elenmiş arazi toprağıyla (bu deney için: kireçli chernozemden alınan mil löm toprağı) doldurun.
    2. Önceden ıslatılmış substratı, iç bölmeye (yan çerçeveleri olan arka plaka) yatay konumda doldurmak için rhizoboxları açın. Substratın üst açıklıktan dökülerek doldurulduğu dikey konumda meydana gelen ince ve kaba partiküller arasındaki tabakalaşma ve ayrışmayı önlemek için yatay olarak doldurun.
    3. Doldurmadan önce substratı önceden ıslatın. Substrat türüne (özellikle mil ve kil içeriğine) bağlı olarak, sıvanmayı ve yapı bozulmasını önlemek için 0,12-0,18 cm3*cm-3 su içeriğini aşmayın. Ön karışım ile hedef su içeriği arasındaki farkı, substrat rhizoboxlara doldurulduktan sonra ekleyin.
      NOT: (Fırında) kuru substratla doldurma ve ardından tüm suyun eklenmesi, substratın güçlü şekilde çökmesine ve büyük çatlakların oluşmasına neden olabileceğinden önerilmez.
  2. Adım adım doldurma örneği
    1. Hedef su içeriğini belirleyin. Burada, başlangıçta bitkilerin herhangi bir su kıtlığından etkilenmediği %80 bitki tarafından kullanılabilir su (PAW) olarak ayarlanmıştır.
    2. Substratın tarla kapasitesini (FC) ve kalıcı solma noktasını (PWP) belirleyin. Burada FC'yi, rhizoboxlar ile eşdeğer yükseklikte (100 cm) bir PVC tüp kullanarak elde edin.
      1. Tüpün altını küçük drenaj delikleri olan bir tapa ile kapatın, deliklerin daha ince substrat tarafından kapatılmasını önlemek için 1 cm çakıl ekleyin ve substratı, rhizoboxlar için kullanılanla aynı yığın yoğunluğuna (1,3 g cm-3) kadar doldurun.
      2. Tüpü, drenaj gerçekleşene kadar suyla doyurun ve dengelenmesi için iki gün bekletin (sonuçtaki su içeriği, tanım gereği tarla kapasitesine eşittir); bu sırada buharlaşmayı önlemek için üst açıklığı streç filmle kapatın. Bu deneydeki toprak için elde edilen tarla kapasitesi değeri 0,357 cm3 cm-3 idi.
        NOT: PWP'deki su içeriği, standart toprak fiziksel yöntemleriyle (örneğin basınç plakası ölçümleri24) veya doku tabanlı pedotransfer fonksiyonlarıyla25 önceden bilinmelidir. Burada kullanılan toprak için bu değer 0,12 cm3 cm-3 düzeyindedir.
      3. FC'yi basınç plakası ekstraksiyonu ile ölçerken, rhizobox geometrisine (100 cm yükseklik = 100 hPa) karşılık gelmesi için h=-330 hPa değil, h=-100 hPa matris potansiyelindeki su içeriğini alın.
      4. %80 PAW'daki su içeriğini (WC) hesaplayın: WC (cm3 cm-3) = 0,80 (FC-PWP) + PWP. Burada kullanılan toprağın hidrolik sınırları için bu, %80 PAW'da 0,31 cm3 cm-3 hacimsel su içeriği verir.
      5. 2850 cm3 rhizobox hacmi (30 cm genişlik, 1 cm iç boşluk, 95 cm yükseklik, sulama için üstten 5 cm boş bırakılmış) için su miktarını hesaplayın. Bu, su yoğunluğunun 20 °C'de 1,0 g cm-3 olduğu varsayıldığında 883,5 g'ye eşit 883,5 cm3 su hacmi verir.
    3. Rhizoboxları doldurmak için yığın yoğunluğunu (db) belirleyin. Burada, tipik olarak tarımsal arazi topraklarında bulunan değerlere karşılık gelen 1,3 g cm-3 olarak ayarlanmıştır. 2850 cm3 rhizobox hacmini bu db değerinde doldurmak için gereken kuru substrat miktarı 3705 g kuru toprağa eşittir.
    4. Kuru toprağı, 3705 g kuru toprak için 400 g su ekleyerek 0,108 g g-1 gravimetrik su içeriğine (0,14 cm3 cm-3 hacimsel su içeriğine eşit) önceden ıslatın ve homojen bir su dağılımı elde etmek için nazikçe karıştırın. Partikül boyutunu ≤ 2 mm tutmak için daha büyük agregatları manuel olarak parçalayın.
    5. Önceden ıslatılmış toprağı açık rhizoboxlara doldurun ve kutunun iç hacmini kaplayan bir polistiren levha (30 x 10 x 1,5 cm) kullanarak nazikçe sıkıştırın; böylece 1,3 g cm-3 değerinde homojen bir db elde edin.
    6. Hedef su içeriği olan 0,31 cm3 cm-3 değerine ulaşmak için kalan su miktarını (483,2 g), yüzeye bir sprey şişesi ile püskürterek ekleyin. Yüzey yapısı bozulmasını önlemek ve homojen ıslatma sağlamak için damlacık boyutunun küçük olduğundan emin olun. Substrata eklenen gerçek su miktarını izlemek için püskürtme sırasında kutuyu bir terazi üzerinde tutun.
    7. Suyun 10 dakika boyunca yeniden dağılmasını bekleyin ve ardından camı yüzeye bastırarak yan metal raylarla sabitleyin. Islatılmış substratlı rhizoboxların ortalama nihai ağırlığı 17818 ± 68 g idi (13230 g rhizobox ağırlığı + 3705 g kuru toprak + 883 g su).
      NOT: Yatay kutulara doldurulan homojen su içeriği, kutular nihai konumlarına yerleştirildiğinde oluşan potansiyel gradyanına göre yeniden dağılacaktır. Bu, tüm bitki yetiştirme saksılarında geometrilerine (yükseklik) göre gerçekleşen fiziksel bir süreçtir ve deney yapanlar saksı hidroliklerinin farkında olmalıdır26.

2. İklim odası kurulumu

  1. Klima odasını (Şekil 3), optimum bitki büyümesi için 440 (mavi) ve 660 (kırmızı) nm'de spektral piklere sahip, 450 μmol m-2 s-1 değerinde homojen aydınlatma sağlayan 8 adet LED lamba ile donatın.

Bitki stres deneyi diyagramı; LED kurulumu, hava istasyonu, stomatal iletkenlik, buhar açığı grafiği.
Şekil 3: Stres deneyi için rizoboks içeren iklim odası.
(A) LED aydınlatma, hava istasyonu ve PC'yi (burada yaprak higrometrelerinin kaydı için) içeren tüm odanın sol görünümü; rizoboksları 45 ° eğimle tutan metal çerçevenin ve rizoboks cam penceresini ışığa karşı korumak için kullanılan ahşap plakaların yakın çekim sağ görünümü. (B) Şeker pancarı ile yapılan, farklı atmosferik talep (yüksek/düşük) ve toprak su mevcudiyetinden (yüksek/düşük) kaynaklanan stresle birlikte dört aşamayı birleştiren stres deneyi. Ortalama stomatal iletkenliği gösteren yeşil çubuklar, bitki stres tepkisi hakkında bilgi vermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

  1. Ortam parametrelerini bitki/deney ihtiyaçlarına göre ayarlayın. Burada, aydınlatma için 14 saat ışık ve 10 saat karanlık kullanın. Bitki adaptasyon sürecinde ve stres uygulamaları başlamadan önce, sıcaklığı gündüz 20° C ve gece 15° C olarak ayarlayın ve bağıl nemi %50 ± 8 seviyesinde tutun.
  2. Rhizoboxları uygun bir metal iskelet kullanarak 45° eğimle yerleştirin. Bu, gravitropizm nedeniyle kök büyümesini cam yüzeye doğru maksimize eder.
  3. Kök bölgesini karanlıkta tutmak ve cam yüzeyden sızan ışık nedeniyle alg oluşumunu önlemek için cam pencereyi ahşap bir plaka ile kapatın.

3. Şeker pancarı örnek kurulumu ve uygulamaları

  1. Şeker pancarı tohumlarını, radikül çıkana kadar bir inkübatörde 20 °C'de üç gün boyunca ıslak filtre kağıdı üzerinde ön çimlendirmeye tabi tutun. Bu, canlı bitkilerin ekilmesini sağlar.
    NOT: Çimlenme gücü yüksek olan bitkiler için ön çimlendirme gerekmez, böylece ekim sırasında radikülün zarar görme riski önlenmiş olur. Ancak, kalın perikarpı olan şeker pancarı tohumlarında canlı olmayan tohum riski yüksektir ve ön çimlendirme, toprağa doğrudan ekime kıyasla radikülün çıkışını önemli ölçüde hızlandırır.
  2. Bir tornavida ile rhizobox'ın ortasına yaklaşık 1.5 cm toprak derinliğinde küçük bir delik açın, bir tohumu radikülü aşağıya bakacak ve cam pencerenin yanında olacak şekilde (bu durum başlangıç görünürlüğünü artırır) bir cımbız yardımıyla yerleştirin ve üzerini nazikçe toprakla kapatın.
  3. Sulama sırasında toprak agregatlarının dağılmasını önlemek ve buharlaşma kayıplarını azaltmak için toprağın üzerine 0.5 cm kalınlığında ince çakıl (2-4 mm) tabakası ekleyin. Çıkışı kolaylaştırmak için, tohumun yerleştirildiği bölgedeki toprak yüzeyini çakıldan arındırılmış halde tutun.
  4. Tutunmayı artırmak için 10 g su ekleyin.
  5. Tutunma ve erken büyüme sırasında, deneysel stres uygulamaları başlayana kadar, başlangıç nem içeriğini %80 PAW seviyesinde tutmak için rhizobox'ları her 2-4 günde bir sulayın.
    1. Rhizobox'ları tartarak ve her bir kutunun başlangıç ağırlığına ulaşana kadar su ekleyerek gereken sulama suyu miktarını belirleyin. Manuel sulama için, sulama sırasında yüzey yapısının bozulmasını önlemek amacıyla bir pipet kullanın.
  6. Rhizobox'ları iklim odasında belirlenmiş desene göre düzenleyin. Burada bildirilen protokol, tamamen randomize bir desen (CRD) ile beş tekerrürlü altı şeker pancarı kültivarı ile yapılan bir deneye dayanmaktadır.
    1. Rhizobox'ları tartma ve sulama için metal tutucudan her çıkardığınızda yeniden konumlandırın. Bu, iklim odası içindeki kalıntı (ışık) homojenliksizliğinin etkilerini önler.
  7. Stres uygulamalarının başlangıç zamanını ve stres türünü tanımlayın. Burada aşağıdaki ayarlar (Şekil 4) kullanılmıştır.
    1. Ölçümlere, köklerin rhizobox derinliğinin yaklaşık %75'ini kapladığı ve kanopinin yapraklarda ölçüm yapmak için yeterince geliştiği BBCH 15 (beş yaprak açılmış) evresinde başlayın. Yeni ayarlara adaptasyonu sağlamak ve ölçüm yapmak için her aşamayı en az üç gün sürdürün.
    2. Stres olmayan gözlemler için, optimum toprak nemi (%80 PAW) ve ortam koşulları (20° C/15° C sıcaklık, %50 ± 8 rH) ile gündüz buhar basıncı açığı (VPD) 1.28 ± 0.1 kPa olacak şekilde başlangıç ayarlarını koruyun (bkz. Şekil 3 C).
    3. Toprak nemini %80 PAW'da tutarken, sıcaklığı 27°C/20°C'ye çıkarıp rH'yi %35'e düşürerek atmosferik talebi gündüz 2.45 ± 0.4 kPa VPD'ye yükseltin.
    4. Ardından, sulamayı keserek rhizobox'ları 0.215 cm3 cm-3 su içeriğine eşdeğer %40 PAW seviyesine kadar kurutun. Başlangıç ortam koşullarını düşük atmosferik taleple (1.28 kPa VPD) yeniden ayarlayın.
    5. Atmosferik talebi 2.45 kPa VPD'ye çıkararak ve toprak nemini %40 PAW'da tutarak stresleri birleştirin.

4. Kök görüntüleme yöntemleri

  1. Hedeflenen bilgiye bağlı olarak, ilgili avantajlarından yararlanmak için görüntüleme yöntemlerini birleştirin.
    1. Kök büyümesini, mimarisini ve morfolojisini zaman içinde takip etmek için VIS aralığında RGB görüntüleme uygulayın; bu işlem doğal olarak sık ölçüm gerektirir. RGB görüntülemenin avantajları (i) düşük maliyetler, (ii) hızlı görüntü elde etme, (iii) düşük sabit disk alanı gereksinimi (görüntü boyutu: 48 MB) ve (iv) yüksek çözünürlüktür (3648 x 5472 piksel).
    2. Kök ve toprağın kemometrik özellikleri gerektiğinde NIR aralığında hiperspektral görüntüleme (HSI) kullanın. Avantajları (i) kökler ve toprak arka planı arasında segmentasyon için spektral özellikler ve (ii) fizikokimyasal sistem özelliklerine (örneğin toprak su içeriği, kök yaşı) erişimdir. Dezavantajları ise (i) daha uzun tarama süresi (rhizobox başına yaklaşık 16 dakika), (ii) veri setlerinin büyük boyutu (rhizobox görüntüsü başına 13.7 GB), (iii) NIR kamerasının daha düşük çözünürlüğü (320 x 256 Piksel) ve (iv) veri analizinin daha karmaşık olmasıdır.
  2. RGB kök görüntüleme
    1. Ortam ışığını engelleyen ve kamera konumunu sabitleyen, genişliği 1 m ve yüksekliği 1 m olan, yan duvarları prespan kaplı metal bir çerçeveden oluşan bir görüntüleme kutusu (Şekil 4) kullanın. Ön uçta, kamerayı rhizobox'tan 80 cm uzaklıktaki iki konuma sabitleyin.
      1. Rhizobox çerçevesine şeffaf yapışkan bantla bir mezura tutturun ve rhizobox'ı görüntüleme kutusunun tutucusuna yerleştirin.
      2. Rhizobox'ı, rhizobox'tan 80 cm uzaklığa yerleştirilmiş dört adet 24 W floresan ışık tüpü ile aydınlatın. Ayrıca, kök ve (açık renkli) substrat arka planı arasında kontrastın düşük olması durumunda, kök oto-floresansından yararlanan alternatif aydınlatma olarak rhizobox'tan 20 cm uzağa dört adet 15 W UV tüpü monte edin.
      3. Rhizobox'ın üst ve alt yarısını yaklaşık 3 cm örtüşme ile kapsamak için iki görüntü (üst ve alt konum) alın.
    2. RGB görüntüleri, görüntüleme kutusunun ilgili konumlarına hızlı bırakma plakalarıyla sabitlenmiş bir dijital tek objektifli refleks kamera ile elde edin.
      1. Floresan ışık tüplerini kullanırken aşağıdaki ayarları uygulayın. Bu örnek ayarları boyutlar, aydınlatma ve kamera modelindeki değişikliklere göre uyarlayın.
        1. Kamera objektifindeki otomatik odaklama ve sabitleyiciyi kapatın. Kamerayı manuel moda ayarlayın.
        2. ISO hızını 500'e ayarlayın. Perde hızını 13'e ayarlayın. Diyaframı 5.6'ya ayarlayın.
        3. Ayna kilidini kapatın. Beyaz dengesini Otomatik Beyaz Dengesi'ne ayarlayın.
      2. UV tüplerle aydınlatma için aşağıdaki ayarları kullanın:
        1. Kamera objektifindeki otomatik odaklama ve sabitleyiciyi kapatın. Kamerayı manuel moda ayarlayın.
        2. ISO hızını 1000'e ayarlayın. Perde hızını 13'e ayarlayın. Diyaframı 5.6'ya ayarlayın.
        3. Ayna kilidini kapatın. Beyaz dengesini Floresans'a ayarlayın.
    3. Rhizobox'ın üst ve alt kısmından alınan RGB görüntüleri bir fotoğraf düzenleyici (örneğin, Adobe Photoshop) ile tek bir görüntüde birleştirin. Rhizobox çerçevesinin yanındaki mezurayı kullanın ve örtüşen nesneleri (kök ve toprak özellikleri) kontrol edin.
      1. Her biri 3648 x 5472 piksel boyutundaki iki ayrı görüntüyü, 3648 x 10944 piksel boyutunda ve beyaz arka plana sahip yeni bir dosyaya kopyalayın.
      2. Bir görüntünün katman opaklığını %60'a düşürün ve görüntülerin örtüşen kısımlarını (mezura, nesneler) hizalayın. Ardından katman opaklığını %100'e geri getirin.
      3. Görüntüdeki cetvele dayanarak, köklerin bulunmadığı görüntünün üst kısmına tam olarak 1 cm'lik iki kırmızı çizgi ekleyin. Bu çizgiler daha sonra görüntü analizinde, görüntüyü doğru uzunluk boyutlarına ölçeklendirmek için kullanılır.
      4. Tüm katmanları birleştirin ve kırpma aracıyla toprakla dolu pencerenin dışındaki görüntü kısımlarını kaldırın.
      5. Görüntüyü daha sonraki analizler için tiff dosyası olarak kaydedin.
      6. UV aydınlatmalı görüntülerde, kaydetmeden önce Ayarlamalar-Siyah ve Beyaz araç çubuğunu kullanarak ve önceden tanımlanmış Yüksek Kontrast Mavi filtresini seçerek renkleri gri tonlamaya düşürün.
    4. Kökler ve toprak arka planı arasındaki segmentasyonun yanı sıra ilgilenilen kök özelliklerinin (örneğin uzunluk, yüzey, çap, dallanma) nicelleştirilmesi için herhangi bir kök analiz yazılımı kullanın (mevcut araçlar için www.plant-image-analysis.org adresine bakın). Burada WinRhizo kullanılmıştır.
      1. Rhizobox tiff görüntüsünü yazılımda açın.
      2. Görüntüye eklenen ölçekleme çubuklarını kullanarak görüntünün uzunluk ölçeğini kalibre edin.
      3. Analiz menüsünden Renk Tabanlı seçeneğini ve ardından Kök ve Arka Plan Ayrımı seçeneğini belirleyin.
      4. Kökler ve toprağa (arka plan) karşılık gelen renk sınıfları içeren bir kalibrasyon dosyası tanımlayın. Burada kullanılan örnek görüntüler için (bkz. Şekil 8) üç kök renk sınıfı (eski yan kökler, genç yan kökler, kazık kök) ve üç toprak renk sınıfı tanımlanmıştır.
      5. Gri tonlamalı görüntüler (UV-aydınlatma) için Kök ve Arka Plan Ayrımı menüsünden (i) Gri seviyeler tabanlı ve (ii) Siyah Arka Plan Üzerinde Soluk Kök seçeneklerini seçin ve segmentasyon için yerel bir Lagarde yoğunluk eşiği kullanın.
      6. Sonuçların kaydedileceği bir veri dosyası açın.
      7. Analizi çalıştırın ve ardından (örneğin kenarlarda) hatalı eşleşen bölgeler olup olmadığını kontrol edin. Bu durumda bir hariç tutma bölgesi tanımlayın ve analizi yeniden başlatın. Sınıflandırılmayan kökler için ek renk sınıfları ekleyin ve analizi yeniden başlatın. Yanlışlıkla kök olarak sınıflandırılan öğeler için Kalıntılar ve Pürüzlü Kenarlar filtreleme seçeneklerini etkinleştirin/artırın.

UV ve halojen lambalı bitki görüntüleme düzeneği; rizoboks tutucu, kök ve kanopi analizi için kamera montajları.
Şekil 4: RGB rizoboks fotoğrafları elde etmek için kullanılan görüntüleme kutusu.
Soldaki görünüm, içinde ışık kaynaklarının bulunduğu ve rizoboksların görüntüleme için takıldığı ön tarafı; sağdaki görünüm ise kameranın monte edildiği arka tarafı göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

  1. Hiperspektral kök görüntüleme
    1. Donanım kurulumu
      1. bir hiperspektral kök görüntüleme sistemi kullanın (Şekil 5) şunlardan oluşmaktadır: (i) 900 nm ile 1700 nm arasında spektral aralığa sahip, 320 x 256 piksel çözünürlüklü ve 100 Hz kare hızında, termo-elektrikle soğutmalı 14 bit monokrom NIR kamera ve (ii) 900 nm ile 2500 nm arasında spektral aralığa ve 3,6 nm spektral çözünürlüğe sahip bir görüntüleme spektrografı. Bir halojen çizgi aydınlatma kaynağını (dört adet 50 W halojen spot) bir... şeklinde düzenleyin 45°/-45° geometri. Görüntüleme sensörünü iki eksenli bir konumlandırma sistemine monte edin. Tarama penceresinin boyutu 240 x 1000 mm'dir; yani rizobox'ın her bir kenarındaki 30 mm'lik alan görüntü tarafından kapsanmamaktadır.
      2. Sistemi şu işlemler için bir Matlab betiği ile kontrol edin: (i) beyaz ve karanlık standart kazanımı, (ii) kamera entegrasyon süresinin ayarlanması, (iii) uzaysal çözünürlüğün (piksel boyutu 0,1 mm; piksel boyutu 1,0 mm) ve spektral çözünürlüğün (3,6 nm çözünürlüklü tüm 222 spektral bant; 14,8 nm çözünürlüklü 54 bantlı düzleştirilmiş spektrum) seçilmesi ve (iv) rizoboks üzerindeki tarama bölgesinin tanımlanması.
      3. Görüntüleri SIF dosyaları olarak kaydedin. Büyük dosyaların kaydedilmesi sırasında oluşabilecek sorunları önlemek için, taranan her görüntü şeridini (rhizobox başına 9 şerit), dört segmente (üçü 300 mm uzunluğunda, biri 100 mm uzunluğunda) ayırın ve her birini; şerit numarasını (1 ila 9), bölüm numarasını (1 ila 4) ve tarih ile saati (YYYY.AA.GG SS:DK:SN) içeren benzersiz bir dosya adıyla ayrı ayrı kaydedin. Tüm bir rhizobox taraması 13,7 GB sabit disk alanı gerektirir.
    2. Görüntüleme ve analiz.
      NOT: Şekil 6 görüntü elde etme, segmentasyon ve analiz adımlarını göstermektedir.
      1. Görüntüleme, optimum görüntü kalitesi için kamera ayarlarının seçilmesini ve tarama parametrelerinin tanımlanmasını kapsar.
        1. Kamera yazılımunda, rizobox taraması ve beyaz standart için kamera entegrasyon sürelerini belirleyin.
          1. Görüntüleme GUI'sini açın ve kamerayı rizoboksun köklerin bulunduğu bir konumuna getirin.
          2. Açık renkli bir nesneyi (örneğin kökü) hedefleyen kameranın entegrasyon süresini, yazılım tarafından görüntülenen histogramda kameranın tam dinamik aralığının yaklaşık %85'inin kullanılacağı şekilde ayarlayın. Kamera konumlandırma sistemini beyaz standardı hedefleyecek şekilde hareket ettirerek işlemi beyaz standart için tekrarlayın. Ardından kamera yazılımını kapatın.
        2. Matlab Görüntüleme GUI'sini açın ve mevcut rhizobox taraması için tüm ayarları yapın. Burada raporlanan veriler için aşağıdaki ayarları kullanın:
          Entegrasyon süresi beyaz standart: 1000
          Rhizobox entegrasyon süresi: 4000
          Spektral çözünürlük: Tam çözünürlük (yani 222 dar aralıklı spektral bant)
          Tam uzamsal çözünürlük (0,1 mm piksel boyutu)
          1. Her görüntüleme çalışmasından önce, örneğin günde bir kez, karanlık ve beyaz standartları elde edin. Karanlık standart kamera gürültüsünü temsil ederken, beyaz standart maksimum yansıtıcılığı verir. Bu veriler, ön işleme sırasında görüntü normalizasyonu için gereklidir.
          2. Rhizoboksun tamamının mı yoksa sadece bir kısmının mı taranacağını belirleyin. Mevcut durumda rhizoboksların tamamı görüntülenmektedir. Ardından taramayı başlatın.
      2. Görüntü, bir Matlab betiği ile işlenir. Betik tarafından gerçekleştirilen işlemler açıklanmaktadır.
        NOT: Betikler şu anda belgelenmemiş bir versiyondadır ve sorumlu yazardan temin edilebilir. Uygun şekilde belgelendirildikten sonra, sorumlu yazarın kurumunun web sitesinden (www.dnw.boku.ac.at/pb/) indirilebilir olacaktır.
        1. Rhizobox merkezinden (kökleri içeren) başlayan ve adımın dört bölümünü birleştiren eksiksiz bir görüntü adımı oluşturun.
          NOT: Bu aşamada, tüm bir rizoboksun (yani tüm 9 şeridin) spektral görüntüsünü kullanmak ne gereklidir ne de önerilir; çünkü dosya boyutu, Matlab'deki her bir hesaplama adımını oldukça zaman alıcı hale getirecektir ve tek bir merkezi şeritte yer alan bilgiler, görüntü analizinin ilk adımları için yeterlidir.
        2. Elde edilen karanlık ve beyaz standartları kullanarak ve beyaz standart ile rhizobox taramalarının, tarama sırasında otomatik olarak bir dosyaya kaydedilen farklı entegrasyon sürelerini dikkate alarak görüntüyü normalize edin.
        3. Görüntüdeki gürültüyü gidermek için isteğe bağlı olarak bir yumuşatma filtresi uygulayın. Betik şu anda 3x3 çekirdek medyan filtreleme ve çoklu saçılma düzeltme seçenekleri sunmaktadır. Burada sunulan görüntü değerlendirmesinde herhangi bir filtre uygulanmamıştır.
        4. İlk izlenimi edinmek ve ilgi bölgelerini seçmek için görüntülenecek bir dalga boyuna karar vermek amacıyla, görüntüyü kaydedilen tüm spektral bantlarda görüntüleyin (bkz. görüntü segmentasyonu).
      3. Kökler ve toprak arka planı arasındaki segmentasyonu, aşağıdaki adımları içeren ayrı bir betikle gerçekleştirin.
        1. Segmentasyon için spektral özellikleri belirlemek amacıyla kök ve toprak için ilgi bölgeleri (ROI) seçin. Kökler ve toprak arasında daha önce iyi kontrast olduğu tespit edilen bir dalga boyunda görüntülenen imaj üzerinde, bir ilgi bölgesini işaretlemek için serbest seçim aracını kullanın. Burada, kök üzerinde üç ilgi bölgesi (yaşlı ve genç yan kökler, kazık kök) ve toprakta iki ilgi bölgesi (kuru, ıslak bölge) kullanın.
        2. Seçilen ROI'leri içeren bir dikdörtgen ve geri kalan kısmı siyah maske olarak görüntüleyin ve seçilen ROI görüntüsünü tüm dalga boylarında görselleştirin.
        3. Görüntü matrisinde, spektral şiddeti 0 olan (siyah pikseller) pikseller içeren tüm satırları kaldırın.
        4. Segmentasyon için kök ve toprak ROI'lerini bir ön plan (kök) ve bir arka plan (toprak) matrisi şeklinde birleştirin.
        5. Kök ön planı ile toprak arka planı arasında en iyi ayrımı sağlayan spektral bantları (tekil spektrum yoğunlukları veya spektral oranlar) araştırın27Bhattacharyya uzaklığını kullanarak kök ve toprak için elde edilen piksel histogramları arasındaki farkı nicelleştirin.28.
        6. Histogramları birbirinden ayıran bir eşik yoğunluk değeri seçin.
        7. Seçilen eşik değerini orijinal görüntüye uygulayarak ikili (binary) bir görüntü oluşturun. Bu işlem, eşikten daha düşük yoğunluğa sahip tüm pikselleri sıfıra, daha yüksek yoğunluğa sahip olanları ise bire ayarlar (bu işlem betik tarafından otomatik olarak gerçekleştirilir).
        8. İkili görüntüyü tiff dosyası olarak kaydedin.
      4. İkili görüntüyü açın ve kök özelliklerini analiz edin. (i)'yi seçin Gri seviyelerine dayalıve (ii) Siyah Arka Plan Üzerinde Soluk Kök içinde Kök & Arka Plan Ayrımı menü ve kullanım küresel yoğunluk eşiği (görüntü halihazırda ikili hale getirilmiştir).
      5. Hiperspektral verilerden su içeriğinin haritalanması için bir kalibrasyon veri seti edinin ve bir rhizobox görüntüsüne kalibrasyon denklemini uygulayın.
        1. Polistiren levhalar kullanarak bir rhizobox'ı 5 cm'lik bölmelere ayırın ve bunları toprakla (aynı substrat ve db (deneyde kullanıldığı şekilde) farklı su içeriklerinde (Şekil 8).
        2. Toprakla karıştırılacak su miktarlarını hesaplayın ve bölmeleri doldurun (tüm rizoboks için 1.3'te açıklanan prosedürün aynısı).
        3. Kalibrasyon rizoboksunu, dikili rizobokslar için kullanılan ayarların aynısıyla tarayın.
        4. Aşağıdaki adımları bir betik kullanarak gerçekleştirin.
          1. Su kalibrasyon kutusundan alınan bir adımın dört bölümünü tek bir adımda birleştirin ve bunu karanlık ve beyaz standartlarla normalize edin.
          2. Farklı su içeriğine sahip her bir bölmede dikdörtgen kutular seçin ve bunları bir yapı dizisinde (structure array) kaydedin.
          3. Su içeriği kompartmanlarını en iyi şekilde ayıran spektral özelliği belirleyin. Bu işlem, ardışık su içeriklerinin ortalama spektrumları arasındaki yoğunluk farklarının küresel maksimumunu bulan bir arama algoritması ile gerçekleştirilir.
          4. Kalibrasyon rizokutusunun her bir su içeriği bölmesi için bu özelliğin ortalama spektral yoğunluk değerini hesaplayın.
          5. Doğrudan ölçülen su içeriği ile ilgili spektral nicelendirici üzerinden bir regresyon denklemi kurun.
          6. Regresyon denklemini, bir rhizobox görüntüsü üzerinde kök olarak sınıflandırılmayan her bir piksele ve yukarıda su içeriği ile en iyi ilişkili olduğu belirlenen spektral özelliğe (banda) uygulayın.

Optik analiz için spektrograf düzeneği; halojen aydınlatma, rhizobox, güç/hareket kontrol ünitesi.
Şekil 5: Hiperspektral kök tarayıcı.
Tarayıcının ana bileşenleri belirtilmiştir. Küçük resim, bir rhizobox görüntülemesi sırasında kamerayı göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Hiperspektral görüntüleme analiz şeması: veri toplama düzeneği, segmentasyon, su haritalama, kemometrik analiz.
Şekil 6: Hiperspektral kök görüntüleme adımları.
Hiperspektral kök görüntüleme; (i) görüntü elde etme, (ii) görüntü segmentasyonu ve (iii) spektral verilerin analizi olmak üzere üç ana adımdan oluşur. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tohum çimlenme deneyi; polistiren ve çimlenme kağıdı üzerindeki nem gradyanları.
Şekil 7: Su kalibrasyonu için rizoboks.
Rizoboks, polistiren levhalarla alt bölmelere ayrılmış, farklı su içeriğine sahip substrat içeren bölmelerden oluşmaktadır. Kuru bölmelerdeki çimlenme kağıdı, toprak partiküllerinin komşu bölmelere sürüklenmemesini sağlar. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

5. Uygulama örnekleri

NOT: Kantitatif kök bilgileri, bitki fenotipleme (kültivar karşılaştırması) ve bitki fizyolojik araştırmaları kapsamında uygulanır. Bu durumları örneklendirmek için aşağıdaki toprak üstü veriler raporlanmıştır.

  1. Yaprak alanı: Deney sırasında seçilen aşamalarda, yaprakların uzunluk ve genişliklerini vekil parametre olarak kullanarak yaprak alanını tahribatsız yöntemle ölçün. Alternatif olarak kanopi görüntüleri kullanılabilir29.
    1. Deneyin sonunda, bir yaprak alan ölçer kullanarak kırpılmış yaprakların alanıyla birlikte yaprak uzunluk ve genişliklerini ölçün. Veri çiftlerine bir regresyon denklemi uygulayarak tahribatsız yöntemi kalibre edin.
  2. Kuru madde: Deneyin sonunda, bitkileri makasla kırparak toprak üstü kuru maddeyi ölçün ve bunları bir etüvde 105 °C'de 24 saat boyunca kurutun.
  3. Stoma iletkenliği: Stoma iletkenliğini bir yaprak porometresi ile ölçün. Ölçümden önce, sensörlerin ortam koşullarıyla dengelenmesini sağlamak için cihazı iklim odasında en az bir saat bekletin ve iklim odasındaki ortam ayarları her değiştiğinde cihazı kalibre edin. Bitki başına en az üç yapraktan ölçüm alın.

Sonuçlar

RGB ve HS görüntülemeye dayalı kök segmentasyonu için örnek sonuçlar sunulmuştur. Spektral görüntüleme için yüksek çözünürlüklü su haritalama örneği verilmiştir. Son olarak, görüntü tabanlı kök verilerinin uygulandığı bilimsel bağlamı gösteren sonuçlar sunulmuştur.

RGB tabanlı kök ölçümü

Şekil 8, Ferrara şeker pancarı kültivarının RGB kök görüntüsü zaman serisini göstermektedir. Görüntüler, rizoboksların homojen olmayan aydınlatmasından kaynaklanan bazı artefaktları, sol taraf boyunca daha parlak alanları ve üst ile alt görüntüler arasındaki örtüşme bölgesinde farklı parlaklıkları ortaya koymaktadır.

RGB kök büyüme çalışması, şeker pancarı 'Ferrara,' 20-35. günler, hızlandırılmış analiz, büyüme diyagramı.
Şekil 8: RGB görüntülemeden elde edilen kök büyüme zaman serisi.
Görüntüler, ekimden sonraki farklı günlerdeki (DAS) Ferrara şeker pancarı kültivarını göstermektedir. Görüntüler, görüntünün sol tarafında ve üst ile alt görüntüler arasında homojen olmayan aydınlatmadan kaynaklanan bazı artefaktlar içermektedir. Ölçek çubukları, 2 cm. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 9, ekim sonrası 35. günde (DAS 35) Ferrara kültivarı için renk eşikleme tabanlı kök segmentasyonuna ilişkin ayrıntıları sunmaktadır. Bir referans olarak (Şekil 9A), tüm köklerin bir Grafik Tablet ile manuel olarak izlendiği ikili bir görüntü kullanılmıştır. Tam gelişmiş, yoğun şeker pancarı kök sisteminin tamamının manuel olarak izlenmesi için gereken süre yaklaşık dört saatti. Şekil 9B, görüntünün üst kısmında yaşlı yan köklerin bulunduğu seçili bir alanın ayrıntılı görünümünü vermektedir. Burada birkaç kök ekseni renk eşiği ile sınıflandırılamamıştır. Buna karşılık, beyaz genç köklerin baskın olduğu alt kısımda (Şekil 9C), renk tabanlı segmentasyon tüm kök eksenlerini doğru şekilde sınıflandırmaktadır. İkilileştirilmiş kök sistemi (Şekil 9D), sol tarafta, nicel analiz çalıştırılmadan önce dışlama bölgesi olarak tanımlanan aydınlatma artefaktından kaynaklanan siyah bir alan göstermektedir. Şekil 9E, DAS 35'teki Ferrara'ya ait RGB görüntüsünün kırmızı kanalı için seçilen özelliklerin (kökler ile toprak) karşılık gelen piksel histogramlarını göstermektedir. Kök pikselleri (mavi renk), parlak genç yan köklere, koyu yaşlı yan köklere ve kazık köke karşılık gelen üç tepeyi açıkça göstermektedir. Yaşlı yan kökler ile toprak arka planı arasındaki örtüşme çok güçlüdür ve bu durum sınıflandırılmamış kök eksenlerine yol açmaktadır (bkz. Şekil 9B).

Kök tiplerinin histogram analizi ve toprak farklılaşmasını içeren, RGB renk tabanlı kök segmentasyonu diyagramı.
Şekil 9: Renk eşikleme kullanılarak kök segmentasyonu.
(A) Grafik Tablet kullanılarak manuel olarak segmente edilmiş kök sistemi, (B) görüntünün üst kısmında kötü segmente edilmiş eski kök eksenlerinin bulunduğu alan ve (C) görüntünün alt kısmında düzgün segmente edilmiş genç eksenler ve (D) renk tabanlı eşiklemeden elde edilen ikili görüntü. (E) RGB görüntüsünün seçili özellikleri için piksel histogramları. Kökler, farklı kök tiplerinin belirtildiği mavi çubuklarla; toprak ise kırmızı çubuklarla temsil edilmiştir. A ve D'deki ölçek çubukları 2 cm; B ve C'deki ölçek çubukları 1 cm'dir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Manuel olarak segmente edilmiş referans görüntü için belirlenen toplam görünür kök uzunluğu 1534.1 cm iken, renk tabanlı otomatik segmentasyon toplam 1427.6 cm kök uzunluğu vermektedir.

UV-aydınlatmadan elde edilen gri tonlamalı görüntüler, burada gösterilen durumda bir avantaj sağlamamış ve renk eşiği belirleme yöntemine kıyasla daha düşük performans göstermiştir (kök uzunluğu: 1679.7 cm). Yaşlı kökler segmente edilememiş ve muhtemelen UV lambalarının düşük ışık yoğunluğu nedeniyle görüntüde daha fazla gürültü oluşmuştur. Bununla birlikte, yüksek oto-floresansa sahip genç köklerin ve parlak arka planlı bir substratın olduğu durumlarda UV-aydınlatma, arka plan substratı olarak kumun kullanıldığı başka bir deneyden elde edilen görüntünün gösterdiği gibi (Şekil 10) hala bir seçenek olabilir.

Floresan mikroskobu; kök yapısı; sol: mavi tonlu konfokal, sağ: parlak alan görüntüsü.
Şekil 10: Parlak arka plan üzerinde kökleri görselleştirmek için UV aydınlatma.
Kuvars kumu ile doldurulmuş bir rizobox içerisinde büyüyen bir makarnalık buğday kök sisteminden örnek. Rizobox, ... aydınlatması kullanılarak görüntülenmiştir (A) UV ışığı ve (B) floresan (gün) ışığı. Ölçek çubukları, 2 cm. Lütfen bu şeklin daha büyük bir versiyonunu görüntülemek için buraya tıklayın.

HSI tabanlı kök ölçümleri

Şekil 11, üç kök ROI'si (yaşlı ve genç yan kök, kazık kök) ve iki toprak ROI'si (rizoboks'un üst ve alt kısmı) için ortalama spektrumları sunmaktadır.

Kök spektral analiz grafiği, normalize edilmiş yansımaya karşı dalga boyu, toprak ve kök karşılaştırmaları.
Şekil 11: Kök ve toprağın ortalama spektrumları.
Kök üzerindeki (üç kök tipi) ve toprak içindeki (rizoboksun üst ve alt kısmı) ilgi alanlarından (ROI'ler) elde edilen spektrumlar. ROI'ler, kök ve toprak arasında optimum bir segmentasyon kriteri belirlemek için seçilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Ana köklerin ve genç yan köklerin, çoğu spektral bandın yoğunluğu açısından arka plandan önemli ölçüde farklı olduğu görülmektedir. Yaşlı yan köklerde yoğunluk farkları çok daha düşüktür. Görsel olarak çıkarılabilecek bir özellik, su absorbsiyon bölgesi (1450 nm) civarındaki spektrumun farklı eğimidir. Burada, kök spektrumlarının eğimi toprak spektrumlarına kıyasla daha yüksektir. Ayrıca, yaşlı yan köklerde görülmeyen, ana kök ve genç yan kök spektrumlarında 1100 nm civarındaki bölgede bir değişim tespit edilebilir.

Şekil 12A, en güçlü ön plan-arka plan kontrastına sahip spektral oranı belirleyen arama algoritmasının sonucunu göstermektedir. 1476 nm'deki spektrumların 1076 nm'ye oranı, kökler ve toprak arasında en iyi ayrımı sağlamaktadır. Kök ön plan ve toprak arka plan piksellerinin sonuç histogramı Şekil 12B'de gösterilmiştir. Bazı örtüşmeler olsa da, piksellerin çoğu toprak arka planından net bir şekilde ayrılmıştır. Histogram üzerinden bimodal bir Gauss eğrisi uydurularak ve nicelleştirme için Bhattacharyya mesafesi kullanılarak 7,80 değeri elde edilmiştir. 3,0'dan yüksek bir değer, güvenilir ayrımı mümkün kılan güçlü bir görüntü kontrastına işaret eder28.

Dalga boyu yoğunluk analizi için spektral ısı haritası ve histogram; optik emisyon veri analizi.
Şekil 12: Farklı spektral bant oranları için kök ön planı ve toprak arka planı arasındaki yansıma farkı ve segmentasyon için kullanılan spektral orandaki piksel histogramı.
(A) Parlak renkler (sarı) ön plan ve arka plan arasındaki yüksek kontrastı, koyu renkler (mavi) ise düşük kontrastı göstermektedir. İlk 15 bant, gürültü nedeniyle çıkarılmıştır. Kırmızı çizgiler, en yüksek kontrasta sahip bant oranını belirtmektedir. (B) Segmentasyon spektral oranındaki köklerin (mavi) ve toprağın (kırmızı) piksel histogramı. Mavi çubuklar kökü, kırmızı çubuklar ise toprağı temsil etmektedir. Yoğunluk değeri, spektral bant 160'ın spektral bant 49'a oranına karşılık gelmektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

İkili görüntü (Şekil 13), histogram mesafesinden hesaplanan 1,008 değerindeki belirlenmiş spektral oran için küresel bir yoğunluk eşiği uygulanarak oluşturulmuştur27. Bu görüntünün kök uzunluğu analizi, manuel olarak takip edilen referans görüntüye kıyasla yalnızca %1,5'lik bir hatayı temsil eden toplam 1557,3 cm uzunluk vermektedir.

Sinir ağı yapı diyagramı; dendritik ağaç; mikroskopi görüntüsü; nöron bağlantı görselleştirmesi.
Şekil 13: Ferrara şeker pancarı kültivarının kök sisteminin ikili görüntüsü.
Görüntü, global spektral eşikleme uygulanarak elde edilmiştir. Ölçek çubuğu (sol alt köşe), 2 cm. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Kök segmentasyonu, renk tabanlı bilgilere kıyasla spektral bilgiler kullanılarak geliştirilmiş olsa da, HS görüntülemenin temel amacı kemometrik görüntü özelliklerinin analiz edilmesidir. Bu durum, bir rizoboks görüntüsünün su içeriğinin haritalandırılmasıyla örneklendirilmiştir.

Şekil 14A, farklı su içeriğine sahip toprakla doldurulmuş kalibrasyon rizoboksundaki (bkz. Şekil 7) bölmelerin ortalama spektrumlarını göstermektedir. Spektrumların şekli bölmeler arasında benzerdir, yani burada spektral bir oran her zaman daha kararlı bir sınıflandırma kriteri sağlamaz. Bu nedenle, ardışık su içerikleri arasındaki ortalama farkın en yüksek olduğu tek bir spektral banttaki (1680 nm) yoğunluk, en iyi ayırıcı kriter olarak belirlenmiştir. Bu spektral dalga boyu için elde edilen piksel histogramları Şekil 14B'de gösterilmiştir.

Spektral analiz grafikleri; (A) absorpsiyon spektrumları, (B) ıslak-kuru durumlar için yoğunluk dağılımı.
Şekil 14: Su içeriği kalibrasyonu için spektral özellikler.
(A) Farklı su içeriklerine sahip kalibrasyon rizoboksundaki dokuz su bölmesinin ortalama spektrumları; (B) Komşu bölmeler arasındaki ortalama mesafenin maksimum olduğu 216. banttaki su bölmeleri için piksel histogramları. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

1680 nm'deki ortalama piksel yoğunluğu ile ölçülen su içeriği arasındaki ilişki Şekil 15'te gösterilmiştir.

Toprak nem grafiği; eksponansiyel, lineer uyum. Su içeriği ile reflektans; tarla kapasitesi, solma noktası.
Şekil 15: Spektral reflektans ile hacimsel su içeriği arasındaki ilişki.
Şekil, ölçülen su içeriği ve spektral reflektans veri çiftlerini ve en yüksek su içerikleri (kırmızı üçgenler) hariç tutularak verilere uydurulan ampirik eğrileri (lineer ve eksponansiyel) göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Yüksek su içeriklerinin spektral yoğunluktan ayırt edilmesi zorlaşmaktadır. Yaklaşık 0,30 cm3 cm-3 değerine kadar olan su içerikleri için yüksek R2 değerine sahip anlamlı bir regresyon (doğrusal veya eksponansiyel) uygulanabilir. Daha ıslak toprak koşulları, yoğunluk değeri ile güvenilir bir şekilde öngörülemez. Yansıtıcılık ile su içeriği arasındaki eksponansiyel ilişkinin 0,30 cm3 cm-3 üzerindeki su içeriklerine karşı azalan tepki göstermesi şeklinde benzer bir davranış, diğer çalışmalarda da tespit edilmiştir30.

Su içeriğinin hassas haritalamasını içeren bir rizoboks görüntüsü Şekil 16'da gösterilmiştir. Dört hususun belirtilmesi gerekir. Birincisi, rizoboksun köklü kısımlarında daha düşük su içeriğine sahip bir bölge görülebilmektedir. İkincisi, en güçlü tükenme, tekil kök eksenlerinin yakınında yoğunlaşmıştır. Üçüncüsü, yüzeyde kök eksenlerinin görünmediği yerlerde de tükenme bölgeleri oluşmaktadır; bu durum, köklerin toprak içinde gizli olduğu bölgeleri göstermektedir. Dördüncüsü, daha fazla görüntü işleme yapılmadan gerçekleştirilen su haritalaması, agregatlaşmış toprak nedeniyle parçalı bir görünüme yol açmaktadır. Bu durum, agregat ölçeğinde homojen olmayan su içeriği dağılımını veya yüzey morfolojisinin görüntü kalitesi üzerindeki etkisini gösterebilir. Spektral görüntülerdeki bu tür morfolojik etkilerin üstesinden gelmek için kemometrik görüntü işleme teknikleri bir seçenektir31, ancak burada kullanılan Matlab betiklerinde henüz uygulanmamıştır.

Nöron yapısı diyagramı; nöral ağ analizinde dendritik dalların detayı.
Şekil 16: Bir rhizobox üzerinde su içeriği haritalaması.
Koyu mavi renkler yüksek su içeriğine sahip bölgeleri, yeşil ile kırmızı arasındaki alanlar ise düşük su içeriğine sahip bölgeleri temsil etmektedir. Bitki kökü, görüntü üzerine siyah renkte yerleştirilmiştir. Ölçek çubuğu (sol alt köşe), 2 cm. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Uygulama örnekleri

Şekil 17, görüntü analizinden elde edilen kantitatif kök özelliklerini toprak üstü ölçümlerle ilişkilendirmektedir.

Bitki büyüme verileri analizi; kök uzunluğu, yüzey alanı oranı, kuru madde, stoma iletkenliği grafikleri.
Şekil 17: Kök verileri için tipik uygulama örnekleri.
(A) ve (B) bir fenotipleme bağlamında, bitkilerin toprak üstü-toprak altı karakterizasyonu için kullanılan kök bilgilerini gösterin. (A) şeker pancarı kültivarı Ferrara'nın kök büyümesini temsil etmektedir, (B) yaprak-kök alan oranı kullanılarak rizoboxlarda yetiştirilen altı şeker pancarı kültivarı karşılaştırılmaktadır (tek tekrardan elde edilen veriler). (C) ve (D) bitki fizyolojik araştırmalarında rastlandığı şekliyle özellikler arasındaki fonksiyonel ilişkilerdir. (C) yaprak-kök alan oranının kuru madde üretimi üzerindeki etkisini göstermektedir ve (D) kök yüzey alanının stomatal iletkenlik ile ilişkisi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 17A ve 17B, kapsamlı toprak üstü ve toprak altı bitki karakterizasyonuna odaklanan fenotipleme için uygundur. Şekil 17A, Ferrara şeker pancarı kültivarının kök büyümesini göstermektedir (bkz. görüntüler için Şekil 8). Kök sisteminin genişlemesi, bir kültivarın vejetasyon döneminin belirli bir zaman aralığında toprak hacmini keşfetme kapasitesini gösterir. Şekil 17B, altı şeker pancarı kültivarının yaprak-kök yüzey alanı oranını göstererek bitki arzı (kök) ve talebi (yaprak) arasındaki denge için bir tanımlayıcı sunmaktadır.

Şekil 17C ve 17D, fizyolojik araştırmalarda ilgi çeken fonksiyonel ilişkilere örnekler sunmaktadır. Şekil 17C'de, yaprak-kök yüzey alanı oranı deney sırasında oluşan kuru madde ile ilişkilendirilmiş olup, bu durum asimile eden yüzeyin kuru madde birikimi için sınırlayıcı bir faktör olarak baskın rolünü göstermektedir. Nispeten yüksek bir R2 değerine rağmen anlamlılığın olmaması, burada kullanılan eşleştirilmiş veri sayısının (n=6) düşük olmasıyla ilgilidir. Şekil 17D, daha yüksek kök yüzey alanına (gelişmiş alım) sahip kültürlerin, deney süresince ortalama olarak daha yüksek stomatal iletkenliğe sahip olduğunu ortaya koymaktadır. Daha geniş kök alanının, su ekstraksiyonunu desteklediği ve böylece stomaların açık kalma süresini uzattığı görülmektedir.

Tartışma

Protokoller iki tamamlayıcı yaklaşımlar kök sistemi görüntüleme yetiştirilen toprak için sağlar. Güvenilir deneysel sonuçlar için önemli bir adım, hatta ve homojen yüzey katmanında izleme penceresi sıkı kök-toprak temas sağlamak ve hava boşlukları engellemek için ön cam temin etmelidir rhizoboxes doluyor. Bu nispeten ince elenmiş toprak kullanmak için temel sebebi < 2 mm: büyük toplamları neden daha yüksek yüzey morfolojisi, toplamları arasındaki boşlukları ile gözetleme penceresi içinde. Kök ipucu dehidratasyon daha yüksek bir risk yanı sıra, bu da su eşleme31için daha karmaşık görüntü işleme teknikleri gerektirir.

Değişiklikleri Protokolü'nün bu nedenle rhizoboxes geliştirilmiş ve hızlı dolum üzerinde odaklanın. Şu anda zaman doldurma kutu başına yaklaşık 30 dakika var. Ayrıca her iki taraf ve aydınlatma homojenliği daha iyi RGB görüntüler için en iyi duruma getirmek için değişiklikleri görüntüleme için rhizoboxes iki cam pencere ile kullanımını test. Daha fazla donanım uzantısı düzlemsel optodes32 yanı sıra33 görüntüleme rhizobox sistemi kapasitans entegrasyonu de düşünebilirsiniz. Ancak bu geçerli yükseltme etkinlikler olduğu.

Yazılım değişiklikler RBG görüntüleri34alt ve üst sigorta için otomatik görüntü kaydı odaklanmak. SVMs35 test gibi hyperspectral için daha hassas denetim altında hedef algılama yöntemlerinin yanı sıra28 görüntüleme gelişmiş denetimsiz özellik çıkarma yaklaşıyor. Böylece hyperspectral veri olanak sağlayabilecek birden çok toprak, rizosferde ve kök özellikleri36değerlendirmesi için. Ayrıca bir (yarı) geliştirmek amacıyla mimari özellikleri (dallanma frekans, açıları dallanma) yanı sıra yazılım morfolojik ölçmek için kök sistem Analyzer37 değiştirilmiş bir sürümünü temel rhizobox kök görüntüleri (uzunluk, çapı, yüzey) için automatized.

Ana 3D görüntüleme yaklaşımlar karşılaştırıldığında Protokolü rizosferde özellikleri ve yüzey görünür kök için kısıtlama kısıtlamasıdır. Ancak görünür kök özellikleri tüm kök sistemi21için güvenilir bir proxy vardır kanıtlanmıştır. Rhizobox tekniği kolayca geleneksel yıkıcı örnekleme (Toplam kök sistemi özellikleri vs görünür ilişkisi karşılaştırarak doğrulamak için dinamik büyüme Imaging sonunda yıkama) ile birleştirilmiştir. Bu ilişki türleri21arasında değişebilir, yıkıcı örnekleme farklı bitki türleri ile yeni fenotipleme Serisi görünür özellikleri üzerinden güvenilir kesmesi sağlamak için önerilir.

Burada sunulan Protokolü önemli avantajı gerçekçi yetişme şartlarına (toprak), nispeten yüksek potansiyel üretim geçici çözümlenmiş RGB görüntüleme ve kök işlevlerini (örneğin su alımı) hyperspectral görüntüleme chemometric kök ve rizosferde verilerinden ile çıkarsama için oluşur. Böylece yöntemleri yüksek işlem hacmi fide ve kısmen işlevsel süreçleri içine derin fenotipleme anlayışlar ile daha az deneysel karmaşıklığı ve gelişmiş 3D yöntemleri15' e kıyasla daha yüksek aktarıma izin verirken yöntemleri14, Imaging toprak olmayan kök kesmesi kısıtlamaları üstesinden gelir.

Yaklaşan deneylerde mikorizasız kök sistemi geliştirme ve baklagiller de toprak yapısı, azot ve karbon kapak kırpma türün fenotipleme kök özelliklerini gelince işlevselliğini etkisini incelemek için iletişim kuralının kullanılacağını Bisiklete binme.

Açıklamalar

Yazarlar ifşa gerek yok.

Teşekkürler

Yazarlar Avusturyalı Bilim Fonu FWF proje numarası P 25190-B16 (kuraklık direnci kökleri) üzerinden fon kabul etmiş oluyorsunuz. Hyperspectral görüntüleme altyapısı kurulması Mali Federal hükümet, aşağı Avusturya (arazi Niederösterreich) yolu ile proje K3-F-282/001-2012 tarafından desteklenmiştir. Şeker pancarı deney AGRANA araştırma alındığı için ek finansman & yenilik Merkezi GmbH (ARIC). Yazarlar Craig Jackson deney ve İngilizce el yazması düzeltilmesi sırasında teknik destek için teşekkür ederiz. Biz de Markus Freudhofmaier kurulması için RGB görüntü kurulum katkıda bulunmuş ve Josef Schodl rhizobox montaj yapımı için kabul edersiniz.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
RhizoboxTechnisches Bü ro fü r BodenkulturDeneysel oluşturucu
LED Lambalar ATUM HORTI 600KlutronicAHI10600F
Floresan ışık tüpü HiLite T5 DayJuwel Aquarium86324
UV ışık tüpü Eurolite 45cm ince 15 WConrad593384 - 62
Canon EOS 6DCanon Avusturya GmbH8035B024
Adobe Photoshop CS5 Genişletilmiş Sürüm 12.0 x 32Adobe Systems Software Ireland Ltd.
WinRhizo Pro v. 2013Regent Instruments Inc.
Xeva-1.7-320 SWIR kameraXenicsXEN-000105
Spektrograf Imspector N25ESpecim
Hiperspektral görüntüleme tarayıcıCarinthian Tech Research AGDeneysel oluşturucuHiperspektral Görüntüleme Tarayıcısı ve yazılımı
Matlab R2106aMathworkstasarımı ve montajıGörüntü İşleme, Sinyal İşleme ve İstatistik ve Makine Öğrenimi için Araç Kutuları Dahil
AP4 PoromoeterDelta-T-Cihazları
LI-3100C Alan ÖlçerLI-COR
BASF Styradur polistiren levhalarObi Baumarkt9706318Farklı tipte polistiren levhalar veya farklı şekilde nemlendirilmiş toprağı ayıran diğer malzemeler kullanılabilir

Kaynaklar

  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).

Yeniden basım ve izinler

Etiketler

Hiperspektral G r nt lemeRGB G r nt lemeRizoboks KurulumuSu eri i HaritalamaK k SegmentasyonuSpektral AnalizToprak Arka PlanG r nt leme
RGB ve bitki fenotipleme ve fizyolojik araştırma için spektral kök görüntüleme: deneysel kurulum ve iletişim kuralları görüntüleme
Bize ulaşın
Kütüphaneye tavsiye et

Gizlilik

Kullanım Şartları

İlkeler

Telif hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.