RGB и спектральные корень изображений для растений фенотипа и физиологических исследований: экспериментальная установка и визуализации протоколы

Environment
 

Summary

Экспериментальный протокол представлен для оценки почвы выращенных растений корневой системы с RGB и гиперспектральных изображений. Сочетание RGB изображения время серии с chemometric информацией из гиперспектрального сканирует оптимизирует понимание динамики корня растений.

Cite this Article

Copy Citation | Download Citations

Bodner, G., Alsalem, M., Nakhforoosh, A., Arnold, T., Leitner, D. RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols. J. Vis. Exp. (126), e56251, doi:10.3791/56251 (2017).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Лучшего понимания динамики корня растений имеет важное значение для повышения эффективности использования ресурсов сельскохозяйственных систем и увеличить сопротивление сортов сельскохозяйственных культур против экологическим стрессам. Экспериментальный протокол представляется для RGB и гиперспектральных изображений корневых систем. Этот подход использует rhizoboxes, где растения растут в естественной почве над более длинним временем соблюдать полностью развитых корневых систем. Экспериментальные параметры являются примером для оценки rhizobox растений под водный стресс и изучение роли корней. RGB изображений установки описан для дешевой и быстрой квантификации корень развития с течением времени. Гиперспектральных изображений улучшает сегментации корень от фона почвы по сравнению с порог цвета RGB. Особая сила гиперспектральных изображений является приобретение chemometric информацию о системе корень почвы для функционального понимания. Это проявляется с высоким разрешением воды содержание сопоставления. Спектральная томография, однако, является более сложным в захвата изображений, обработки и анализа, по сравнению с подходом RGB. Сочетание обоих методов можно оптимизировать всеобъемлющую оценку корневой системы. Примеры приложений, интеграции, корень и трава черты даны в контексте фенотипа и завод физиологические исследования растений. Дальнейшее совершенствование корневой изображений могут быть получены путем оптимизации качества изображения RGB с лучшего освещения, используя различные источники света и выдвижением методов анализа изображений для выведения на свойства корня зоны от спектральных данных.

Introduction

Корни растений, таких как хранение предусматривают несколько основных функций усваивает, Анкоридж наземные растения в почве и поглощение и транспортировки воды и питательных веществ1. С эволюционной точки зрения формирования оси корня считается основным условием для происхождение наземных растений2. Несмотря на эту важную роль исторически корни занимали лишь маргинальное положение в биологических исследованиях. В более поздние времена однако, растет научный интерес в корневой системы растений как свидетельствует на рисунке 1.

Figure 1
Рисунок 1: Актуальность исследований корня растений наук.
Количество корневых соответствующих исследований в процентах всех опубликованных завод исследований в журналах SCI за последние десятилетия. Результат от Scopus, используя ключевые слова «завод» и «завод и корень» поиска. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Две основные причины можно предположить, чтобы лежат в основе последних достижений в исследованиях корня. Во-первых, наземной растительности подвергается более частых экологического стресса в результате глобальных изменений3. В контексте производства сельскохозяйственных культур предполагается, что во всем мире около 30% сельскохозяйственных площадей ограничены воды и фосфор4,5. Снижение стресса урожайности сельскохозяйственных культур являются главной причиной значительную доходность пробелы, которые оцениваются глобально в ниже 50% потенциальной продуктивности для неорошаемых агроэкосистемах6. Помимо наличия ограниченных ресурсов это также связано с бедных ресурсов эффективность использования, т.е. недостаточный потенциал для использования имеющихся ресурсов7завода. Это приводит к потерям мобильных ресурсов например, нитратов, которое может отрицательно повлиять на другие экосистемы. Эффективность использования текущей глобальной азота например оценивается в 47%8. Ресурсов лучше использовать эффективность посредством совершенствования методов управления и сортов поэтому большое значение как для устойчивого роста сельскохозяйственных мероприятий, а также экологической устойчивости. В этом контексте растений корни считаются ключевыми мишенью для улучшения сельскохозяйственных культур и выращивания сельскохозяйственных культур систем9,10.

Второй важный фон для бронирование интерес к корням растений — технологического прогресса в методах измерения. Корень методы давно были ограничены по две основные проблемы: для измерения корней растений, растущих в почве, они должны были быть изолированы для количественной оценки, главным образом путем промывания11, таким образом нарушая архитектурной расположение корневого осей. In-situ корень наблюдение с использованием раскопки методами, тем самым сохраняя естественный расположения корней в почве, были использованы для Ботаническое описание12. Еще они очень много времени и таким образом не соответствуют требованиям пропускной способности анализа сравнительной структурно функциональной корневой системы. С другой стороны методы высокой пропускной способностью для корневой архитектуры измерения были основном делается на искусственных средств массовой информации и для рассады растений13 где экстраполяции для окружающей среды естественного роста растений является сомнительной14.

Недавний бум корень исследований тесно связана с заранее в imaging методы15. Imaging подходы в корень исследования можно примерно сгруппировать три типа. Во-первых есть высокое разрешение 3D методов, таких как КТ и МРТ-16. Эти методы являются наиболее подходящими для исследования процессов взаимодействия корней растений с почвой, такие, как засуха индуцированной ксилема эмболии17. Обычно они применяются для сравнительно небольших образцов, где они позволяют подробные замечания. В18приводится сравнение КТ и МРТ для по-разному размера кастрюли и тонкой корень изображений. Во-вторых есть высок объём тепловизионные методы19,20. Эти методы являются главным образом на основе общих 2D RGB изображений корней, растущих на искусственных СМИ (гель, прорастание бумага), где высокая контрастность позволяет сравнительно просто диссекция между корнями и фон. Они подходят для высокой пропускной способности сравнения среди Рассада корень черты различных культур генотипов под стандартизированных искусственный рост условия13. Между этими двумя подходами являются rhizobox методы: они используют 2D изображений корни растущих в почве в течение длительного периода времени и средней пропускной способности21,22. Последние вызов (2D) корня изображений является захват также показатели корень функциональность помимо описания структуры23.

В настоящем документе мы представляем экспериментальные протоколы для изображений rhizobox рост корневой системы, используя (i дешевый и простой заказ RGB изображения установки и (ii более сложные визуализации установки НДК. Пример результатов, полученных от этих двух настроек отображаются и обсуждаются в контексте завод фенотипа и физиологические исследования растений.

Discussion

Протоколы обеспечивают два взаимодополняющих подхода для почвы, рост корневой системы визуализации. Важным шагом для надежных экспериментальных результатов заполнение rhizoboxes, который должен обеспечить даже и однородной подложки слоем на передние стекла обеспечивают контакт туго корень почвы в окне наблюдения и избежать воздушные зазоры. Это основная причина для использования сравнительно хорошо просеянные почвы < 2 мм: крупных агрегатов привести к выше поверхности морфологии в окне наблюдения с пустоты между агрегатами. Кроме того, более высокий риск обезвоживания кончика корня это также требует более сложных методов обработки изображений для воды сопоставления31.

Поэтому изменения протокола сосредоточиться на улучшение и быстрого заполнения rhizoboxes. В настоящее время время наполнения составляет около 30 минут в коробке. Кроме того использование rhizoboxes с двумя стеклами для изображений с обеих сторон, так и изменения для оптимизации однородности освещения для лучшего изображения RGB тестируются. Дальнейшие расширения оборудования могли бы также рассмотреть интеграции плоские optodes32 , а также емкости изображений33 в rhizobox систему. Однако это выходит за рамки текущей модернизации деятельности.

Модификаций программного обеспечения сосредоточиться на автоматической регистрации предохранитель верхней и нижней RBG фото34. Для использования гиперспектральных изображений продвинутая особенность неконтролируемой добычи подходы28 , а также более чувствительные методы обнаружения под контролем целевого такие как Марковским35 тестируются. Таким образом гиперспектральных данных потенциально позволяют для оценки нескольких почвы, ризосфере и корень свойства36. Кроме того, он призван разработать (полу) автоматизированного программного обеспечения для rhizobox корень изображений на основе модифицированной версией37 корневой системы анализатора для количественного определения морфологической (длина, диаметр, поверхность) а также архитектурные черты (ветвления частоты, ветвление углы).

Основное ограничение протокола, по сравнению с 3D визуализации подходов является ограничение на поверхности видны корня и ризосфере свойств. Однако было продемонстрировано, что видимые корень черты являются надежным прокси для всей корневой системы21. Rhizobox техника легко сочетается с традиционными разрушительной выборки (стирка) в конце динамичного роста изображений с целью проверки связи видимыми против всего корневой системы черты. Как это отношение может варьироваться среди видов21, разрушительные выборки рекомендуется для обеспечения надежного вывода из видимых признаков для любой новой серии фенотипа с видами различных культур.

Ключевым преимуществом протокола, представленные здесь является сочетание реалистичные условий выращивания (почвы), относительно высокой потенциальной пропускной способности для временно решена RGB изображения и вывод на корень функциональность (например, поглощение воды) через chemometric корня и ризосфере данным гиперспектральных изображений. Тем самым методы преодолевает ограничения вывода в Рассада высокой пропускной способности и не почвы корень изображений методы14, хотя это частично позволяет глубоко фенотипирование понимание функциональных процессов с менее экспериментальной сложности и высокую пропускную способность по сравнению с передовых 3D методы15.

В предстоящих экспериментов для изучения эффекта микориза на развитие корневой системы и функциональность бобовых, а также что касается фенотипирование корень характеристики видов покрытия сельскохозяйственных культур в отношении структуры почвы, азота и углерода будет использоваться протокол Велоспорт.

Disclosures

Авторы не имеют ничего сообщать.

Acknowledgments

Авторы признают, финансирование от австрийской FWF фонд науки через проект номер P 25190-B16 (корни засухоустойчивость). Создание инфраструктуры гиперспектральных изображений было при финансовой поддержке федерального правительства Нижняя Австрия (Земля Niederösterreich) через проект K3-F-282/001-2012. Дополнительное финансирование для сахарной свеклы эксперимент был получен от Аграна исследований & GmbH центр инноваций (АРИК). Авторы благодарят Крейг Джексон за техническую поддержку в ходе эксперимента и английский коррекции рукописи. Мы также признаем Маркус Freudhofmaier, кто способствовал созданию RGB изображения установки и Йозеф Schodl для строительства rhizobox монтажа.

Materials

Name Company Catalog Number Comments
Rhizobox Technisches Büro für Bodenkultur Experimental builder
LED Lamps ATUM HORTI 600 Klutronic AHI10600F
Fluorescent light tube HiLite T5 Day Juwel Aquarium 86324
UV light tube Eurolite 45cm slim 15 W Conrad 593384 - 62
Canon EOS 6D Canon Austria GmbH 8035B024
Adobe Photoshop CS5 Extended Version 12.0 x 32 Adobe Systems Software Ireland Ltd.
WinRhizo Pro v. 2013 Regent Instruments Inc.
Xeva-1.7-320 SWIR camera Xenics XEN-000105
Spectrograph Imspector N25E Specim
Hyperspectral imaging scanner Carinthian Tech Research AG Experimental builder Design and assemblage of Hyperspectral Imaging Scanner and software
Matlab R2106a Mathworks Including Toolboxes for Image Processing, Signal Processing and Statistics and Machine Learning
AP4 Poromoeter Delta-T-Devices
LI-3100C Area Meter LI-COR
BASF Styradur polystyrene sheets Obi Baumarkt 9706318 Different types of polystyrene sheets or other material separating differently moistured soil can be used

DOWNLOAD MATERIALS LIST

References

  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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics