Vid Texas A&M AgriLife Research Center i Beaumont har risforskare startat ett dataprojekt med hjälp av ett obemannat flygfordon, UAV, för att påskynda urvalet och odlingen av rissorter.
Teamet kommer att använda UAV:er för att ta bilder i realtid av risgrödor, extrahera produktens fenotypiska egenskaper från bilderna och analysera data för att identifiera överlägsna, högavkastande risgenotyper.
Yubin Yang, Ph.D., chefsbiosystemanalytiker vid Beaumont Center, leder Texas A&M AgriLife Research Project, finansierat av ett treårigt anslag på 650 000 $ från det amerikanska jordbruksdepartementet – National Institute of Food and Agriculture. Projektet syftar till att övervinna ett stort hinder i datainsamlingen – den arbetsintensiva och tidskrävande processen att manuellt samla in fältdata med hjälp av en kunnig arbetsstyrka.
AgriLife Research-kollegorna Stanley Omar Samonte, Ph.D., en hybridrisodlare som gick med Yang i projektgruppen; Fugen Dou, Ph.D., växtnäringshantering; Ted Wilson, Ph.D., chef för centret och ägare av Jack B. Wendts risavdelning; Tanumoy Bera, Ph.D., postdoktor, alla i Texas A&M Department of Soil and Plant Sciences; och Jing Zhang, Ph.D., docent i datavetenskap, Lamar University, Beaumont.
De huvudsakliga forskningsmålen inkluderar:
- Mät de viktigaste fenotypiska tecknen på ristillväxt och -utveckling.
- Ta UAV-bilder av risgenotyper under de huvudsakliga ristillväxtstadierna.
- Utveckla avancerade bildbehandlingsalgoritmer för att extrahera viktiga fenologiska, morfologiska och arkitektoniska egenskaper för viktiga ristillväxtstadier.
- Utveckla ett digitalt risvalssystem som kontrollerar de bäst presterande genotyperna genom dataintegration och beslutsfattande med flera tecken.
Fördelar med UAV-teknik
“Traditionell manuell mätning av de fenotypiska egenskaperna hos ris tar mycket, mycket tid,” sa Yang. ”Det blir allt svårare att anställa kvalificerad och erfaren personal. UAV-teknik och avancerad bildbehandling kan ge ett potentiellt kostnadseffektivt och pålitligt alternativ. Vi kan använda UAV för att ta bilder av ris under de huvudsakliga tillväxtstadierna och för att utveckla algoritmer för att extrahera olika fenotypiska egenskaper för hundratals och till och med tusentals risgenotyper.
Yang sa att tusentals UAV-bilder, såväl som ytlig sanningsdata, kommer att samlas in under risskördssäsongen. Många UAV-flygningar kommer att genomföras för att ta bilder av ris med olika kameravinklar för att hjälpa till att ställa upp montrarna och analysera luckorna mellan plantorna.
“Mycket information måste integreras och analyseras,” sa Yang. ”Detta är det första året av projektet och det är en läroprocess för oss. Tidig UHA-avbildning för tidig ristillväxt var svår på grund av risplantornas ringa storlek och blåsiga väderförhållanden. Det finns ett begränsat fönster när du kan flyga. “
Utveckling av avancerade bildbehandlingsalgoritmer
Efter att ha erhållit UAV-data kommer teamet också att utveckla maskininlärningsalgoritmer för att identifiera nyckelegenskaper och välja de bästa risgenotyperna.
Forskningsprojektet kommer att bedöma viktiga fenotypiska egenskaper för val av stamtavla, såsom stödstruktur, biomassatillväxt, fenologisk utveckling och slutlig spannmålsskörd.
“Vi kommer att utveckla automatiserade algoritmer som kan extrahera fenotypiska egenskaper från UV-bilder tagna i kritiska risstadier.” Det digitala urvalssystemet för ris kommer att utvecklas genom att integrera många egenskaper för att bestämma de genotyper som presterar bäst. “
Dow sa att en annan potentiell aspekt av att använda IHA-teknologi kommer att vara växttillväxtövervakning för kvävehantering och sjukdomsdetektering.
“Vi har ett pågående projekt för att bedöma tillståndet för riskväve från UAV-bilder,” sa Dow. “UAV-baserad diagnos av växtnäringsämnen och andra påfrestningar har stor potential, särskilt för ris med begränsad tillgång till fältet på grund av det översvämmade produktionssystemet.”
“Det föreslagna projektet är en stor ansträngning för att leverera ett integrerat UAV-bildbaserat beslutssystem till risodlare och forskare,” sa Yang. “Det kommer att vara ett ovärderligt verktyg för att avsevärt förbättra effektiviteten av risodling och fenotypning.”
-30-
