Technion-Forscher haben eine innovative Technologie zur automatisierten Überwachung von Stress bei landwirtschaftlichen Nutzpflanzen entwickelt. Die frühzeitige Erkennung von Wasser- und Hitzestress ist für landwirtschaftliche Erzeuger von entscheidender Bedeutung, da sich die Verringerung der Feuchtigkeit in einer eingeschränkten stomatären Leitfähigkeit niederschlägt, was zu einem verminderten Wachstum und schließlich zum vorzeitigen Absterben der Pflanze führt. Die Entwicklung wurde von den Mitarbeitern des GIP, dem Geometric Image Processing Laboratory, in der Henry and Marilyn Taub Faculty of Computer Science geleitet.
Israel, das in den ersten Jahrzehnten seines Bestehens führend in Landwirtschaft war, wandelte sich im Laufe der Jahre zur Startup-Nation. In den letzten Jahren hat sich herausgestellt, dass die Verbindung von beidem – Hightech und Landwirtschaft, kurz Agritech – der Lebensmittelwelt einen deutlichen Schub geben dürfte.
Dies ist der Hintergrund für die Gründung des von der Israel Innovation Authority geförderten Phenomics Consortium, in dessen Rahmen die vorliegende Forschung durchgeführt wurde. Das Konsortium wurde mit dem Ziel gegründet, wissenschaftliche und technologische Innovationen durch die Zusammenarbeit zwischen akademischen Forschungsinstituten und Industrieunternehmen zu fördern.
Die Technion-Forscher – Forschungsassistent Alon Zvirin, Leiter des GIP-Labors Professor Ron Kimmel und Chefingenieur Yaron Honen – haben eine intelligente Technologie zur Überwachung und Vorhersage von Pflanzenstress und Blattsegmentierung entwickelt.
Zvirin führt das Vorhaben aus: “Die Erkennung von Trockenstress ermöglicht die Rettung der Pflanze, die Identifizierung von Krankheiten und die Vorhersage von Ertragsmengen, was alles entscheidende Informationen für den Landwirt sind.”
Durch den Einsatz von Farbfotografien, Wärmebildern und Deep Learning konnten die Forscher Stress und Blattneubildung mit großem Erfolg vorhersagen; bei einem Test der Technologie an Bananensetzlingen wurde eine beeindruckende Vorhersagegenauigkeit von über 90 % erreicht.
Im Zusammenhang mit der Segmentierung von Blättern erzielten die Forscher durch die Anwendung von Deep Learning beispiellose Ergebnisse bei der Identifizierung von Arabidopsis- und Tabakblättern.
Um das System auf einer großen Menge von Proben zu trainieren, entwickelte das Forscherteam eine riesige Datenbank mit künstlichen Blattbildern und testete die Technologie dann auch an anderen Nutzpflanzen – Avocado, Bananen, Gurken und Mais.
Das Phenomics-Konsortium
Der Name “Phenomics” leitet sich von dem Wort “Phänotyp” ab, also den beobachtbaren physikalischen Eigenschaften eines Organismus, die eine landwirtschaftliche, agronomische oder biologische Bedeutung besitzen. In vorliegendem Fall ist damit die Diagnose des Zustands einer Pflanze anhand ihrer beobachtbaren Merkmale – Farbe, Form und Größe – gemeint.
Die automatisierte Phänotypisierung mit hohem Durchsatz stellt heute den Engpass bei der Verbesserung von landwirtschaftlichen Nutzpflanzen dar, daher die Bedeutung der vorliegenden Errungenschaft.
Die Partner des Technion im Konsortium sind die Agro- und Biotech-Unternehmen Rahan Meristem, Hazera Seeds und Evogene, die Technologieunternehmen Elbit Systems, Opgal Optronics Industries und Sensilize sowie die folgenden akademischen und Forschungsinstitute: Ben-Gurion Universität, Tel Aviv Universität, die Universität Haifa, die Hebräische Universität Jerusalem und das Volcani Center, welches eine der ersten Kooperationen mit den Vereinigten Arabischen Emiraten auf Grundlage der Abrahm Verträge einging, wie auf Glocalist berichtet.
English Summary
Technion researchers have developed an innovative technology for automated monitoring of stress in agricultural crops. Early detection of water and heat stress is critical for agricultural producers, as reductions in moisture translate into impaired stomatal conductance, leading to reduced growth and eventually premature plant death. The development was led by the staff of GIP, the Geometric Image Processing Laboratory, in the Henry and Marilyn Taub Faculty of Computer Science.
Quelle/Sender (ausgewählt, adaptiert/gekürzt, endübersett von Glocalist): Technion