科学家最近利用Videometer原位多光谱根系表型成像系统（Radimax）发表了题为“Non-invasive Phenotyping for Water and Nitrogen Uptake by Deep Roots Explored using Machine Learning”的文章，这是利用该系统发表的数十篇此类文章之一。 

利用机器学习探索深根吸收水分和氮的无创表型

摘要

背景和目的

根在土壤剖面上的分布对作物资源吸收很重要。本研究利用机器学习（ML）研究了不同土壤深度下测得的平面根长密度（pRLD）是否与同位素示踪剂（15N）和干旱胁迫指标（13C）在小麦中的吸收有关，以揭示根系功能。

方法

在RadiMax半田间根系筛选设施中，2018/2019年分别对95/120种不同冬小麦基因型的根系生长进行了表型分析。使用微型根管技术，在5月、6月和7月采集了80至250厘米深度范围内的根系图像，并使用卷积神经网络提取pRLD。我们开发了ML模型，以探索不同土壤深度的pRLD估计是否可以预测深层土壤氮的吸收——使用15N示踪剂的深度放置，以及使用13C同位素的自然丰度的抗旱潜力。我们分析了示踪剂水平与分析根深度估计和ML方法的相关性。我们使用中介分析进一步分析了基因型对根功能的影响。

结果

分析模型和ML模型都表明pRLD分布和资源吸收之间存在明显的相关性。此外，这两个模型都表明，大约150至170厘米深的深根对于解释植物15N和13C同位素的含量是最重要的。2018年的相关性高于2019年。

结论

结果表明，在半田间非侵入性根系表型设置中，分析和基于ML的分析为深入生根对水分和氮吸收的重要性提供了补充。

关键词：机器学习，深层资源吸收，随机森林，13C 

Non-invasive Phenotyping for Water and Nitrogen Uptake by Deep Roots Explored using Machine Learning

Abstract

Background and aims

Root distribution over the soil profile is important for crop resource uptake. Using machine learning (ML), this study investigated whether measured planar root length density (pRLD) at different soil depths were related to uptake of isotope tracer (15N) and drought stress indicator (13C) in wheat, to reveal root function.

Methods

In the RadiMax semi-field root-screening facility 95/120 different winter wheat genotypes were phenotyped for root growth in 2018/2019, respectively. Using the minirhizotron technique, root images were acquired across a depth range from 80 to 250 cm in May, June, and July and pRLD was extracted using a convolutional neural network. We developed ML models to explore whether the pRLD estimates at different soil depths were predictive of the uptake of deep soil nitrogen - using deep placement of 15N tracer as well as drought resilience potential using natural abundance of 13C isotope. We analyzed the correlations to tracer levels to both an analytical root depth estimation and an ML approach. We further analyzed the genotypic effects on root function using mediation analysis.

Results

Both analytical and ML models demonstrated clear correlations between pRLD distribution and resource uptake. Further, both models demonstrated that deep roots at approx. 150 to 170 cm depth were most important for explaining the plant content of 15N and 13C isotopes. The correlations were higher in 2018 than in 2019.

Conclusions

The results demonstrated that in the semi-field non-invasive root phenotyping setup, analytical and ML-based analysis provided complementary insight into the importance of deep rooting for water and nitrogen uptake.

Machine learning deep rooting deep resource uptake random forest 13C

VideometerMR原位植物根系生长监测多光谱表型系统

丹麦Videometer公司开发的原位植物根系生长监测多光谱监测系统，是做根系研究的专业优选装备，无论对于浅根系蔬菜还是浅根系乔木根系表型、生态研究，都具有现实性研究意义。目前在根系研究领域中，对于玉米根系和小麦根系所作的研究比较多，但大多还采用传统不可重复的挖掘方法。原位植物根系生长监测多光谱监测系统出现，改变了这种情况，使得植物研究人员在对根系进行研究的过程中，可以使用原位的方式，无损伤的进行监测。

根系是陆地生态系统“隐藏的一半”，对其进行准确取样、观察和测定存在一定困难。丹麦Videometer公司开发的根系多光谱原位监测系统是目前先进的一款根系多光谱测量系统，整体性能指标处于先进水准，已经在丹麦歌本哈根大学使用并取得了有效的效果。

VideometerMR原位植物根系生长监测多光谱表型系统是先进套“土壤原位多光谱成像系统”可以获取土壤、根系多光谱剖面图像，监测土壤中活体根系的生长动态，区分新根和老根。用户可以方便的获取同一地点不同深度的根系图像，以及不同地点不同根系的图像。获得2048X2448cm的高分辨率多光谱图像，用户可以看到根系（土壤颗粒背景）的详细结构。专业VideometerLab根分析软件分析计算根长、根面积、体积、根尖数等根系形态参数，可进行不同时间空间多幅图片的拼接，具备强大的根系形态分析功能，是研究根系表型研究、监测根系生长，根系生理生态、根系抗逆性研究和土壤颗粒变化等的专业工具

仪器特性

VideometerMR原位植物根系生长监测多光谱表型系统可以方便地非破坏性原位获取土壤中活体根系的生长动态多光谱图像数据

用户使用柱型设计的主机，获取定位的不同时间季节、不同深度的根系分布或土壤剖面图像数据

应用专业VideometerMR表型根系分析软件分析根系长度、直径、截面积、投影面积、根尖数等参数

技术参数

工作环境：相对湿度20～90%RH（非冷凝），5-40℃

主机特点：柱型设计的主机，可对根系和土壤状态进行不变形的线性多光谱数据获取，还可采用自动机器人设计

电源：使用数据处理终端的电池可连续使用数小时或使用主电源

光源：5个高功率光源，波长405,450,590,660和940nm

数据存贮：直接存贮到数据处理终端

图像数据精度：每个波段5M

视野：62mmX75mm

主获取速率：5-10秒

透明观察管：60mm内径，100、200cm、300cm长

主机：多光谱相机可扩展到4个到数十个