根是获取水分和养分以维持和支持植物生长和锚定所必需的部位。然而，直到最近几十年，它们在表型和植物育种中的研究少于地上性状。在现代，根系形态和根系构型等性状已被认为是“第二次绿色革命”中创造更多更高品质食品的重要性状。为了解决RSA和其他根系研究的不足，人们正在研究新技术，以满足通过根系性状改善植物的日益增长的需求，并克服目前在稳定产量方面停滞不前的遗传进展。

2024年4月，Plant Phenomics 在线发表了美国USDA等单位题为The State of the Art in Root System Architecture Image Analysis Using Artificial Intelligence: A Review的综述论文。该综述系统总结了RSA研究的起源、应用、挑战和未来方向的概要。

研究人员首先介绍了植物根系的重要性：根部不仅提供机械支撑，还是水、养分的主要获取器官，有助于改善土壤结构。培育特定根型的作物可提高粮食安全和农业可持续性。植物育种中，根部特性的重要性常被忽视。但根部的隐藏特质影响作物性状的培育。如何观察、量化和解释根部结构成为育种努力和高通量表型研究的挑战。随后介绍了根系获取方法包括破坏性和非破坏性两种。破坏性方法如根系采集，最为侵入和破坏，但可进行三维可视化。非破坏性技术如根窗技术可进行时间序列分析，观察生长习性。虽然非破坏性技术不损伤植物，但存在采样不全、技术局限等问题，因此采用AI技术辅助分析根系图像的综合方法日益受到关注。还介绍了利用人工智能（AI）和机器学习（ML）技术进行根系图像分析具有很强的优势。ML技术的灵活性和可扩展性推动其在以往无关领域和主题中的应用。ML在植物育种中的应用已成为改善植物表型学的关键因素，但还面临着一系列挑战。最后，对未来研究进行了分析与展望。

图1 单子叶植物和双子叶植物的根系。根和芽鳞片被夸大的细节。直根在一些文献中也称为胚根和初生根

图2 RSA研究过程的ML使用苜蓿根图像。一般步骤包括图像捕获，预处理，分割/特征提取，模型训练，模型调整，模型验证和模型识别

图3 涉及牙根成像的被引用AI研究文献的网络图

在本文中，作者讨论了RSA研究，成像技术和ML技术的应用，交叉点和重要性如何推进植物根系研究。作者相信，鉴于ML和CV建模最近取得的重大成就，随着研究人员在自己的研究中深入研究这些障碍，ML和CV建模在准确性，预测能力和计算速度方面都会增长，先进的成像技术与改进的ML技术和模型相结合的未来是有希望的。

论文链接：

https://doi.org/10.34133/plantphenomics.0178

——推荐阅读——

Panicle-Cloud: An Open and AI-Powered Cloud Computing Platform for Quantifying Rice Panicles from Drone-Collected Imagery to Enable the Classification of Yield Production in Rice

https://spj.science.org/doi/10.34133/plantphenomics.0105

Plant Phenomics | Panicle-Cloud: 一种基于开放式人工智能的稻穗云计算平台

Hyperspectral Remote Sensing for Phenotyping the Physiological Drought Response of Common and Tepary Bean

https://doi.org/10.34133/plantphenomics.0021

Plant Phenomics | 基于高光谱遥感的大豆和花菜豆生理干旱响应的表型研究

加入作者交流群