Tilbake til søkeresultatene

FFL-JA-Forskningsmidlene for jordbruk og matindustri

Reliable and efficient high-throughput phenotyping to accelerate genetic gains in Norwegian plant breeding (virtual phenomics; vPheno)

Alternativ tittel: Større avlingsframgang i norsk kornforedling gjennom pålitelig og high-throughput fenotyping (virtual phenomics; vPheno)

Tildelt: kr 6,0 mill.

Dette prosjektet utvikler og tester ut ny teknologi innen både bildeanalyser og genomseleksjon som kan øke presisjonen i utvelgelsen av nye plantesorter og gi planteforedlerne tilgang på mer presise data om plantenes vekst og utvikling. Samtidig blir det i prosjektet arbeidet med å utvikle genomseleksjonsmodeller tilpasset norsk hveteforedling, og å gjøre disse mer treffsikre ved å inkludere fenotypedata fra de multispektrale bildeanalysene. I tillegg utvikler vi nye måter å visualisere data fra feltforsøk på, gjennom «virtual reality». Her blir de tredimensjonale modellene fra de multispektrale bildeanalysene kombinert med annen relevant informasjon, slik at planteforedleren skal kunne besøke forsøksfeltene virtuelt og bestemme hvilken type informasjon som skal vises. Vi har de fire siste feltsesongene (2017 til 2020) gjennomført feltforsøk både på forsøksgården Vollebekk på Ås i regi av NMBU og på Staur i Stange i regi av Graminor. På begge steder er et panel bestående av 300 vårhvetelinjer blitt testet for agronomiske egenskaper og avling. I tillegg er det tatt jevnlige multispektrale dronebilder med omtrent ukentlige intervall i løpet av sesongen. Data fra disse bildeanalysene blir sammenlignet med manuelle målinger som gjøres på plantene i løpet av vekstsesongen. De tre siste sesongene har vi i tillegg testet et valideringspanel med 300 nye vårhvetelinjer fra Graminor på begge stedene. Bruk av nye maskinlæringsmetoder har resultert i lovende prediksjonsmodeller for avling basert på vegetasjonsparametere fra multispektrale dronebilder, og et manuskript om dette er sendt til publisering. I 2020-sesongen testet vi også en ny Phantom 4 multispektral drone, som ble brukt side om side med Micasense RedEdge-kameraet i flere av feltforsøkene. Den nye dronen har gitt lovende resultater med forbedret bildekvalitet og bedre evne til å håndtere skyggeeffekter forårsaket av skyer på himmelen. De fenotypiske dataene blir analysert videre sammen med markørdata for å modellere genotype-fenotype sammenhenger og til utvikling av genomseleksjonsmodeller som inkorporerer korrelerte egenskaper og genotype x miljø-samspill. Vi har sammen med CIMMYT i Mexico utviklet effektive statistiske modeller for genomprediksjon som nå er publiserte og klare til bruk. Testing av disse modellene på feltforsøksdata fra prosjektet viser at treffsikkerheten kan økes ved å inkludere multispektrale vegetasjonsdata i genomprediksjonsmodellene. Vi har i prosjektet også gjennomført avlingsforsøk med 24 historiske hvetesorter for å studere det plantefysiologiske grunnlaget for avlingsframgangen i norsk hveteforedling. Disse er de fem siste årene (2016 til 2020) blitt sådd ut på Vollebekk med to forskjellige nitrogengjødslingsnivå som tilsvarer vanlig gjødsling på hhv 1970-tallet (7.5 kg N per daa) og dagens praksis (15 kg N per daa). I noen av disse forsøkene har vi i tillegg til vanlige agronomiske registeringer og avling også studert avlingskomponenter og gjort plantefysiologiske målinger. I alle disse forsøkene er det tatt jevnlige dronebilder med multispektralt kamera i tillegg til nærbilder med roboten. Disse forsøkene demonstrerer en tydelig avlingsframgang over de fem siste tiårene, og peker på antall korn per aks som en viktig faktor bak avlingsframgangen. Det er også en tendens til at de gamle sortene produserer mindre biomasse ved blomstring mens de moderne sortene generelt viser en lengre kornfyllingsfase. Et manuskript om dette er under ferdigstillelse og forventes sendt til publisering i begynnelsen av 2021. For å håndtere de store datamengdene i prosjektet er det satt i gang arbeid med å utvikle en strukturert database for lagring og prosessering av fenotypedata i MySQL. Det arbeides også med å utvikle web-baserte verktøy for enkel og effektiv deling, visualisering og pre-prosessering av data basert på denne databasen. Demo-versjonen av «virtual reality» verktøyet som ble utviklet i 2019 har i 2020 blitt utvidet til å inkludere 360 bilder fra feltroboten. Vi har også gjort framgang i arbeidet med å utvikle maskinlæringsmetoder for automatisk gjenkjenning og telling av aks i nærbilder fra roboten. Graminor er sammen med andre planteforedlingsfirmaer med i et nordisk prosjekt (6P2) finansiert av NordGen som har som formål å utvikle praktiske fenotypingsverktøy for planteforedling under nordiske forhold. I 2020 sto NMBU og Graminor som arrangør for den årlige feltdagen i dette nettverket. På grunn av covid-19 ble denne gjort om til en virtuell konferanse som samlet 50 deltakere og ga god publisitet til vPheno-prosjektet.

New approaches are necessary to meet the goals of increased food production. Plant breeding can play a key role by developing cultivars with higher yield potential. New technologies like genomic selection and high-throughput phenotyping offer possibilities to increase genetic gains through more precise selection and shortening of the breeding cycle. However, considerable research is needed in terms of theoretical developments, statistical modeling and technical solutions to achieve this in practice. By bringing in world-leading expertise in statistical modeling and image analysis, we will develop novel statistical models to extract biologically relevant information from hyperspectral images. The work will consist of developing reliable methods for capturing high-resolution images of field plots, and utilizing novel computational solutions to integrate top view images from drones with close-up images from robots to build 3D models that retain the original resolution and hyperspectral information. Computational algorithms will then be used to extract important physical and physiological traits from these 3D models that can be used directly as selection tools in plant breeding. By coupling hyperspectral data with grain yield and other direct measurements, statistical prediction models will be developed that plant breeders can use in early-generation selection to increase yield gains. Considerable efforts will be spent on developing efficient computational solutions to manage the large amounts of data that will be generated, and finding intuitive ways of displaying relevant information to the plant breeder. User-friendly solutions will be developed through direct involvement of Graminor plant breeders in the project. By utilizing virtual reality technology, our ultimate goal is to "take the field to the breeder" and let the plant breeder observe the field plots and associated data through VR goggles.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Aktivitet:

FFL-JA-Forskningsmidlene for jordbruk og matindustri