Tilbake til søkeresultatene

FFL-JA-Forskningsmidlene for jordbruk og matindustri

Phenotyping for healthier and more productive wheat crops

Alternativ tittel: Fenotyping for friskere og mer produktive hveteavlinger

Tildelt: kr 5,1 mill.

Matproduksjonen må økes for å holde tritt med befolkningsveksten og gjøres mer bærekraftig for å begrense miljøbelastningen. Avlingene kan økes med mer produktive hvetesorter og bruk av presisjonsteknologi i hvetedyrkingen. I prosjektet PhenoCrop vil vi tilpasse fenotypingsteknologier til norske dyrkingsforhold og utvikle verktøy til bruk i planteforedling og presisjonsjordbruk. Prosjektet koordineres av Norges miljø- og biovitenskapelige universitet (NMBU) i nært samarbeid med planteforedlere på Graminor, Norsk landbruksrådgiving (NLR), droneselskapet Unmanned og utvalgte hvetedyrkere. Internasjonalt samarbeid er etablert med verdensledende ekspertise på statistisk modellering (CIMMYT) og bruk av dyp læring i bilde-analyser for planteforedling (University of Minnesota). En robotisert plattform vil bli tilpasset til å ta nærbilder av plantene i feltforsøk mens droner vil bli brukt til å ta multispektrale og hyperspektrale bilder av feltforsøkene på en rask og effektiv måte gjennom sesongen. Fenotypingsprotokoller vil bli utviklet og optimalisert for norske forhold, og spesifikke algoritmer brukt til å avlingsprediksjon og estimering av viktige agronomiske egenskaper hos plantene. I prosjektet gjør vi bruk av feltforsøk både på Vollebekk forsøksgård i Ås (i regi av NMBU) og Staur forsøksgård i Stange (i regi av Graminor). I den første feltsesongen har vi flydd med ukentlige intervall med multispektralt kamera for å samle inn data som kan brukes til å forbedre prediksjonsmodellene for avling som vi utviklet i vPheno-prosjektet. I et av feltforsøkene har vi anlagt ekstra forsøksruter som ble høstet rett etter blomstring (Zadoks 65) for å utvikle modeller for prediksjon av biomasse som kan benyttes til å anslå avlingspotensial tidlig i sesongen. I tillegg har vi i 2021 testet ut flyging med forskjellige kamera i forskjellige høyder og med forskjellig vinkel for å optimalisere datainnsamlingen for estimering av ulike egenskaper som plantehøyde og aksskytingsdato. I 2021 brukte vi på Vollebekk vår eksisterende feltfenotypingsrobot til å samle inn høyoppløselige nærbilder fra feltforsøk som vi bidrar med i et internasjonalt konsortium (Global Wheat Head Challenge) for å videreutvikle dyplæringsalgoritmer for automatisk gjenkjenning og telling av aks. Disse skal vi videre teste ut på høyoppløselige dronebilder som er tatt i lav høyde for å se om vi kan bruke dronebilder til dette formålet. Dette henger sammen med vår ambisjon om å bruke bilde-basert fenotyping til å detektere og kvantifisere aksfusariose, som er en svært utfordrende plantesykdom å evaluere basert på visuell bedømming. Våren 2021 utnyttet vi muligheten til å teste ut drone-basert fenotyping av overvintring i feltforsøk med høsthvete som viste tydelige forskjeller i overvintring, og sammenligne metodikken med visuell bedømming. Ikke overraskende viste det seg at en enkel indeks basert på andelen vegetasjonspiksler av totale piksler i multispektrale dronebilder både var mer pålitelig og mindre tidkrevende enn visuell bedømming. Dette arbeidet blir nå skrevet sammen med tanke på publisering. 2021 var også en pilotsesong for å teste ut avlingsprediksjon i bondens åker. Det ble foretatt droneflyging med multispektralt kamera i hveteåkre på fem utvalgte gårdsbruk på Østlandet og dataanalyser er påbegynt for å sammenligne den multispektrale informasjonen i dronebildene med faktisk avlingsvariasjon fra avlingsregistrator på bondens skurtresker. Et langsiktig mål med dette arbeidet er å utvikle modeller for tidlig estimering av variasjon i avlingspotensial som bonden kan bruke til stedspesifikk gjødsling for å oppnå jevnere avling og kvalitet.

Improved cultivars and crop management is needed to increase productivity and sustainability of agriculture. Advances in sensor technologies and genomics offer possibilities for faster breeding of new cultivars and more site-specific crop management. PhenoCrop seeks to increase the sustainability and productivity of Norwegian wheat production by developing new high-throughput phenotyping tools to be used in plant breeding and precision agriculture. A robotic platform will be adapted for close-up imaging in field trials while drones fitted with multispectral and hyperspectral cameras will be used to gather crop canopy data in a fast and efficient manner. Specific algorithms including machine learning models will be applied to estimate important agronomic traits and predict yield performance. Deep learning object detection methods will be applied to develop image-based automated solutions for Fusarium head blight (FHB), which is a particular challenging disease to evaluate by visual scoring. A database system with user-friendly tools for efficient data management and visualization will be developed. Big data in breeding and agriculture will be utilized by applying novel concepts of combining crop performance in large-scale plant breeding nurseries across years and locations with yield mapping in farmers’ fields coupled with multispectral drone imaging data. This will help us to disentangle the genotype-by-environment interactions, develop better tools for predicting performance of new cultivars and helping farmers to apply site-specific crop management to increase yield stability, productivity and profitability. The work will be carried on in close cooperation with plant breeders (Graminor), farmers, extension service (NLR), and drone service providers (Unmanned), and in collaboration with world-leading expertise on statistical modeling (CIMMYT), and application of deep learning for image analysis in plant breeding (University of Minnesota).

Aktivitet:

FFL-JA-Forskningsmidlene for jordbruk og matindustri