Phenotyping for healthier and more productive wheat crops

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 arbeider vi med å tilpasse fenotypingsteknologier til norske dyrkingsforhold og utvikle verktøy til bruk i planteforedling og presisjonsjordbruk. I prosjektet gjør vi bruk av avlingsforsøk med nye foredlingslinjer av vårhvete som testes både på Vollebekk forsøksgård i Ås (i regi av NMBU) og Staur forsøksgård i Stange (i regi av Graminor). I feltsesongene 2021, 2022, 2023 og 2024 har vi samlet inn multispektrale dronebilder fra forsøkene med ukentlige intervall gjennom sesongen. Disse dataene har vi brukt til å forbedre avlingsprediksjonsmodellene i vårhvete og studere vegetasjonsdynamikk gjennom sesongen. I tillegg har vi brukt dronebilder fra RGB kamera til å estimere plantehøyde i forsøkene. I forsøkene på Vollebekk har vi i tillegg anlagt ekstra forsøksruter som har blitt høstet rett etter blomstring for å samle inn data som kan brukes til å utvikle modeller for prediksjon av biomasse som kan bidra til mer presis avlingsprediksjon. Gjennom dette arbeidet har vi kontinuerlig forbedret modellene for estimering av plantehøyde og gulmodning, og brukt KI-modeller (dyplæring) til å lage mer treffsikre avlingsprediksjonsmodeller. Fenotypedata fra forsøkene blir samtidig koblet med genotypedata fra SNP markører til å lage modeller til bruk i genomisk seleksjon. Her har vi hatt et veldig fruktbart samarbeid med CIMMYT i Mexico som har resultert i flere vitenskapelige artikler. Samtidig med denne forskningsaktiviteten har Graminor investert egne ressurser i dronefenotyping, og tatt i bruk teknologien i sine egne feltforsøk. Som et resultat av dette og andre pågående prosjekter er datainnsamling med RGB og multispektrale dronebilder blitt rutine. Det er i 2023 og 2024 lagt ned en stor innsats for å strømlinjeforme bildeprosessering og databehandling slik at ferdige data kan leveres til planteforedlerne senest tre dager etter droneflyging. Det arbeides med å implementere dette for utvalgte egenskaper i hvete, bygg og havre. Det er videre planer for dette i engvekster, potet og åkerbønner. I prosjektet har vi også arbeidet med å forbedre fenotypingsroboten basert på Thorvald-plattformen og bruk av dyplæringsmodeller til automatisk identifisering av aks. Sesongen 2024 har vi testet ut en ny prototype med forbedret navigasjon og som kan gjøre mye av databehandlingen «on the go». De siste dyplæringsmodellene basert på «The Global Wheat Head Dataset» som vi har bidratt til gjennom internasjonalt samarbeid ser også ut til å fungere i bygg. Dette ble presentert på smart farming fagdagen på NMBU i august 2024. Vi har også arbeidet med å utvikle fenotypingsverktøy for automatisk identifisering og kvantifisering av Fusarium-angrep, både basert på kornprøver og drone- og robotbilder i felt. Forskjellige maskinlærings- og dyplæringsmodeller har blitt testet ut gjennom ulike mastergradsoppgaver ved NMBU. I den gjenværende prosjektperioden vil arbeide videre med disse modellene. Gjennom samarbeid med NLR blir forskningen i prosjektet testet ut i praksis i bondens åker. Vi har i sesongene 2021, 2022, 2023 og 2024 gjennomført droneflyging med multispektralt kamera på utvalgte gårdsbruk i Østlandsområdet som har skurtresker med avlingsregistrator. På denne måten har vi kunnet sammenligne predikert avling basert på dronebildene med faktisk avling etter høsting. To masteroppgaver har vært koblet til dette arbeidet og resultatene så langt viser at dronebildene gir mer pålitelige data enn satellittbilder, og gir nyttige data til bruk i forskning. Et praktisk spørsmål for bonden er om data tilfører nok ekstra informasjon til at kostnadene i form av tidsbruk og penger kan forsvare seg økonomisk. Prosjektet har blitt presentert på markdager og andre arrangementer i regi av NLR og NMBU samt via presentasjoner på internasjonale konferanser. Prosjektet har fått god publisitet i media i tillegg til den vitenskapelige produksjonen. PhenoCrop har i tillegg så langt i prosjektet bidratt til totalt 10 masteroppgaver ved NMBU.

-

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).