Durchbruch in der Wurzelforschung: mit RhizoNet AI Wurzeln besser verstehen

BerlinWissenschaftler am Berkeley Lab haben Fortschritte in der landwirtschaftlichen Forschung erzielt. Sie entwickelten RhizoNet, ein KI-Werkzeug, das Pflanzenwurzeln untersucht. Die Kenntnis über Wurzeln ist wichtig, da sie bei der Aufnahme von Wasser und Nährstoffen helfen.

Frühere Methoden waren mühsam und oft fehleranfällig. RhizoNet setzt Deep Learning ein, um den Prozess mit hoher Genauigkeit zu automatisieren. Das sind die wichtigsten Informationen:

• Entwickelt von den Abteilungen für Angewandte Mathematik und Computationale Forschung sowie Umweltgenomik und Systembiologie des Berkeley Lab.
• Setzt auf Deep Learning zur Analyse von Pflanzenwurzeln.
• Automatisiert die Analyse von Wurzelbildern und erhöht die Genauigkeit.
• Nutzt eine Residual U-Net Architektur für die Segmentierung.
• Ermöglicht das Verfolgen von Wurzelwachstum und Biomasse.

Eine Studie in Scientific Reports stellt RhizoNet vor. Die Hauptforscherin, Daniela Ushizima, erklärte, dass RhizoNet die Segmentierung und Analyse von Wurzeln vereinheitlicht.

EcoFAB ist ein innovatives Werkzeug, das uns einen klaren Blick auf Pflanzenwurzeln gewährt. Es wurde in Zusammenarbeit mit dem DOE Joint Genome Institute und der Abteilung für Klima- und Ökosystemwissenschaften entwickelt. EcoFAB liefert sehr zuverlässige Daten.

RhizoNet und EcoFAB unterstützen Wissenschaftler bei der Analyse von Wurzelbildern in verschiedenen Nährstoffumgebungen. RhizoNet verwendet Farbbilder, die von EcoFAB erstellt werden, sowie ein Residual U-Net Modell, das durch zusätzliche Verbindungen eine verbesserte Segmentierung ermöglicht.

Lesen Sie auch:

21. November 2024 · 08:55

Asiatische Märkte sinken trotz beeindruckender Nvidia-Ergebnisse und KI-Unsicherheiten

Peter Andeer, ein Wissenschaftler im Projekt, erklärte, dass EcoBOT die einfache Erfassung von Bildern ermöglicht und dass RhizoNet die Datenanalyse automatisch durchführt. Dies beschleunigt die Arbeit und fördert die Entwicklung automatisierter Labore. Zur Schulung von RhizoNet und für Testläufe nutzten sie die Ressourcen von NERSC. Das System liefert detaillierte und präzise Informationen über die Größe und das Wachstum von Pflanzenwurzeln.

Zineb Sordo, eine Datenwissenschaftlerin im Projekt, erläuterte, wie sie ein neues Convolutional Neural Network entwickelt haben. Dieses Modell ist präziser als manuelle Anmerkungen. Durch die Verwendung kleinerer Bildausschnitte erzielt das Modell bessere Leistungen und kann feinere Details erkennen.

Wir überprüften die Genauigkeit des Modells, indem wir die vorhergesagten Wurzelbiomassen mit den tatsächlichen Messungen verglichen. Eine lineare Regression zeigte eine starke Übereinstimmung und bewies, dass RhizoNet präziser ist als manuelle Annotationen. Diese Ergebnisse unterstreichen die hohe Leistungsfähigkeit von RhizoNet.

Die Entdeckungen könnten zu Fortschritten bei umweltfreundlicher Energie und Methoden zur Kohlenstoffbindung führen. Ushizima und ihr Team planen, RhizoNet zu verbessern, um Verzweigungsmuster effektiver zu erkennen und zu analysieren. Außerdem glauben sie, dass die Algorithmen nützlich sein könnten, um Wurzeln im Boden zu untersuchen und neue Bereiche in der Materialwissenschaft zu erkunden.

Peter Andeer, Trent Northen, Camille Catoulos und James Sethian sind ebenfalls im Team des Projekts Twin Ecosystems. Dieses Projekt nutzt Computer Vision und autonome Software für experimentelles Design in Ökosystemstudien. Darüber hinaus unterstützt es die Carbon Negative Earthshot-Initiative des DOE.