Révolution de la recherche agricole : l'IA et RhizoNet dévoilent les racines des plantes

ParisDes chercheurs du Berkeley Lab ont accompli des avancées significatives en recherche agricole. Ils ont mis au point RhizoNet, un outil d'IA qui analyse les racines des plantes. Comprendre les racines est crucial, car elles jouent un rôle clé dans l'absorption de l'eau et des nutriments.

Les anciennes méthodes demandaient beaucoup d'efforts et étaient souvent inexactes. Grâce au deep learning, RhizoNet automatise le processus avec une grande précision. Voici ce que vous devez savoir :

• Conçu par les divisions Mathématiques Appliquées et Recherche Computationnelle et Biologie des Systèmes et Génomique Environnementale du Berkeley Lab.
• Utilise l'apprentissage profond pour analyser les racines des plantes.
• Automatise l'analyse des images de racines, augmentant ainsi la précision.
• Emploie une architecture U-Net Résiduelle pour la segmentation.
• Permet de suivre la croissance et la biomasse des racines.

Une étude dans Scientific Reports présente RhizoNet. Daniela Ushizima, la chercheuse principale, a expliqué que RhizoNet rend la segmentation et l'analyse des racines homogènes.

EcoFAB est un nouvel outil qui nous permet de voir clairement les racines des plantes. Développé en collaboration avec l'Institut Conjoint du Génome (JGI) du DOE et la division des Sciences Climatiques et des Écosystèmes, EcoFAB fournit des données extrêmement cohérentes.

RhizoNet et EcoFAB permettent aux scientifiques d'examiner les racines dans divers environnements nutritifs. RhizoNet utilise des images colorées produites par EcoFAB et un modèle Residual U-Net. Ce modèle intègre des connexions supplémentaires pour améliorer la segmentation.

Lisez aussi:

Aujourd'hui · 12:41

La transition difficile d'OpenAI vers une entité à but lucratif

Peter Andeer, un scientifique participant au projet, explique qu'EcoBOT aide à capturer des images aisément, et que RhizoNet se charge automatiquement de l'analyse des données. Cela accélère le travail et favorise le développement de laboratoires automatisés. Ils ont utilisé les ressources du NERSC pour entraîner RhizoNet et effectuer des tests. Le système fournit des informations détaillées et précises sur la taille et la croissance des racines des plantes.

Zineb Sordo, une data scientist sur le projet, a expliqué comment ils ont développé un nouveau réseau de neurones convolutifs pour leurs recherches. Ce modèle s'avère plus précis que les annotations manuelles. En utilisant des parties plus petites des images, il offre une meilleure performance et permet de discerner des détails plus fins.

Nous avons évalué la précision du modèle en comparant la biomasse racinaire prédite aux mesures réelles. La régression linéaire a montré une forte corrélation, prouvant que RhizoNet est plus précis que les annotations manuelles. Ces résultats démontrent que RhizoNet est extrêmement performant.

Les découvertes pourraient déboucher sur des avancées en matière d'énergie écologique et de méthodes de capture du carbone. Ushizima et son équipe prévoient d'améliorer RhizoNet pour détecter et analyser les schémas de ramification plus efficacement. Ils pensent également que les algorithmes pourraient être utiles pour l'étude des racines dans le sol et pour explorer de nouveaux domaines en science des matériaux.

Peter Andeer, Trent Northen, Camille Catoulos et James Sethian font également partie de l'équipe. Ce projet, Twin Ecosystems, utilise des technologies de vision par ordinateur et des logiciels de conception expérimentale autonome pour mener des expériences écosystémiques. Il soutient également l'initiative Carbon Negative Earthshot du DOE.