AI kan plantenwortels onthullen: RhizoNet transformeert landbouwonderzoek bij Berkeley Lab

AmsterdamWetenschappers van het Berkeley Lab hebben vooruitgang geboekt in landbouwonderzoek. Ze ontwikkelden RhizoNet, een AI-instrument dat de wortels van planten analyseert. Inzicht in wortels is cruciaal omdat ze helpen bij de opname van water en voedingsstoffen.

Vroegere methoden waren arbeidsintensief en vaak onnauwkeurig. RhizoNet maakt gebruik van deep learning om dit proces te automatiseren met een hoge nauwkeurigheid. Dit moet je weten:

• Ontwikkeld door de afdelingen Toegepaste Wiskunde en Computationeel Onderzoek en Milieugenomica en Systeembiologie van Berkeley Lab.
• Automatiseert de beeldanalyse van wortels om nauwkeurigheid te verbeteren.
• Maakt gebruik van een Residual U-Net architectuur voor segmentatie.
• Maakt tracking van wortelgroei en biomassa mogelijk.

Een onderzoek in Scientific Reports presenteert RhizoNet. Hoofdonderzoeker Daniela Ushizima legt uit dat RhizoNet zorgt voor een uniforme segmentatie en analyse van wortels.

EcoFAB is een revolutionair hulpmiddel dat ons in staat stelt om plantenwortels helder te zien. Het is ontwikkeld met de steun van het DOE Joint Genome Institute en de Climate & Ecosystem Sciences divisie. EcoFAB levert zeer consistente data.

RhizoNet en EcoFAB helpen wetenschappers bij het analyseren van wortelscans in verschillende voedingsomgevingen. RhizoNet werkt met kleurscans gemaakt door EcoFAB en een Residual U-Net model. Dit model heeft extra verbindingen toegevoegd om de segmentatie te verbeteren.

Lees ook:

Vandaag · 14:35

AI-chatbots bieden nauwkeurige adviezen bij lage rugpijn.

Peter Andeer, een wetenschapper die aan het project werkt, meldde dat EcoBOT eenvoudig beelden verzamelt en RhizoNet automatisch de data analyseert. Hierdoor verloopt het werk sneller en wordt de ontwikkeling van geautomatiseerde laboratoria ondersteund. Voor het trainen van RhizoNet en het uitvoeren van testen maakten ze gebruik van NERSC-voorzieningen. Het systeem levert gedetailleerde en nauwkeurige informatie over de grootte en groei van plantenwortels.

Zineb Sordo, datawetenschapper op het project, legde uit hoe ze een nieuw convolutioneel neuraal netwerk ontwikkelden. Dit model is nauwkeuriger dan handmatige annotaties. Door kleinere delen van afbeeldingen te gebruiken, presteert het model beter en kan het fijnere details waarnemen.

We hebben de nauwkeurigheid van het model getest door de voorspelde wortelbiomassa te vergelijken met werkelijke metingen. Lineaire regressie toonde een sterke correlatie aan, wat aantoont dat RhizoNet nauwkeuriger is dan handmatige annotaties. Deze resultaten benadrukken de hoge capaciteiten van RhizoNet.

De ontdekkingen kunnen leiden tot vooruitgang in milieuvriendelijke energie en methoden om koolstof op te vangen. Ushizima en haar team zijn van plan om RhizoNet te verbeteren om vertakkingspatronen effectiever te detecteren en analyseren. Ze denken ook dat de algoritmen nuttig kunnen zijn voor het bestuderen van wortels in de bodem en voor het verkennen van nieuwe gebieden in de materiaalkunde.

Peter Andeer, Trent Northen, Camille Catoulos en James Sethian maken deel uit van het team. Dit werk is onderdeel van het Twin Ecosystems-project. Het maakt gebruik van computervisiesystemen en autonome experimenteerdesignsoftware voor ecosysteemonderzoeken. Daarnaast ondersteunt het de DOE's Carbon Negative Earthshot-initiatieven.