AI revolutionerar forskningen: artificiell intelligens avslöjar växtrötter med hög precision enligt ny rapport.

StockholmForskare vid Berkeley Lab har gjort framsteg inom jordbruksforskning. De har utvecklat RhizoNet, ett AI-verktyg som analyserar växtrötter. Kunskap om rötter är viktig eftersom de hjälper till att absorbera vatten och näringsämnen.

Tidigare metoder krävde mycket arbete och var ofta felaktiga. RhizoNet använder djupinlärning för att automatisera processen med hög noggrannhet. Här är vad du behöver veta:

• Utvecklad av Berkeley Labs avdelningar för Tillämpad Matematik och Dataanalyser samt Miljögenomik och Systembiologi.
• Använder djupinlärning för att analysera växters rotsystem.
• Automatiserar analysen av rotbilder, vilket ökar noggrannheten.
• Tillämpar en Residual U-Net arkitektur för segmentering.
• Gör det möjligt att följa tillväxt och biomassa hos rötter.

En studie i Scientific Reports beskriver RhizoNet. Daniela Ushizima, huvudforskaren, förklarade att RhizoNet gör rotsegmentering och analys enhetlig.

EcoFAB är ett nytt verktyg som gör det möjligt att tydligt se växtrötter. Det utvecklades med hjälp av DOE Joint Genome Institute och avdelningen för Klimat & Ekosystemvetenskaper. EcoFAB erbjuder mycket konsekventa data.

RhizoNet och EcoFAB underlättar för forskare att analysera rotskanningar i olika näringsmiljöer. RhizoNet använder färgskanningar från EcoFAB och en Residual U-Net-modell. Denna modell har förbättrade kopplingar för att optimera segmenteringen.

Läs också:

Idag · 20:28

Ny forskning: AI-modeller stärker samhället med inkludering

Peter Andeer, en forskare i projektet, förklarade att EcoBOT underlättar insamlingen av bilder, medan RhizoNet hanterar dataanalysen automatiskt. Detta gör arbetet snabbare och stöder utvecklingen av automatiserade laboratorier. De använde resurser från NERSC för att träna RhizoNet och genomföra tester. Systemet ger detaljerad och exakt information om rötternas storlek och tillväxt hos växter.

Zineb Sordo, en datavetare på projektet, beskrev hur de utvecklade ett nytt konvolutionellt neuralt nätverk för sitt arbete. Denna modell är mer exakt än manuella anteckningar. Genom att använda mindre delar av bilderna presterar modellen bättre och kan urskilja finare detaljer.

Vi utvärderade modellens noggrannhet genom att jämföra den förutsagda rotbiomassan med faktiska mätningar. Linjär regression visade en stark koppling, vilket bevisar att RhizoNet är mer exakt än manuella annoteringar. Dessa resultat visar att RhizoNet är mycket skicklig.

Upptäckterna kan resultera i framsteg inom miljövänlig energi och metoder för att fånga upp koldioxid. Ushizima och hennes team planerar att förbättra RhizoNet för att mer effektivt upptäcka och analysera förgreningsmönster. De tror också att algoritmerna kan vara användbara för att studera rötter i jord och för att utforska nya områden inom materialvetenskap.

Peter Andeer, Trent Northen, Camille Catoulos och James Sethian ingår också i teamet. Detta arbete är en del av Twin Ecosystems-projektet och använder sig av datorseende och autonom experimentdesignprogramvara för ekosystemsexperiment. Det stöder också DOE:s initiativ Carbon Negative Earthshot.