Identifizierung neuer kältetoleranter Zoysia-Grasarten mithilfe von High

Wissenschaftliche Berichte Band 13, Artikelnummer: 13209 (2023) Diesen Artikel zitieren

243 Zugriffe

1 Altmetrisch

Details zu den Metriken

Zoysia-Gras (Zoysia spp.) ist aufgrund seiner Haltbarkeit und Widerstandsfähigkeit gegenüber Umweltbelastungen das am häufigsten verwendete Rasengras für die warme Jahreszeit in Korea. Um neue Sorten mit längerer Grünphase zu entwickeln, ist es wichtig, das Keimplasma zu screenen, das die Grünphase bei niedrigeren Temperaturen aufrechterhält. Herkömmliche Methoden sind zeitaufwändig, mühsam und subjektiv. Daher demonstrieren wir in dieser Studie eine objektive und effiziente Methode zum Screening der Aufrechterhaltung längerer grüner Keimplasmen mithilfe von RGB- und Multispektralbildern. Von August bis Dezember wurden Zeitreihendaten erfasst und wir berechneten den Prozentsatz der Grünbedeckung (GCP), den Normalized Difference Vegetation Index (NDVI), den Normalized Difference Red Edge Index (NDRE), den Soil-adjusted Vegetation Index (SAVI) und die Enhanced Vegetation Indexwerte (EVI) von Keimplasma aus RGB- und Multispektralbildern durch Anwendung von Vegetationsindizes. Das Ergebnis zeigte signifikante Unterschiede bei GCP, NDVI, NDRE, SAVI und EVI im Keimplasma (p < 0,05). Das GCP, das die Grünmenge durch Zählen der Pixel des grünen Bereichs aus RGB-Bildern bewertete, zeigte für August und September eine Beibehaltung des Grünanteils von über 90 %, im Vergleich zu Oktober jedoch einen starken Rückgang. Die Studie ergab signifikante Unterschiede bei GCP und NDVI im Keimplasma. san208 zeigte über 153 Tage über 90 % GCP und hohe NDVI-Werte. Darüber hinaus haben wir auch Bewertungen anhand verschiedener Vegetationsindizes durchgeführt, nämlich NDRE, SAVI und EVI. san208 wies in diesem Zeitraum NDRE-Werte von über 3 % auf. Was SAVI betrifft, so begann es zunächst bei etwa 38 % und sank im Laufe dieser Tage allmählich auf etwa 4 %. Darüber hinaus verzeichnete er für den Monat August etwa 6 %, verzeichnete jedoch zwischen September und Oktober einen Rückgang von etwa 9 % auf 1 %. Der komplementäre Einsatz beider Indikatoren könnte eine effiziente Methode zur objektiven Beurteilung des Grünzustands von Rasen sowohl quantitativ als auch qualitativ sein.

Zoysia-Gras, das zur Gattung Zoysia gehört, ist ein in Korea beliebtes Rasengras und besteht aus etwa 16 Arten. Es ist entlang des Pazifiks weit verbreitet, von der nordostasiatischen Region, wie Korea und Japan, wo ein gemäßigtes Klima herrscht, bis zur südostasiatischen Region, wie den Philippinen und Thailand, wo ein tropisches Klima herrscht1. Aufgrund seiner starken seitlichen und unterirdischen Ausbreitung wächst es niedrig, blüht von Mai bis Juni und trägt von Juni bis Juli Früchte, ist aber aufgrund seiner geringen Keimrate hauptsächlich auf vegetative Vermehrung angewiesen. Zoysia-Gras in Korea behält seine grüne Farbe etwa sechs Monate lang, von Mitte April bis Mitte Oktober, aber im Winter geht es in den Ruhezustand und wird gelb oder braun2. Es weist eine starke Resistenz gegenüber biologischen und nichtbiologischen Stressfaktoren wie Krankheiten, Insekten, Dürre und Abnutzung auf und ist daher leicht zu handhaben. Als Nachteile weist es jedoch ein langsameres Wachstum, eine langsamere Erholungsrate nach Schäden und eine verzögerte Begrünung im Frühjahr auf3. Zu den in Korea heimischen Zoysia-Grasarten gehören Zoysia japonica, Z. matrella, Z. sinica, Z. Macrostachya und Hybrid-Zoysia-Gras. Unter diesen ist Z. japonica, bekannt als koreanisches Rasengras, aufgrund seiner starken Anpassungsfähigkeit an die Umwelt trotz seiner leicht rauen Textur und der geringen Dichte die in Korea am häufigsten verwendete Art. Z. matrella wird auch in Korea häufig verwendet und hat aufgrund seiner weichen Textur, die durch feine Blätter verursacht wird, und seiner hervorragenden Fähigkeit zur Grasnarbenbildung gute Bewertungen in Bezug auf die Rasenqualität erhalten. Z. sinica und Z. macrostachya werden noch nicht kommerziell genutzt, aber ihre starke Salztoleranz macht sie zu wertvollen Zuchtmaterialien. Hybrides Zoysia-Gras, das mittlere Eigenschaften zwischen Z. japonica und Z. matrella oder Z. sinica aufweist, wächst nachweislich in der südlichen Region Koreas. Z. tenuifloria wird in Korea verwendet, obwohl sein heimisches Anbaugebiet nicht bestätigt wurde2,4.

Die Umgebung des Grases hat einen erheblichen Einfluss auf sein Wachstum, einschließlich Faktoren wie Feuchtigkeit, Temperatur, Licht und Boden. Wenn diese Umweltfaktoren für das Graswachstum nicht geeignet sind, beispielsweise bei Dürre, Hitze, Kälte, Schatten oder hohem Salzgehalt, gerät das Gras unter Stress, was sein Wachstum hemmen und seine Qualität beeinträchtigen kann5,5,7. Daher haben viele Forscher die physiologischen, morphologischen und metabolischen Reaktionen von Gras auf verschiedene Umweltbelastungen untersucht, um seine innere Anpassungsfähigkeit zu verbessern8. Es wurden Studien durchgeführt, um verschiedene Parameter zu messen und die veränderten Reaktionen auf Stress als Indikator für die Identifizierung von Grasarten mit hervorragender innerer Anpassungsfähigkeit zu nutzen. Die phänotypische Vielfalt von Sorten des Deutschen Weidelgrases (Lolium perenne L.), die in sechs verschiedenen Regionen gesammelt wurden, wurde verglichen, indem sie Trockenstress ausgesetzt wurden9. Um die Dürrereaktion zu bewerten, wurden häufig verwendete Parameter zur Beurteilung der Dürretoleranz wie Wachstumsreduzierung, Photosynthesereduzierung, Reduzierung des Wassergehalts und Anstieg der Elektrolytleckage gemessen. Das Welken der Blätter und die Grashöhe wurden visuell beurteilt und mit Werkzeugen gemessen9. Die Fluoreszenz des Chlorophylls wurde mit einem Fluorometer gemessen, um die Photosyntheseeffizienz zu bewerten. Um den Wassergehalt der Blätter und den Elektrolytaustritt zu messen, wurden eine Reihe manueller Prozesse durchgeführt, z. B. das Wiegen nach dem Entfernen der Feuchtigkeit oder die Verwendung einer Druckkammer. Infolgedessen wurde ein neuer, auf Bildanalyse basierender Ansatz als Alternative zu den bestehenden Methoden entwickelt und erregte zunehmend Aufmerksamkeit bei Forschern10.

Das Konzept, Pflanzen abzubilden, geht über das bloße Fotografieren von Pflanzen hinaus. Dabei geht es um die quantitative Messung des Phänotyps einer Pflanze anhand der Wechselwirkung zwischen Pflanze und Licht, einschließlich Photonenabsorption, -reflexion und -emission11. Um diese bildbasierte Phänotypisierungstechnologie umzusetzen, sind nicht nur Biologie, sondern auch interdisziplinäres Verständnis und die Integration von Sensorik, Computer Vision, Mathematik und Elektrotechnik unerlässlich. Dieser Ansatz ermöglicht die objektive Erfassung anatomischer und physiologischer Eigenschaften von Pflanzen durch berührungslose und zerstörungsfreie Methoden und übertrifft die menschlichen Grenzen in Bezug auf Genauigkeit, Empfindlichkeit und Verarbeitungskapazität.11 Büchi et al.12 führten Experimente durch, um die Überdachungsfläche von Pflanzen visuell zu vergleichen Die mit zwei Bildanalysetools (Assess 2.0 und Canopeo) ermittelte Pflanzenbedeckung wurde mit der durch visuelle Bewertung ermittelten Pflanzenbedeckung verglichen, wobei ein positiver Zusammenhang zwischen den beiden Bewertungen festgestellt wurde. Sie erkannten jedoch die Notwendigkeit, Umwelteinflüsse wie Licht und Schatten zu kontrollieren, um objektivere Ergebnisse aus den erfassten Bildern zu erhalten, und betonten, dass es einen zusätzlichen Prozess zur genauen Messung der Baumkronenfläche geben sollte, da es Einschränkungen bei der Unterscheidung von Pflanzenbewuchs und Unkraut gibt nur digitale Bildanalysetools12.

In der Fernerkundung werden verschiedene Vegetationsindizes zur Überwachung des Pflanzenwachstums und zur Beurteilung der Vegetationsgesundheit verwendet. Zwei weit verbreitete Indizes sind der Normalized Difference Vegetation Index (NDVI) und der Soil Adjusted Vegetation Index (SAVI). Der NDVI ist ein häufig verwendeter Index zur Überwachung des Maiswachstums, zur Bewirtschaftung von Ackerland und zur Vorhersage von Erträgen. Es reagiert empfindlich auf Schwankungen im Wachstum verschiedener Kulturpflanzen. Osco et al.13, Santana et al.14 und Wan et al.15 haben NDVI in ihren Studien zum Maiswachstum, zur Ackerlandbewirtschaftung und zur Ertragsvorhersage genutzt. Andererseits ist der SAVI ein weiterer beliebter Vegetationsindex, der zuverlässigere Ergebnisse liefert, indem er den Einfluss von Bodeneffekten minimiert. Es berücksichtigt die Hintergrundreflexion des Bodens und ist daher in bestimmten Situationen besser geeignet als NDVI. Braz et al.16 hoben die Vorteile von SAVI hervor, insbesondere seine Fähigkeit, die Auswirkungen von Bodenschwankungen abzumildern. SAVI wird oft im Vergleich zum NDVI oder als alternativer Index für die Vegetationsbewertung8 verwendet.

In den letzten Jahren wurden erhebliche Fortschritte bei der Optimierung bodengestützter Hochdurchsatzansätze zur zerstörungsfreien Schätzung spektraler Vegetationsindizes (SVIs) erzielt. Diese SVIs, wie der normalisierte Vegetationsindex (NDVI), das einfache Verhältnis (SR) und die Chlorophyllindizes (CI), dienen als Indikatoren für grüne Biomasse, Blattflächenindex (LAI), Chlorophyllgehalt und Photosyntheserate. Sie sind nützlich für die Beurteilung der Seneszenzrate während der Reifung von Pflanzen17,17,18,19,21. Das Aufkommen kostengünstiger, hochauflösender Multispektralsensoren hat zu einem weit verbreiteten Einsatz unbemannter Luftfahrzeuge (UAVs) in der Pflanzenphysiologieforschung geführt. UAVs bieten einen praktischen Ansatz zur zeitlichen Quantifizierung räumlicher Merkmale in großen und vielfältigen Pflanzenpopulationen und maximieren so die Selektionsgenauigkeit über verschiedene Umweltfaktoren hinweg. Auf UAVs montierte Multispektralsensoren und RGB-Kameras wurden eingesetzt, um Spektralbilder in verschiedenen Lichtreflexionsbändern (nahes Infrarot, Rot, Rotrand, Grün und Blau) zu erfassen. Diese Bilder wurden verwendet, um Biomasse22, LAI23, Pflanzendichte24 und photosynthetische Aktivität25 in Nutzpflanzen wie Raps, Gerste und Weizen zu erfassen. UAV-basierte multispektrale Bilder wurden auch verwendet, um die Auflaufrate und das Überleben im Frühjahr bei Weizen abzuschätzen26.

Zusätzlich zu UAVs waren satellitengestützte Vegetationsdaten von entscheidender Bedeutung für die Überwachung des Pflanzenwachstums11,27,28. In jüngerer Zeit wurden UAV-basierte Vegetationsindizes wie der Enhanced Vegetation Index (EVI) und der Normalized Difference Red Edge (NDRE) eingesetzt, um den physiologischen Status von Weizen- und Sorghumkulturen während der Reifung unter Dürrebedingungen zu bewerten11. Da die Seneszenz eine entscheidende Rolle bei der Auswahl grün bleibender Genotypen spielt, besteht die Notwendigkeit, genaue Methoden zu entwickeln, die kostengünstige Spektraldaten nutzen, um die Seneszenzrate vorherzusagen. Unter extremen Stressbedingungen kann eine frühe Seneszenz, die aus dem schnellen Abbau von Pflanzengewebe und Makromolekülen wie Chlorophyll resultiert, zu erheblichen Ertragsverlusten führen. Borrell et al.10 demonstrierten die negativen Auswirkungen hoher Seneszenzraten auf den Kornertrag unter Bedingungen mit begrenztem Wasser und Hitze. Die Seneszenz hängt eng mit der grünen Blattfläche, dem Chlorophyllgehalt und der Temperatur des Blätterdachs zusammen. Die Auswahl von Weizengenotypen mit verbesserten Merkmalen des Grünbleibens, die sich durch eine verzögerte Seneszenz auszeichnen, kann die Sortenleistung unter Stressbedingungen verbessern29,30.

Diese Studie zielt darauf ab, die Rasenbegrünung abzuschätzen, indem hochauflösende RGB- und multispektrale Bilder verwendet werden, die durch UAV-Technologie gewonnen wurden. Die spezifischen Ziele dieser Forschung sind der Vergleich und die Einführung verschiedener Methoden zur Schätzung des prozentualen Grünbedeckungsgrads während des Rasenaufbaus unter Verwendung von UAV-abgeleiteten Daten, um die Genauigkeit und Wirksamkeit der vom UAV abgeleiteten prozentualen Grünbedeckungsschätzung durch Vergleich mit dem prozentualen Grünanteil in Bodennähe zu demonstrieren Decken Sie Daten mit verschiedenen vegetativen Indizes ab und ermitteln Sie das Gras, das am kältesten Klima verträgt.

Zur Durchführung dieser Studie wurde in einem Gebäude der Jeju-Nationaluniversität in Aradong, Stadt Jeju auf der Insel Jeju, ein Rasenanbaustandort eingerichtet. Das im Experiment verwendete Gras wurde im Forest Life Resources Conservation Field der Jeju National University gesammelt und über einen Zeitraum von etwa neun Tagen vom 29. Juli bis 6. August 2020 verpflanzt (Tabelle 1). Es wurden 32 Topfschalen (5 cm hoch und 12 cm lang pro Zelle) verwendet, die mit landwirtschaftlichem Biofeststoff und Einstreu-Biofeststoff gefüllt waren. Wie in Abb. 1 dargestellt, wurde in jede der 12 Zellen auf beiden Seiten eine Ressource gepflanzt, nachdem die mittleren 8 Zellen leer gelassen wurden. Die Schalen mit dem gepflanzten Gras wurden wahllos auf einem Beet etwa 70 cm über dem Boden platziert. Anschließend erfolgte die Bewässerung mittels Sprinkler, Kühler und Schlauch, um ein normales Graswachstum zu fördern. Um den Rasen zu pflegen, wurde ein Ventilator installiert und die Seitenfenster des Anlagehauses wurden offen gehalten, um eine der Außenumgebung ähnliche Temperatur aufrechtzuerhalten (Abb. 2). Um ein dichtes Wachstum des Grases zu fördern, wurde außerdem zweimal im Mai und Juni 2021 gedüngt und zwischen April und September 2021 sieben Unkrautjätungen zu entsprechenden Zeitpunkten durchgeführt (Abb. 3). Vor allem haben wir die genetischen Grasressourcen verwaltet, indem wir dafür gesorgt haben, dass sich das Gras in den einzelnen ausgewiesenen Bereichen nicht vermischt, indem wir täglich alle überlappenden Stängel überprüften und beschnitten haben.

Zwei voneinander unterschiedliche Keimplasmen wurden in einen Topf gepflanzt. △: ein Keimplasma. ▽: das andere Keimplasma, das anders ist △. : kein Keimplasma, es ist leer.

Temperatur in der Nähe des Rasengewächshauses, von wo aus das automatische Wettersystem in Sanchondan bereitgestellt wird.

Der Mähplan und die Datenerfassung in dieser Studie.

Für das einjährige Gras wurden monatliche Bilder zur Monatsmitte (13. August, 10. September, 15. Oktober, 12. November und 10. Dezember) für fünf Monate von August bis Dezember 2021 aufgenommen. Eine Phantom 4 Multispectral (WM336, DJI Für das Experiment wurde ein unbemanntes Luftfahrzeug mit sechs 1–2,9-Zoll-CMOS-Sensoren (Abb. 4) verwendet. Die Informationen zum Wellenlängenbereich für jeden Sensor sind in Tabelle 2 aufgeführt. Vor dem Schießen wurde Unkraut entfernt und das Moos mit Sand bedeckt wurden durchgeführt, um zu verhindern, dass andere Pflanzen auf den Bildern erscheinen. Die Aufnahme erfolgte mit der DJI GO Pro-App, der ISO-Wert wurde auf 400 eingestellt und der Weißabgleich wurde automatisch angepasst. Die Dreharbeiten begannen um 13 Uhr und dauerten etwa 2 Stunden. Um das Gras zu schießen, wurde eine Drohne mit angeschlossenem Sensor auf einem speziell angefertigten Gerät platziert und in einem festen Abstand vertikal 2 m über dem Gras gehalten, um sicherzustellen, dass die Daten in einem festen Intervall erfasst wurden (Abb. 5A). Zusätzlich wurde beim Bewegen des Geräts zum Schießen auf das Gras auch eine Strahlungskorrektur-Zielplatte (gewebtes Polyestergewebe Typ 882, Group 8 Technology, USA) bewegt, sodass die Zielplatte auf allen Bildern sichtbar war (Abb. 5B). Die Bilder wurden je nach verwendetem Sensor in unterschiedlichen Dateiformaten gespeichert, wobei RGB-Bilder im JPEG-Format und Multispektralbilder im TIFF-Format gespeichert wurden. Die Größe aller Bilder betrug 1600 × 1300 Pixel, was für alle Sensoren gleich war. In fünf Sitzungen wurden insgesamt 285 zeitliche Datenpunkte (57 pro Sitzung) erfasst.

RGB-Kamerasensor und Multispektralsensor montiert Phantom 4 Multispectral.

Angepasstes Fahrzeug für die Aufnahme von Rasenbildern (A) und aufgenommenes DJI GS Pro-Anwendungsbild (B), in dem sich das radiometrische Kalibrierungsziel befand.

Für die Bildanalyse werden einige Vorverarbeitungsschritte durchgeführt. Zunächst wurde eine Verzerrungskorrektur durchgeführt, um die durch die Eigenschaften des Kameraobjektivs verursachte radiale Verzerrung auszugleichen. Zweitens war die radiometrische Korrelation notwendig, um die Lichtbedingungen für alle erfassten Bilder anzugleichen, da ungleichmäßige Lichtbedingungen die genaue Charakterisierung von Pflanzenmerkmalen beeinträchtigen können31,32. Drittens wurde ein Histogrammausgleich durchgeführt, um den Kontrast des RGB-Bildes zu verbessern, das nach der radiometrischen Korrektur dunkel geworden war, was es schwierig machte, die Farbe des Grases zu erkennen33. Viertens wurde eine Bildausrichtung an den NIR- und Rotbildern durchgeführt, die zur Ableitung des NDVI verwendet wurden. Dies war aufgrund der geringfügigen physikalischen Unterschiede in den in dieser Studie verwendeten Kamerapositionen erforderlich, was dazu führte, dass die beiden Bilder mit leicht unterschiedlichen Positionen aufgenommen wurden. Daher musste das rote Bild um die Anzahl der Pixel verschoben werden, die sich vom NIR-Bild unterschieden, um die beiden Bilder auszurichten.

Die erste ist die Verzerrungskorrektur, bei der das aufgenommene Bild eine radiale Verzerrung in Form einer konvexen Ausbuchtung in der Mitte aufweist (Abb. 6A). Um dieses Problem zu lösen, wurde eine anfängliche Verarbeitung mit der Software Pix4D Mapper (Pix4D SA, Schweiz) durchgeführt, um die Verzerrung des Kameraobjektivs zu korrigieren (Abb. 6B).

Verzerrungskorrektur (A) verzerrtes Bild (B) unverzerrtes Bild.

Die Lichtverhältnisse variieren von Tag zu Tag, auch bei Daten, die am selben Tag erfasst wurden, je nach Wetterlage (Abb. 7). Der zur Angleichung der Lichtverhältnisse erforderliche Prozess ist die radiometrische Kalibrierung. Es verwendet einen digitalen Zahlenwert für das Bild und einen festen Reflexionswert. Es wandelt jede digitale Zahl im Bild in den Reflexionsgrad der Oberfläche eines Objekts um. Dies wird mithilfe der Best-Fit-Gleichung für jedes Band eines homogenen Objekts berechnet. In dieser Studie wurde eine professionelle Referenzplane für die radiometrische Kalibrierung mit gleichmäßigem Reflexionsgrad verwendet, und der Oberflächenreflexionswert der Plane für die radiometrische Kalibrierung wurde vom produzierenden Unternehmen Group 8 Technology bereitgestellt. Die Kamerareaktionen der RGB- und Multispektralbänder, die notwendige Informationen für die radiometrische Kalibrierung sind, wurden aus der Arbeit von Burggraaff et al.31 bzw. Lu et al.34 gewonnen. Schließlich wurden das exponentielle Modell für die radiometrische Kalibrierung von RGB und das lineare Modell für multispektrale Bilder unter Verwendung der empirischen Linienkalibrierungsgleichung35 entwickelt. Mit diesen Informationen haben wir für jedes Bild digitale Zahlenwerte erhalten und mit der radiometrischen Korrektur fortgefahren.

Der Einfluss der Lichtverhältnisse auf Bilddaten am selben Tag. (A–O) sind die Bilddaten vom selben Tag.

Darüber hinaus wurde es auf RGB-Bilder mit radiometrischer Kalibrierung angewendet, um mithilfe von MATLAB (R2015b, MathWorks) einen Histogrammausgleich durchzuführen, der das Histogramm von Pixeln begradigt, deren Helligkeitswerte zur dunklen Seite des Bildes hin gruppiert sind (Abb. 8).

Radiometrische Kalibrierung des RGB-Bildes und dessen Histogrammausgleich in der richtigen Reihenfolge.

Für das kalibrierte multispektrale Bild wurde eine Bildausrichtung durchgeführt, um sie an das NIR-Bandbild anzupassen, indem das ROT-Bandbild basierend auf dem NIR-Bandbild (Nahinfrarot) verschoben wurde (Abb. 9).

Bildausrichtung des ROT-Bandbilds zum NIR-Bandbild (A) vorher, (B) danach.

Ihre Metadaten wurden verwendet, um den Pixelunterschied zwischen den Bildern im ROT- und NIR-Band in Zeilen und Spalten zu bestimmen. Die Metadaten enthalten Informationen zu den X- und Y-Pixelpositionen des relativen optischen Zentrums, die den physischen Abstand vom NIR-Objektiv angeben. In diesem Fall sind die Werte für beide Null. Es wurde aus den Rohdaten exportiert und mithilfe der Bibliothek „pyexiv2“ eine TIFF-Datei in eine XMP-Datei in Python konvertiert. Die „pyexiv2“-Bibliothek ist eine Python-Bindung für die Exiv2-Bibliothek, eine C++-Bibliothek zur Bearbeitung von Bildmetadaten.

Das Bild wurde mit hauseigener Software verarbeitet, die in Python 3.7.10 geschrieben wurde. Die Software wurde verwendet, um die digitalen Zahlenwerte der Bilder zu extrahieren, die radiometrische Kalibrierungsgleichung anzuwenden und die Positionen der multispektralen Bilder auszurichten.

Um den Grüngrad des Grases für jede Runde zu berechnen, ist es notwendig, die gesamte Überdachungsfläche und die grüne Bedeckungsfläche jedes Grases zu kennen und diese mithilfe der folgenden Formel (Gleichung 1) zu berechnen.

Zunächst wurde die gesamte Überdachungsfläche des Grases mithilfe von NIR-Bildern ermittelt. NIR-Bilder zeigen einen besseren Kontrast zwischen Pflanzen und Boden als andere Bilder und erleichtern so die Identifizierung der Grenzen von Pflanzenblättern36. Der grüne Bereich der Pflanze wurde mithilfe eines farbbasierten Index, ExG (Excess Green), auf RGB-Bildern extrahiert, die einem Histogrammausgleich in MATLAB unterzogen wurden. Nur die Grünflächen wurden abgetrennt. Um schließlich Gras und Erde zu trennen, wurde in MATLAB die Otus-Schwellenwertmethode auf die NIR-Bilder und die RGB-Bilder mit angewendetem ExG angewendet. Die Methode teilte die Pixel in den Bildern in zwei Kategorien ein, schwarz und weiß, und in diesem Experiment stellten die schwarzen Pixel den Hintergrund und die weißen Pixel das Gras oder den grünen Bereich des Grases dar (Abb. 10). Anschließend wurden vier rechteckige Regionen von Interesse (ROI) mit einer Größe von 48,5 × 132 Pixeln wiederholt im Grasbereich des Bildes angegeben und die Anzahl der weißen Pixel innerhalb jedes ROI gezählt, um die Gesamtfläche und die Grünfläche des Bildes zu bestimmen Gras, wie in Abb. 11 gezeigt. Dieser Prozess wurde mit einer selbst entwickelten Software auf Basis von Python für dieses Experiment durchgeführt51.

Bei der Anwendung des Otsu-Schwellenwerts werden sowohl NIR-Bilder als auch RGB-Bilder angewendet, die mit der Excess Green-Methode verarbeitet wurden.

Region of Interest (ROI) in NIR-Bildern verarbeitet Otsu-Methode zur Extraktion von Graskronen.

In dieser Studie haben wir zur Überwachung des Stressgrades im Gras über die Zeit den NDVI (Normalized Difference Vegetation Index) ausgewählt, den am häufigsten verwendeten Vegetationsindex. Dieser Index basiert auf dem Grundprinzip, dass gesunde Vegetation viel Licht im sichtbaren roten Bereich absorbiert und viel Licht im nahen Infrarotbereich reflektiert, was zur Bestimmung des Blattflächenindex, des Chlorophyllgehalts und der photosynthetisch absorbierten Strahlung verwendet werden kann , Wachstumsstatus und Vitalität der Vegetation. Zur Berechnung des NDVI des Grases wurden die radiometrisch korrigierten RED- und NIR-Bilder in der folgenden Gleichung verwendet (Gleichung 2).

Außerdem verwenden wir den Normalized Difference Red Edge Index (NDRE), den Soil-adjusted Vegetation Index (SAVI) und den Enhanced Vegetation Index (EVI), um das Gras im Laufe der Zeit zu überwachen. Die folgenden Gleichungen wurden zur Berechnung der einzelnen VIs (Vegetationsindizes) verwendet.

[L ist der Korrekturfaktor für die Bodenhelligkeit, definiert als 0,5, um den meisten Landbedeckungstypen Rechnung zu tragen.]

[G ist der Verstärkungsfaktor, der normalerweise auf 2,5 eingestellt ist; C1 und C2 sind Koeffizienten zur Reduzierung atmosphärischer Einflüsse. Die üblicherweise verwendeten Werte sind C1 = 6 und C2 = 7,5; L ist der Anpassungsfaktor für den Baldachinhintergrund. Der häufig verwendete Wert ist L = 1.]

Danach wählten wir wie bei der Auswahl des ROI für die Begrünungsrate im Grasbereich in den VI-Bildern vier ROIs derselben Größe wie zuvor aus und schlossen den Hintergrund aus, um die VIs-Werte der dem Gras entsprechenden Pixel zu extrahieren (Abb. 12). Die VIs für jedes Gras wurden dann durch den Durchschnittswert der extrahierten VIs-Werte dargestellt. Dieser Prozess wurde auch mit einer auf Python basierenden Software durchgeführt, die unabhängig für dieses Experiment entwickelt wurde.

Region of Interest (ROI) in NDVI-Bildern, um jede Box (Keimplasma) in vier Replikationen zu unterteilen und den durchschnittlichen NDVI-Wert für jede davon zu berechnen.

Wir haben Excel (Version 2205, Microsoft) verwendet, um Werte über 100 % in der Ökologisierungsrate vor der statistischen Analyse einheitlich auf 100 % zu verarbeiten. Dies geschah, um ein Problem zu beheben, bei dem während des Moosentfernungsprozesses einige Bereiche nicht vollständig entfernt wurden, was zu einem geringfügigen Unterschied in der Position der Grünfläche im Gras führte, was zu experimentellen Fehlern bei der Berechnung der Begrünungsrate führte.

Wir haben mithilfe der Programmiersprache R eine statistische Analyse der zeitlichen Daten der Greening-Rate sowie der NDVI-, NDRE-, SAVI- und EVI-Werte durchgeführt. Da die Daten die Normalitätsannahme nicht erfüllten, wurden nichtparametrische Kruskal-Wallis-Tests zur Bestimmung der statistischen Signifikanz verwendet. Anschließend wurde eine Post-hoc-Analyse mit dem rangbasierten Dunn-Test durchgeführt und die p-Werte mit der Benjamini-Hochberg-Methode (BH) angepasst. Die Korrelation zwischen der Ökologisierungsrate und NDVI, NDRE, SAVI und EVI für jede Sitzung wurde mithilfe des Pearson-Korrelationskoeffizienten analysiert.

Wir haben zwischen August und Dezember eine Studie durchgeführt, in der wir fünf Monate lang GCP, NDRE, NDVI, SAVI und EVI gemessen haben. Unsere Analyse mit dem Kruskal-Wallis-Test zeigte, dass es an jedem Messpunkt statistisch signifikante Unterschiede in den GCP- und VIs-Daten für jede genetische Ressource gab, mit einem p-Wert von weniger als 0,05 (Tabelle 3, Abb. 13, 14, 15, 16, 17). Wir haben die Änderungen von GCP und NDVI für jede genetische Ressource in den Tabellen 4 bzw. 5 dargestellt. Diese Tabellen veranschaulichen, wie sich die Rangfolge der genetischen Ressourcen unterscheidet und wie sich die Bräunungsraten zwischen den Ressourcen für jeden Messzeitraum unterscheiden. Wir beobachteten auch Unterschiede in der Größe der Varianz von GCP und NDVI zwischen Wiederholungen für jede genetische Ressource pro Monat. Bis Oktober war der GCP über alle genetischen Ressourcen hinweg relativ konsistent. Ab Oktober begannen wir jedoch, Unterschiede zwischen den genetischen Ressourcen zu erkennen, wobei die Unterschiede im November am deutlichsten wurden. Im Gegensatz dazu zeigte der NDVI einen gewissen Grad an Konsistenz zwischen den genetischen Ressourcen, wie in Abb. 14 dargestellt.

GCP-Wert von Rasenkeimplasmen von August bis Dezember und Übergang der GCP-Werte von Monat zu Monat. (A) August, (B) September, (C) Oktober, (D) November, (E) Dezember, (F) Übergang des GCP-Wertes von August bis Dezember.

NDVI-Wert von Rasenkeimplasmen von August bis Dezember und Übergang der NDVI-Werte von Monat zu Monat. (A) August, (B) September, (C) Oktober, (D) November, (E) Dezember, (F) Übergang des NDVI-Wertes von August bis Dezember.

NDRE-Wert von Rasenkeimplasmen von August bis Dezember und Übergang der NDRE-Werte von Monat zu Monat. (A) August, (B) September, (C) Oktober, (D) November, (E) Dezember, (F) Übergang des NDRE-Wertes von August bis Dezember.

SAVI-Wert von Rasenkeimplasmen von August bis Dezember und Übergang der SAVI-Werte von Monat zu Monat. (A) August, (B) September, (C) Oktober, (D) November, (E) Dezember, (F) Übergang des SAVI-Wertes von August bis Dezember.

EVI-Wert von Rasenkeimplasmen von August bis Dezember und Übergang der EVI-Werte von Monat zu Monat. (A) August, (B) September, (C) Oktober, (D) November, (E) Dezember, (F) Übergang des EVI-Wertes von August bis Dezember.

Wir konnten die Veränderungen und Trends jedes Keimplasmas über einen Zeitraum von fünf Monaten bestätigen, die durch den Vergleich von Tabelle 4 und Abb. 13 ermittelt werden können. Wir stellten fest, dass die Unterschiede in den GCP-Raten zwischen den einzelnen Keimplasmen im Allgemeinen ähnlich waren, mit wenigen Ausnahmen . Insbesondere im August und September lagen die Unterschiede bei 95 % oder mehr. Doch im Gegensatz zu den Vormonaten, als die Keimplasmen san180 und san568 einen GCP von 100 % aufwiesen, wiesen sie im Oktober einen GCP von 67,22 % bzw. 60,97 % auf, ein starker Rückgang im Vergleich zum September. San303-Keimplasma hingegen wies im August einen GCP von 96,90 % auf und rangierte damit auf einem niedrigen Niveau, stieg aber im Oktober auf 98,37 %. Auch wenn der GCP von san187-Keimplasma von 95,99 % im August auf 91,11 % im September sank, stieg er im Oktober wieder auf 94,87 %. Basierend auf der Tatsache, dass der GCP der Keimplasmen san180 und san568 abnahm, während der der Keimplasmen san303 und san187 im gleichen Zeitraum zunahm, konnten wir beobachten, dass die Veränderungen des GCP je nach Keimplasma im Laufe der Zeit variieren. Betrachtet man den GCP im November, so war san208 das Keimplasma mit dem höchsten GCP, das einen GCP von 94 % aufwies. San208 zeigte kontinuierlich einen hohen GCP von 97,48 % im August, 97,81 % im September und 96,86 % im Oktober, und obwohl er im November leicht zurückging, war die Abnahmerate geringer als bei anderen Keimplasmen.

Bei der Untersuchung der RGB- und GCP-Bilder für Suncheon, san218 und san187 im Dezember stellten wir fest, dass der Bodenteil (Sand) als grün identifiziert wurde. Wir glauben jedoch, dass während des Prozesses, bei dem der Sandstaub auf dem Gras, das das Moos bedeckt, vor dem Fotografieren leicht abgewaschen wurde, das Moos wieder auf der Sandoberfläche freigelegt wurde. Um diese Verzerrung zu beheben, haben wir verschiedene VIs wie NDRE, SAVI und EVI angewendet (Abb. 15, 16, 17, Tabellen 6, 7, 8). Die Ergebnisse von NDRE zeigen, dass san135, san180, san187 und san218 hohe Werte darstellen. Andererseits stellen die Werte von SAVI dar, dass san128 und san398 höhere Werte als andere sind. Schließlich deuteten die von EVI angewandten Ergebnisse darauf hin, dass san128 einen hohen Wert erhielt. Das durchschnittliche NDRE-Ergebnis für san208 von August bis Dezember lag bei etwa 3 % bzw. 5 % (Tabelle 6). Im Gegensatz dazu sank der SAVI von August (38 %) bis Dezember (4 %) (Tabelle 7). Darüber hinaus blieb der EVI in diesem Zeitraum leicht zurück (Tabelle 8).

Die Unterschiede und Muster der Veränderungen des NDVI für jede genetische Ressource lieferten ein umfassendes Verständnis der Veränderungen des NDVI über den Zeitraum von fünf Monaten (Tabelle 5 und Abb. 14). Im August wies die genetische Ressource san568 den höchsten NDVI-Wert von 0,85 auf, während die genetische Ressource san9dangugdae den niedrigsten NDVI-Wert von 0,45 aufwies. Bei der Überprüfung der NDVI-Werte im Oktober lässt sich beobachten, dass die Veränderungen der NDVI-Werte je nach genetischer Ressource stark variieren, ähnlich wie beim GCP. Der NDVI-Wert von san568 sank auf 0,45, während die genetische Ressource san208 den besten Wert von 0,65 aufwies. Die genetische Ressource san9dangugdae wies durchgehend den niedrigsten NDVI-Wert auf, der bis November anhielt. Im Dezember betrug der höchste NDVI-Wert 0,32 für die genetische Ressource san218, während der niedrigste NDVI-Wert für die genetische Ressource san128 0,08 betrug.

Basierend auf der Analyse der Korrelation zwischen der Wachstumsrate und dem NDVI für jeden Monat (Abb. 18) zeigten November und Dezember eine signifikante Korrelation mit einem p-Wert von weniger als 0,05 und r-Quadrat-Werten von 0,61 und 0,31.

RGB-, GCP- und NDVI-Bild von zwanzig Rasenkeimplasmen.

Rasengras ist weltweit ein wertvoller Bodendecker und bietet zahlreiche ökologische, wirtschaftliche und soziale Vorteile. Um die allgemeine Pflanzengesundheit und die Etablierungsrate im Laufe der Zeit zu beurteilen, ist der Prozentsatz der Grünbedeckung, der den Prozentsatz der grünen Vegetation pro Flächeneinheit misst, ein entscheidender Indikator. Rasenproduzenten und -konsumenten bevorzugen Arten und Sorten mit schnellerer Etablierung aus Pfropfen oder Zweigen und höherem GCP. Die herkömmliche Methode der visuellen Beurteilung von Rasenflächen zur Schätzung der Grünbedeckung, entweder auf einer Prozentskala oder auf einer Skala von 1 bis 9, ist zum Standard geworden und wird regelmäßig von Rasenforschern eingesetzt. Niedrige Temperaturen können sich nachteilig auf Gras auswirken, bestimmte Gräser weisen jedoch aufgrund der erhöhten Enzymaktivität, des Gehalts an ungesättigten Fettsäuren und der Anthocyanproduktion eine höhere Resistenz auf18.

In dieser Studie wollen wir die Qualität von Gras objektiv bewerten, indem wir Kriterien für die Bewertung mithilfe einer RGB-Kamera und eines Multispektralsensors vorschlagen. Es hat sich gezeigt, dass die Menge und Qualität des Grüns im Gras pro Flächeneinheit sowie die Biomasse der Pflanze mit ihrer Kältetoleranz korrelieren37. Darüber hinaus ist die Farbe ein Bestandteil der visuellen Beurteilung der Grasqualität38. Durch die Analyse von RGB-Bildern ist es möglich, ähnliche Auswertungen wie das menschliche Auge vorzunehmen und insbesondere den Anteil der Grünfläche durch Zählen der Pixel zu bestimmen und so den Grünanteil im Gras abzuschätzen . Der Normalized Difference Vegetation Index (NDVI) ist ein weit verbreiteter Index zur quantitativen Schätzung der Vegetation, der das Reflexionsvermögen von nahen Infrarot- und roten Wellenlängen zur Quantifizierung des Pflanzenwachstums nutzt39. Darüber hinaus ist der NDVI der am häufigsten verwendete Index für die Grünheit und kann mithilfe des Reflexionsgrads die Menge an Chlorophyll abschätzen, die Pflanzen grün erscheinen lässt, was uns in dieser Studie ermöglicht, die Qualität der Grasgrünheit mithilfe des NDVI zu beurteilen40. Alle genetischen Ressourcen wiesen im August einen GCP von über 95 % auf. Bei der Betrachtung der Veränderungen bis Oktober wurde jedoch festgestellt, dass einige genetische Ressourcen (san303 und san187) einen leichten Anstieg der Grünheitsrate zeigten, was darauf hindeutet, dass diese beiden genetischen Ressourcen im Vergleich zu anderen genetischen Ressourcen angesichts des Wachstums relativ länger weiter wuchsen Die Blütezeit des koreanischen Grases dauert von April bis Mitte Oktober. Bei den meisten genetischen Ressourcen war jedoch im Oktober ein Rückgang der Grünheitsrate zu verzeichnen. Dies war im Endergebnis im Dezember noch deutlicher zu erkennen, wo die genetische Ressource san208 eine sehr hervorragende Grünheitsrate von über 90 % aufwies, während die genetische Ressource san125 eine Grünheitsrate von 0,4 % aufwies, was einen sehr deutlichen Unterschied zu san208 darstellt. Diese Ergebnisse deuten darauf hin, dass Merkmale im Zusammenhang mit Veränderungen der Grünheitsrate in jeder genetischen Ressource unterschiedlich zum Ausdruck kommen. Während der von August bis Dezember 2021 an einem Grasanbaustandort durchgeführten Untersuchung zeigt die vom nahegelegenen Wetterobservatorium erhaltene Grafik mit der höchsten Temperatur, der niedrigsten Temperatur und der Durchschnittstemperatur (Abb. 2) eine Tendenz, dass die Temperatur im Laufe der Zeit abnimmt von August bis Dezember, insbesondere mit einem raschen Temperaturabfall Mitte Oktober. Wenn man das Temperaturdiagramm (Abb. 2) und Abb. 19 zusammen betrachtet, kann man erkennen, dass im August und September alle grasgenetischen Ressourcen bei geeigneten Wachstumstemperaturen eine gute grüne Farbe aufwiesen, Mitte Oktober jedoch die Temperatur nahm schnell ab und die Farbe des Grases änderte sich in den meisten genetischen Ressourcen von Grün zu Gelb oder Gelbbraun. Niedrigtemperaturstress ist einer der schädlichsten Umweltstressfaktoren für Gras. Er führt zu einer verminderten Photosynthese aufgrund von Photoinhibition, einer Ansammlung von Kohlenhydraten in der Zelle und einer Dehydrierung aufgrund von Schäden an der Zellmembran, die durch Eiskristalle entstehen, die sich innerhalb und außerhalb der Zelle bei Temperaturen darunter bilden Einfrieren, Veränderungen in der Zellmembranzusammensetzung und Denaturierung von Proteinen, was in schweren Fällen dazu führen kann, dass das Gras verdorrt und abstirbt41. Gras, das gegen niedrige Temperaturen beständig ist, weist ein höheres Maß an Enzymaktivität auf, die mit dem Kohlenstoffstoffwechsel, dem Gehalt an ungesättigten Fettsäuren in den Lipiden, aus denen die Zellmembran besteht, und der Ansammlung von Prolin, das die Membranstabilität aufrechterhält und reaktive Sauerstoffspezies abfängt, verbunden ist als anfällige Gräser5. Darüber hinaus produzieren und akkumulieren Gräser Anthocyane, ein Antioxidans, als sekundären Metaboliten als Reaktion auf Kältestress, der oxidative Schäden reduziert und Wintergras eine mit bloßem Auge sichtbare rote Farbe verleiht.18 In unserer Studie haben wir festgestellt, dass im November und Im Dezember veränderte sich die Grasfarbe merklich ins Gelbe, aber auch ins Rote und Rotblaue. Die Veränderung der Grasfarbe zu Rot ist auf die Synthese, den Transport und die Anreicherung von Anthocyanen zurückzuführen, einem sekundären Metaboliten und Antioxidans, der dafür bekannt ist, oxidative Schäden am Gras zu verhindern, die durch die große Anzahl reaktiver Sauerstoffspezies verursacht werden, die bei niedrigen Temperaturen im Inneren der Pflanze erzeugt werden. Eine Studie zeigt, dass die Anreicherung von Anthocyanen mit der hohen Kältetoleranz von Gras zusammenhängt18.

Pearson-Korrelationskoeffizient von GCP und NDVI pro Monat. (A) August, (B) September, (C) Oktober (D) November (E) Dezember.

Bremer et al.42 untersuchten, wurde die Qualität des Grases durch Berechnung des NDVI aus Überdachungsbildern des Grases bewertet, die mit einem Hyperspektralsensor aufgenommen wurden und eine hohe Korrelation (R2 = 0,88, p < 0,0001) mit der visuell bewerteten Grünfläche zeigten des Grases. Sie erwähnten auch, dass das RED-Bild, das Teil des NDVI ist, den Dichteunterschied und den Chlorophyllgehalt von Gras beeinflusst und dass zusätzliche Forschung erforderlich ist, insbesondere unter Verwendung des NIR-Bildes, um den Wasserstressstatus von Pflanzen vorherzusagen, bevor Stresssymptome auftreten . In dieser Studie wurde unter Berücksichtigung der Wachstumsperiode des koreanischen Grases während der Vegetationsperiode im August und September beobachtet, dass alle Gräser hohe NDVI-Werte aufwiesen, da sie grün erschienen. Von Oktober bis Dezember, während der Nichtwachstumszeit, in der das Gras in den Ruhezustand überging und seine grüne Farbe verlor, sanken die NDVI-Werte jedoch allmählich. Unter den untersuchten genetischen Ressourcen wies san218 im Dezember den höchsten NDVI-Wert auf. Im September wies es einen sehr niedrigen NDVI-Wert von 0,42 auf, im Dezember jedoch einen höheren NDVI-Wert von 0,32 im Vergleich zu anderen genetischen Ressourcen. Im Gegensatz dazu zeigte san9dangugdae im August einen höheren NDVI-Wert von 0,45 im Vergleich zu san218, aber einen relativ niedrigen NDVI-Wert von 0,12 im Dezember unter den genetischen Ressourcen. Wie die Begrünungsrate zeigte auch die Änderungsrate der NDVI-Werte einen signifikanten Unterschied in den Änderungsmustern genetischer Ressourcen. Während jedoch die NDVI-Werte anderer genetischer Ressourcen mit abnehmender Begrünungsrate abnahmen, zeigte nur san208 von August bis Dezember eine hohe Begrünungsrate von über 90 %, der NDVI-Wert nahm jedoch im Laufe der Zeit allmählich ab. Dies scheint darauf zurückzuführen zu sein, dass san208 einen Anstieg der Anzahl anderer Pigmente zeigte, die unter Kältestress produziert wurden, was den relativen Anteil an Chlorophyll verringerte und den NDVI-Wert senkte. Daher ist eine zusätzliche Analyse der Blattpigmentzusammensetzung von san208 erforderlich, um zu erklären, warum es im Vergleich zu anderen genetischen Ressourcen immer noch eine starke Grünfärbung aufwies.

Signifikante Ergebnisse wurden nur für November bei der Untersuchung des Zusammenhangs zwischen der Greenness-Rate und dem NDVI erzielt. Dies weist darauf hin, dass es nahezu keine Korrelation zwischen der Eigenschaft der Aufrechterhaltung einer guten Grünqualität durch die Belegung einer bestimmten Fläche mit Gras (Grünheitsratendaten bestätigt durch RGB-Kamera) und der Eigenschaft der Aufrechterhaltung einer hochwertigen Grünheit durch die Menge an Chlorophyll in den Blättern selbst (NDVI-basiert) gibt zu multispektralen Bildern). Es wird angenommen, dass die Korrelation, die im November auftrat, als der Wachstumsstatus des Grases extrem schlecht war, auftrat, weil sowohl der qualitative Zustand (NDVI) als auch der quantitative Zustand (Grünheitsgrad) des Grases eine Korrelation aufwiesen. Bisher schien es, selbst wenn der qualitative Zustand des NDVI-Werts niedrig war, viele Grassorten mit hohen quantitativen Zuständen zu geben, die keine Korrelation zeigen konnten. Im Dezember zeigten selbst überlegene Sorten einen Rückgang sowohl im qualitativen als auch im quantitativen Zustand, was vermutlich der Grund dafür ist, dass die Korrelation nicht erneut auftrat. Daher ist es notwendig, den genauen Beobachtungszeitpunkt auszuwählen, um die Korrelation zwischen den aus den beiden Bildern erhaltenen Merkmalen zu bestätigen.

In einer von Barboza et al.43 durchgeführten Studie verwendeten Forscher eine multiple lineare Regressionsanalyse, um die genauesten Schätzungen für frische Biomasse zu ermitteln. Sie berücksichtigten drei Eingabeparameter: Pflanzenbreite, -höhe und Vegetationsindex (entweder NDVI oder NDRE). Während NDRE während der Fortpflanzungsstadien eine Sättigung zeigte, zeigten die Ergebnisse der Analyse, dass NDVI bei der Schätzung frischer Biomasse besser abschnitt als NDRE. Dies bedeutet, dass NDVI im Vergleich zu NDRE zuverlässigere und genauere Vorhersagen der Biomasse lieferte. Trotz seiner Einschränkungen während der Fortpflanzungsstadien erwies sich in dieser speziellen Studie der NDVI als besser geeigneter Vegetationsindex zur Schätzung frischer Biomasse. In unserer Studie haben wir verschiedene Vegetationsindizes untersucht, darunter NDRE, SAVI und EVI. Die Ergebnisse von NDRE zeigten, dass san135, san180, san187 und san218 hohe Werte aufwiesen. Umgekehrt zeigten die Werte von SAVI, dass san128 und san398 im Vergleich zu anderen höhere Werte aufwiesen. Als schließlich EVI angewendet wurde, hatte san128 einen hohen Wert. Im Durchschnitt lagen die NDRE-Ergebnisse für san208 von August bis Dezember zwischen etwa 3 % und 5 %. Im Gegensatz dazu ging der SAVI von August (38 %) bis Dezember (4 %) zurück. Darüber hinaus zeigte der EVI in diesem Zeitraum einen leichten Rückgang. Die Abweichung kann auf die Tatsache zurückzuführen sein, dass der NDRE-Index besser für die Bewertung des Chlorophyllgehalts in größeren Bäumen geeignet ist, während der NDVI-Index für die Bewertung von Biomasse und Gesundheit in kleineren Bäumen zuverlässiger ist. Die Wahl des Index hängt von den spezifischen Eigenschaften der untersuchten Bäume ab, beispielsweise ihrer Größe und dem gewünschten zu messenden Parameter.

Boiarskii und Hasegawa führten 2019 eine Studie durch, in der sie zwei Schichten mit unterschiedlichen Indizes, insbesondere NDVI und NDRE, verglichen und Unterschiede in der Vegetationsaktivität beobachteten. Die Studie ergab, dass NDVI sich bei der Analyse großer Landflächen als besonders effektiv erwies, um die Vegetationsdichte und die Gesamtgrünheit von Nutzpflanzen zu beurteilen. Es lieferte Einblicke in die Pflanzengesundheit, die Effektivität des Anbaus und die Aussaatmengen. Andererseits ermöglichte NDRE die Visualisierung des Chlorophyllgehalts in Blättern. Dies deutet darauf hin, dass unterschiedliche Indizes für unterschiedliche Kulturpflanzen, Pflanzendichten, Aussaatmengen und Wachstumsstadien besser geeignet sein könnten44.

Die Reaktion von Pflanzen auf Kältestress kann als Indikatoren für die Erforschung der Kältetoleranz dienen. Eine Methode besteht darin, digitale Bilder mithilfe von RGB-Sensoren zu analysieren, um die Farbe und das Wachstum des Grases zu beobachten, während multispektrale Sensoren verwendet werden können, um die Grasqualität im Hinblick auf Farbe, Dichte und Vitalität der Vegetation zu bewerten. Multispektrale Bildgebung kann Informationen über den Chlorophyllgehalt, die Struktur des Blätterdachs und den Blattflächenindex bei verschiedenen Wellenlängen liefern, und daraus abgeleitete Vegetationsindizes können kombiniert werden, um den Feuchtigkeits- und Nährstoffstatus der Pflanzen unter Umweltstress zu beurteilen45,42,47. Fluoreszenzsensoren können auch zur Messung der Chlorophyllfluoreszenz von Blättern verwendet werden, um den Zustand des Photosyntheseapparats unter Stress bei niedrigen Temperaturen zu bewerten. Eine laserinduzierte Chlorophyll-Fluoreszenz-Messmethode wurde auch für Außenmessungen vorgeschlagen, bei denen Umgebungslicht und Temperatur nicht konstant sind48,49. Darüber hinaus können LIDAR-/Lasersensoren 3D-Bilder erzeugen, die zur Untersuchung der Pflanzenstruktur, der Biomasse und anderer Faktoren verwendet werden können und so eine Möglichkeit zur Echtzeitforschung der morphologischen Veränderungen im Gras bieten, das Kältestress ausgesetzt ist50,51.

Diese Studie legt nahe, dass die Wahl zwischen der Verwendung von RGB-basierter Grünheit und NDVI-basierter Grünheit zur Bewertung der Grasgrünheit je nach Zweck variieren kann. Bei der Bewertung der Grünheit aus wirtschaftlicher Sicht kann es praktischer sein, die RGB-basierte Grünheit zu verwenden, die eine intuitive Schätzung des Grünanteils ähnlich der visuellen Beobachtung ermöglicht. Um jedoch Gras auszuwählen, das ein hohes Maß an Grün beibehält, kann die Verwendung von NDVI-basiertem Grün, das das Gras aus biologischer Sicht bewertet, das RGB-basierte Grün ergänzen. Daher wird empfohlen, beide Grünmaße ergänzend zu nutzen, um Gras auszuwählen, das über einen längeren Zeitraum ein gutes Grün behält. Darüber hinaus kann die Berücksichtigung des Zeitpunkts, zu dem die beiden Maße eine Korrelation zeigen, bei der Grasauswahl unter Verwendung beider Maße von Vorteil sein. Schließlich wird erwartet, dass durch die Verwendung der Grünheitsmaße dieser Studie der Zeit- und Energieaufwand für die Bewertung der Grasqualität reduziert werden kann und gleichzeitig Gras von ausgezeichneter Qualität durch eine objektive und reproduzierbare Methode ausgewählt werden kann.

Cai, H. et al. Isolierung, Charakterisierung und Kartierung einfacher Sequenzwiederholungsmarker in Zoysiagras (Zoysia spp.). Theor. Appl. Genet. 112, 158–166 (2005).

Artikel CAS PubMed Google Scholar

Bae, E.-J., Lee, K.-S., Park, Y.-B., Kim, DS & Yang, G.-M. Merkmale der Samenvariation von in Südkorea beheimateten Zoysiagräsern (Zoysia spp.). Weed Turfgrass Sci. 2, 267–273 (2013).

Artikel Google Scholar

Brian, M. et al. Erblichkeitsschätzungen für die Leistung von Rasengras und die Stressreaktion bei Zoysia spp. Crop Science 49(6), 2113–2118. https://doi.org/10.2135/cropsci2008.12.0705 (2009).

Patton, AJ, Schwartz, BM & Kenworthy, KE Geschichte, Nutzung und Verbesserung von Zoysiagrass (Zoysia spp.) in den Vereinigten Staaten: ein Rückblick. Pflanzenwissenschaft. 57, S37 (2017).

Artikel Google Scholar

Huang, B., DaCosta, M. & Jiang, Y. Forschungsfortschritte bei Mechanismen der Rasengrastoleranz gegenüber abiotischem Stress: Von der Physiologie zur Molekularbiologie. Krit. Rev. Plant Sci. 33, 141–189 (2014).

Artikel CAS Google Scholar

Jiang, Y., Duncan, RR & Carrow, RN Bewertung der Unverträglichkeit von Küstenpaspalum und Bermudagras bei schlechten Lichtverhältnissen. Pflanzenwissenschaft. 44, 587–594 (2004).

Artikel Google Scholar

Lee, G., Carrow, RN & Duncan, RR Wachstums- und Wasserbeziehungsreaktionen auf Salzgehaltsstress in halophytischen Küsten-Paspalum-Ökotypen. Wissenschaft. Hortisch. 104, 221–236 (2005).

Artikel Google Scholar

Fan, J. et al. Mechanismen der Umweltstresstoleranz bei Rasengras. Agronomie 10, 522 (2020).

Artikel CAS Google Scholar

Cui, Y., Wang, J., Wang, HortScience 50, 1148–1154 (2015).

Artikel Google Scholar

Kimball, JA, Tuong, TD, Arellano, C., Livingston III, DP und Milla-Lewis, SR. Bewertung der Frosttoleranz in St. Augustinegrass: Temperaturreaktion und Bewertungsmethoden. Euphytica 213, 110 (2017).

Artikel Google Scholar

Li, L., Zhang, Q. & Huang, D. Ein Überblick über bildgebende Verfahren zur Pflanzenphänotypisierung. Sensoren 14, 20078–20111 (2014).

Artikel ADS PubMed PubMed Central Google Scholar

Büchi, L., Wendling, M., Mouly, P. & Charles, R. Vergleich von visueller Beurteilung und digitaler Bildanalyse zur Schätzung der Überdachung. Agron. J. 110, 1289–1295 (2018).

Artikel Google Scholar

Osco, LP et al. Vorhersage der Blattstickstoffkonzentration und der Pflanzenhöhe für Mais mithilfe von UAV-basierten multispektralen Bildern und Techniken des maschinellen Lernens. Remote Sens. 12, 3237 (2020).

Artikel ADS Google Scholar

Santana, DC et al. UAV-basierter Multispektralsensor zur Messung von Variationen im Mais als Funktion der Stickstoffdüngung. Remote Sens. Appl. Soc. Umgebung. 23, 100534 (2021).

Google Scholar

Wan, W. et al. Raumzeitliche Muster von Mais-Dürrestress und ihre Auswirkungen auf die Biomasse im Nordosten und in der Nordchinesischen Tiefebene von 2000 bis 2019. Landwirtschaft. Für. Meteorol. 315, 108821 (2022).

Artikel ADS Google Scholar

Braz, AM, Águas, TDA & Mirandola Garcia, PH Analyse der NDVI- und SAVI-Vegetationsindizes und des Blattflächenindex (LAI) zum Vergleich der Vegetationsbedeckung im Wassereinzugsgebiet Córrego Ribeirãozinho, Gemeinde Selvíria – MS. Rev. Percurso 7, 5 (2015).

Artikel Google Scholar

Deery, D., Jimenez-Berni, J., Jones, H., Sirault, X. & Furbank, R. Proximale Fernerkundungsbuggys und mögliche Anwendungen für die feldbasierte Phänotypisierung. Agronomy 4, 349–379 (2014).

Artikel Google Scholar

Jin, H.-X. et al. Eine Untersuchung der verbesserten Kältetoleranz und der durch niedrige Temperaturen induzierten Anreicherung von Anthocyanen in einem neuartigen Zoysia japonica-Biotyp. Pflanzen 11, 429 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Jin, X., Li, Z., Feng, H., Xu, IEEE J. Sel. Spitze. Appl. Erdobs. Remote Sens. 7, 4589–4600 (2014).

Magney, TS, Eitel, JUH, Huggins, DR & Vierling, LA Die von der proximalen NDVI abgeleitete Phänologie verbessert die Vorhersagen der Weizenmenge und -qualität während der Saison. Landwirtschaft. Für. Meteorol. 217, 46–60 (2016).

Artikel ADS Google Scholar

Tattaris, M., Reynolds, MP & Chapman, SC Ein direkter Vergleich von Fernerkundungsansätzen für die Hochdurchsatz-Phänotypisierung in der Pflanzenzüchtung. Vorderseite. Pflanzenwissenschaft. 7, (2016).

Bendig, J. et al. Schätzung der Biomasse von Gerste mithilfe von Ernteoberflächenmodellen (CSMs), die aus UAV-basierter RGB-Bildgebung abgeleitet wurden. Remote Sens. 6, 10395–10412 (2014).

Artikel ADS Google Scholar

Verger, A. et al. Grünflächenindex eines unbemannten Flugsystems über Weizen- und Rapspflanzen. Fernerkundung. Umwelt. 152, 654–664 (2014).

Artikel ADS Google Scholar

Jin, Fernerkundung. Umwelt. 198, 105–114 (2017).

Artikel ADS Google Scholar

Guillen-Climent, ML, Zarco-Tejada, PJ, Berni, JAJ, North, PRJ & Villalobos, FJ Kartierung der Strahlungsüberwachung in Obstplantagen mit Reihenstruktur mithilfe von 3D-Simulation und hochauflösenden Luftbildern, die von einem UAV aufgenommen wurden. Präzise. Landwirtschaft. 13, 473–500 (2012).

Artikel Google Scholar

Sankaran, S., Khot, LR & Carter, AH Feldbasierte Pflanzenphänotypisierung: Multispektrale Luftbilder zur Bewertung des Winterweizenaufgangs und des Frühlingsbestands. Berechnen. Elektron. Landwirtschaft. 118, 372–379 (2015).

Artikel Google Scholar

Liu, C., Shang, J., Vachon, PW & McNairn, H. Mehrjährige Ernteüberwachung mithilfe polarimetrischer RADARSAT-2-Daten. IEEE Trans. Geosci. Remote Sens. 51, 2227–2240 (2013).

Artikel ADS Google Scholar

Zhang, J. et al. Anwendungen unbemannter Luftfahrzeugbilder in Rasenversuchen. Vorderseite. Pflanzenwissenschaft. 10, 279 (2019).

Artikel PubMed PubMed Central Google Scholar

Borrell, AK et al. Stay-Green-Allele steigern individuell den Getreideertrag in Sorghum bei Trockenheit, indem sie die Entwicklung des Blätterdachs und die Wasseraufnahmemuster verändern. Neues Phytol. 203, 817–830 (2014).

Artikel PubMed Google Scholar

Hassan, M. et al. Multispektrale Zeitreihenindizes aus Bildern unbemannter Luftfahrzeuge zeigen die Seneszenzrate bei Brotweizen. Remote Sens. 10, 809 (2018).

Artikel ADS Google Scholar

Burggraaff, O. et al. Standardisierte spektrale und radiometrische Kalibrierung von Consumer-Kameras. Opt. Express 27, 19075 (2019).

Artikel ADS CAS PubMed Google Scholar

Guo, Y. et al. Radiometrische Kalibrierung für eine Multispektralkamera mit unterschiedlichen Bildgebungsbedingungen, montiert auf einer UAV-Plattform. Nachhaltigkeit 11, 978 (2019).

Artikel Google Scholar

Stark, JA Adaptive Bildkontrastverbesserung durch Verallgemeinerungen des Histogrammausgleichs. IEEE Trans. Bildprozess. 9, 889–896 (2000).

Artikel ADS CAS PubMed Google Scholar

Lu, H., Fan, T., Ghimire, P. & Deng, L. Experimentelle Bewertung und Konsistenzvergleich von UAV-Multispektral-Minisensoren. Remote Sens. 12, 2542 (2020).

Artikel ADS Google Scholar

Wang, C. & Myint, SW Eine vereinfachte empirische Linienmethode der radiometrischen Kalibrierung für kleine, auf unbemannten Flugzeugsystemen basierende Fernerkundung. IEEE J. Sel. Spitze. Appl. Erdobs. Remote Sens. 8, 1876–1885 (2015).

Agostini, A. et al. Eine kognitive Architektur für automatisches Gärtnern. Berechnen. Elektron. Agr. 138, 69–79. https://doi.org/10.1016/j.compag.2017.04.015 (2017).

Schafleitner, R. et al. Feld-Screening zur Variation der Trockenheitstoleranz bei Solanum tuberosum L. durch agronomische Untersuchungen. Physiol. Genet. Anal. Kartoffelres. 50, 71–85 (2007).

Artikel CAS Google Scholar

Kim, KN, Park, WK & Nam, SY Vergleich der Etablierungskraft, der Gleichmäßigkeit, des Wurzelpotenzials und der Rasenqualität von Grasnarben aus Kentucky-Bluegrass, Deutschem Weidelgras, Rohrschwingel und Grasmischungen für die kühle Jahreszeit, die in Sandboden angebaut werden. Kor. J. Turfgrass Sci. 17(4), 129–146 (2003).

Rouse, J. W, Haas, RH, Scheel, JA & Deering, DW Überwachung von Vegetationssystemen in den Great Plains mit ERTS. Im Verfahren. 3. Earth Resource Technology Satellite (ERTS)-Symposium 48–62 (1974).

Walter, A., Liebisch, F. & Hund, A. Pflanzenphänotypisierung: Vom Bohnenwiegen bis zur Bildanalyse. Pflanzenmethoden 11, 14 (2015).

Artikel PubMed PubMed Central Google Scholar

Borawska-Jarmułowicz, B., Mastalerczuk, G., Pietkiewicz, S. & Kalaji, MH Auswirkungen niedriger Temperaturen und Verhärtung auf die Effizienz des Photosyntheseapparats und das Überleben von Futtergrassorten. Pflanzenbodenumgebung. 60, 177–183 (2014).

Artikel Google Scholar

Bremer, DJ, Lee, H., Su, K. & Keeley, SJ Beziehungen zwischen normalisiertem Differenzvegetationsindex und visueller Qualität in Rasengras der kühlen Jahreszeit: II. Faktoren, die den NDVI und seine Komponentenreflexionen beeinflussen. Pflanzenwissenschaft. 51, 2219–2227 (2011).

Artikel Google Scholar

Barboza, TOC et al. Leistung von Vegetationsindizes zur Abschätzung der Ansammlung grüner Biomasse in der Gartenbohne. AgriEngineering 5, 840–854 (2023).

Artikel Google Scholar

Boiarskii, B. Vergleich der NDVI- und NDRE-Indizes zur Erkennung von Unterschieden in der Vegetation und im Chlorophyllgehalt. J. Mech. Fortsetzung. Mathematik. Wissenschaft. spl1, (2019).

Narmilan, A. et al. Vorhersage des Chlorophyllgehalts in Zuckerrohrpflanzen unter Verwendung von Algorithmen für maschinelles Lernen und spektralen Vegetationsindizes, die aus multispektralen UAV-Bildern abgeleitet werden. Remote Sens. 14, 1140 (2022).

Artikel ADS Google Scholar

Adam, E., Mutanga, O. & Rugege, D. Multispektrale und hyperspektrale Fernerkundung zur Identifizierung und Kartierung der Feuchtgebietsvegetation: eine Übersicht. Wetl. Ökologisch. Geschäftsführer 18, 281–296 (2010).

Artikel Google Scholar

Xue, J. & Su, B. Signifikante Fernerkundungs-Vegetationsindizes: Ein Überblick über Entwicklungen und Anwendungen. J. Sens. 2017, 1–17 (2017).

Artikel CAS Google Scholar

Fracheboud, Y. & Leipner, J. Die Anwendung der Chlorophyllfluoreszenz zur Untersuchung von Licht, Temperatur und Trockenstress. in Practical Applications of Chlorophyll Fluoreszenz in Plant Biology (Hrsg. DeEll, JR & Toivonen, PMA) 125–150 (Springer US, 2003). https://doi.org/10.1007/978-1-4615-0415-3_4.

Wu, L., Wang, L., Shi, C. & Yin, D. Nachweis der Mangroven-Photosynthese mit solarinduzierter Chlorophyllfluoreszenz. Int. J. Remote Sens. 43, 1037–1053 (2022).

Artikel Google Scholar

Rivera, G., Porras, R., Florencia, R. & Sánchez-Solís, JP LiDAR-Anwendungen in der Präzisionslandwirtschaft für den Anbau von Nutzpflanzen: Ein Überblick über die jüngsten Fortschritte. Berechnen. Elektron. Landwirtschaft. 207, 107737 (2023).

Artikel Google Scholar

Al-Tamimi, N. et al. Erfassung der Anpassung von Pflanzen an abiotischen Stress mithilfe bildbasierter Technologien. Öffnen Sie Biol. 12, 210353 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Das Basic Science Research Program unterstützte diese Forschung durch die National Research Foundation of Korea (NRF), finanziert vom Bildungsministerium (2019R1A6A1A11052070).

Abteilung für Pflanzenressourcen und Umwelt, Jeju National University, Jeju, 63243, Republik Korea

Ki-Bon Ku, Sheikh Mansoor, Yong Suk Chung und Thai Thanh Tuan

Abteilung für praktische Kunsterziehung, Cheongju National University of Education, Cheongju, 28708, Republik Korea

Gyung Deok Han

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung: YSC; Methodik, KU und TTT; Untersuchung, SM und YSC; Datenkuration, KK, SM und TTT; Schreiben – Originalentwurfsvorbereitung, KK und SM; Schreiben – Rezension und Bearbeitung, KK, SM, GDH und YSC; Aufsicht, YSC; Projektverwaltung, YSC.; Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Yong Suk Chung oder Thai Thanh Tuan.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Ku, KB., Mansoor, S., Han, GD et al. Identifizierung neuer kältetoleranter Zoysia-Grasarten mithilfe hochauflösender RGB- und multispektraler Bildgebung. Sci Rep 13, 13209 (2023). https://doi.org/10.1038/s41598-023-40128-2

Zitat herunterladen

Eingegangen: 18. Mai 2023

Angenommen: 04. August 2023

Veröffentlicht: 14. August 2023

DOI: https://doi.org/10.1038/s41598-023-40128-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.