vPheno: Større avlingsframgang i norsk kornforedling gjennom pålitelig og high-throughput fenotyping

Om prosjektet

Større avlingsframgang i norsk kornforedling gjennom pålitelig og high-throughput fenotyping (virtual phenomics; vPheno). Prosjektet har som mål å effektivisere, og øke presisjonsnivået i arbeidet med å foredle nye plantesorter, ved å ta i bruk nyskapende teknologiske løsninger som Virtual Reality, genomisk seleksjon  og hyperspektrale bilder. 

Dette prosjektet har utviklet og testet ny teknologi innen både bildeanalyser og genomseleksjon som kan øke presisjonen i utvelgelsen av nye plantesorter og gi planteforedlerne tilgang på mer presise data om plantenes vekst og utvikling. Feltforsøk med 300 vårhvetelinjer er blitt gjennomført hvert år både på forsøksgården Vollebekk på Ås i regi av NMBU og på Staur i Stange i regi av Graminor. I tillegg registrering av avling og agronomiske egenskaper er det tatt jevnlige multispektrale dronebilder med omtrent ukentlige intervall i løpet av sesongen. Data fra disse bildeanalysene blir sammenlignet med manuelle målinger som gjøres på plantene i løpet av vekstsesongen. De fire siste sesongene er i tillegg et valideringspanel med 300 nye vårhvetelinjer fra Graminor blitt testet på begge stedene.

Bruk av nye maskinlæringsmetoder har resultert i lovende prediksjonsmodeller for avling basert på vegetasjonsparametere fra multispektrale dronebilder. Dette ble publisert i 2021. I 2020 og 2021 gjennomførte vi parallell testing av to ulike multispektrale kamera med ukentlige flyvinger gjennom sesongen for å sammenligne deres datakvalitet med hensyn på avlingsprediksjon. Disse resultatene viser at en mye billigere og mer brukervennlig drone med innebygd multispektralt kamera gir like gode data som det mer avanserte og betydelig dyrere kameraet vi brukte i starten av prosjektet. Dette ble dokumentert i en vitenskapelig publikasjon som vil bidra til å gjøre multispektral fenotyping mer tilgjengelig for planteforedlere uten særlig erfaring med droneflyging. På bildeanalysefronten har vi det siste året arbeidet med forbedring av metodikken for å estimere plantehøyde og aksskytingsdato og i samarbeid med Boston University testet ulike metoder for å håndtere skyggeeffekter i sammensydde dronebilder forårsaket av skyer på himmelen.

I samarbeid med CIMMYT i Mexico har vi arbeidet med å teste ut effektive statistiske modeller for genomisk seleksjon som kombinerer fenotypiske data med markørdata og multispektral informasjon fra dronebildene. En lang rekke effektive statistiske modeller som inkorporere korrelerte egenskaper, genotype-miljøsamspill og værdata fra dette arbeidet har blitt publisert og er klare til bruk. Testing av disse modellene på feltforsøksdata fra prosjektet viser at treffsikkerheten kan økes ved å inkludere multispektrale vegetasjonsdata i genomprediksjonsmodellene. I det siste har vi også sammenlignet disse klassiske statistiske modellene med modeller basert på maskinlæring og kunstig intelligens. Resultater så langt viser at disse modellene krever mer data for å oppnå samme treffsikkerhet som enklere statistiske modeller. I 2022 ble det med midler fra prosjektet gjennomført et kurs i statistisk modellering for fire gjesteforskere fra Norge mens prosjektets postdoktorstipendiat hadde utenlandsopphold der. Oppholdet ga god innsikt i både planteforedlingsmetodikk og hvordan fenotypingsdata fra feltforsøk blir analysert sammen med markørdata i hveteforedlingsprogrammene på CIMMYT (hentet fra forskninsrådet).

https://www.forskning.no/landbruk-nmbu-norges-miljo-og-biovitenskapelige-universitet-partner/forskere-lager-nye-plantesorter-ved-hjelp-av-robot/352865

Deltakere

Morten Lillemo (Prosjektleder)

morten.lillemo@nmbu.no
Tlf. 67232775