1,、概述

  根系是植物地下部分為適應(yīng)陸地生活長期進(jìn)化而形成的營養(yǎng)器官,，具有支撐地上部分的基本作用,，不僅在水、礦物質(zhì)和碳水化合物的吸收,、轉(zhuǎn)化和儲存中發(fā)揮著重要的作用,，還能夠穩(wěn)定植物體并與土壤形成物理和化學(xué)聯(lián)系。有研究學(xué)者認(rèn)為,，優(yōu)良根系的品種有利于提高產(chǎn)量穩(wěn)定性,、資源利用效率及對環(huán)境脅迫的抵抗力^[1]，根系也被作為育種目標(biāo),。根系的形態(tài),，例如根長、根系體積,、根系直徑和根干物質(zhì),，可以反映根系的健康情況。當(dāng)植物受到脅迫時,，根系會產(chǎn)生一系列生長和發(fā)育,、形態(tài)、生物量以及生理生化代謝變化以適應(yīng)脅迫條件,。因此,，更好地了解植物根系和根際過程有助于提高植物生產(chǎn)和可持續(xù)土壤管理的資源效率。

根系研究的關(guān)鍵在于使植物“隱藏的一半”能被可視化和量化,。

常用根系表型研究方法及其成像圖

  傳統(tǒng)植物根系的研究方法包括挖掘法,、定位法、土鉆法等,，通過挖根,、洗根等操作后對根系進(jìn)行形態(tài)學(xué)、生理生化等方面的研究,，此類方法不僅破壞性大,、耗時長、取樣成本高,，且存在一定的局限性^[2],。近年來，無損成像方法在植物科學(xué)中變得越來越流行,。傳統(tǒng)上局限于RGB成像的高通量應(yīng)用正在向更寬的光譜范圍發(fā)展,，從而能夠?qū)ΩH成分進(jìn)行化學(xué)成像^[3,4]，也為地下根系的研究提供了新的途徑,。

  為了解決傳統(tǒng)根系研究方法所存在的缺陷并方便對根系進(jìn)行成像,，市場上出現(xiàn)了一系列產(chǎn)品，如人工培養(yǎng)基（瓊脂,、發(fā)芽紙,、水培等）培養(yǎng)植物幼苗的方法，但該方法植株的生長條件受到人們的質(zhì)疑,；微根窗技術(shù)是一種非破壞性,、定點直接觀察和研究植物根系的方法，是活體根系監(jiān)測,、根系動態(tài)生長監(jiān)測最主要的方法之一,。但該方法的缺陷在于窗面及觀察深度都比較有限，且在根系生長過程中可能會產(chǎn)生大量細(xì)根圍繞在玻璃管周圍,，影響觀測的準(zhǔn)確性^[5-7],。因此，基于根窗技術(shù),，填土根箱成像系統(tǒng)應(yīng)運而生,，用于植物根系成像。

  基于根箱栽培的植物根系表型RGB成像存在一個缺陷,，即需要依賴于根與土壤足夠的對比度才能進(jìn)行自動分割,。而高光譜成像數(shù)據(jù)能夠克服根與土壤分割困難的問題，能夠?qū)Ω当硇图吧誀畛煞诌M(jìn)行成像分析,。

根系表型研究方法對比

根系研究方法	優(yōu)點	缺點	代表性儀器
挖掘法,、土鉆法	經(jīng)濟(jì)成本低	破壞性；耗時耗力,；	WinRhizo洗根圖像分析系統(tǒng)
微根窗法	非破壞性,； 定點觀測	窗面尺寸小	MS-190超高清微根窗相機(jī)系統(tǒng)
根箱栽培法 -RGB成像	非破壞性； 可實現(xiàn)高通量分析	圖像自動分割依賴于根與土壤的對比度	PlantScreen高通量植物表型系統(tǒng)
根箱栽培法 -高光譜成像	自動圖像分割,； 可對根系成分進(jìn)行化學(xué)成像	經(jīng)濟(jì)成本略高	RhizoTron?植物根系高光譜成像分析系統(tǒng)

  基于此,，易科泰生態(tài)技術(shù)公司結(jié)合近幾年來國際先進(jìn)高光譜成像技術(shù)創(chuàng)新應(yīng)用（易科泰 SpectrAPP ^? 項目）實驗研究，開發(fā)了一款RhizoTron^?植物根系高光譜成像分析系統(tǒng)，該系統(tǒng)基于根窗技術(shù),，可對RhizoBox根盒培養(yǎng)的植物根系進(jìn)行原位非損傷表型成像分析,，具備多功能高光譜成像分析功能，可對植物根系進(jìn)行高光譜和自發(fā)光熒光成像,。能夠?qū)崿F(xiàn)植物根系進(jìn)行原位表型高光譜成像分析和動態(tài)監(jiān)測,。可應(yīng)用于植株根系成像分析,、抗性篩選及遺傳育種,、病蟲害脅迫及干旱研究、土壤結(jié)構(gòu)及養(yǎng)分研究等領(lǐng)域,。

2,、RhizoTron^?植物根系高光譜成像分析系統(tǒng)

2.1 系統(tǒng)介紹

  RhizoTron^?植物根系高光譜成像分析系統(tǒng)可對生長于RhizoBox根盒（帶根窗）的作物根系進(jìn)行高光譜成像分析和UV激發(fā)生物熒光成像分析（選配），可選配Thermo-RGB成像分析及冠層表型成像分析,。

  RhizoTron植物根系高光譜成像分析系統(tǒng)由主機(jī)系統(tǒng)和高光譜成像系統(tǒng)組成,，其中主機(jī)系統(tǒng)包括系統(tǒng)平臺（主機(jī)箱）、控制單元,、樣品托,、數(shù)據(jù)處理服務(wù)器等組成；光譜成像系統(tǒng)由光譜成像單元（包括成像傳感器,、光源,、云臺等）和自動掃描軸組成。

2.2 功能特點

1）基于RhizoTron^?根窗技術(shù)的高光譜成像分析技術(shù),，配有植物培養(yǎng)模塊,，由樣品托盤、適配器,、不同規(guī)格尺寸RhizoBox根系觀測培養(yǎng)根盒組成,，或自己制作培養(yǎng)根盒；可選配多通道智能LED培養(yǎng)臺

2）標(biāo)配為60度傾斜自動掃描成像（與植物培養(yǎng)角度一致）,，同時對RhizoBox根系和幼苗進(jìn)行高光譜成像分析和RGB成像分析,，可選配其它角度如45度、70度和90度（垂直掃描成像）

3）可對根系進(jìn)行UV-MCF紫外光激發(fā)生物熒光高光譜成像,，以研究分析根系活動及根系與土壤互作關(guān)系,、熒光假單胞菌等AvrahamAlonyandRaphaelLinker,2013）；或選配根系Thermo-RGB成像分析

4）可選配頂部冠層RGB成像分析,、紅外熱成像分析,、高光譜成像分析、葉綠素?zé)晒獬上穹治觯蛇x配適于正常培養(yǎng)盆的樣品托）

5）可選配iPOT數(shù)字化植物培養(yǎng)盆或RhizoBox根系培養(yǎng)盒,，持續(xù)監(jiān)測土壤水分溫度,、重量,、植物生長、光合效率,、PI（performanceIndex）,、莖流等生理生態(tài)指標(biāo)，可自動采集土壤滲漏水并進(jìn)行土壤營養(yǎng)鹽分析

6）模塊式結(jié)構(gòu),，具備強(qiáng)大的系統(tǒng)擴(kuò)展功能,，系統(tǒng)平臺自動萬向腳輪，方便移動

7）可遠(yuǎn)程控制（選配）,、自動運行數(shù)據(jù)采集存儲等功能

2.3 技術(shù)指標(biāo)

1)控制單元為嵌入式操作系統(tǒng)，可進(jìn)行雙重控制（觸控屏+PC端全中文GUI軟件）,，實現(xiàn)遠(yuǎn)程操控相機(jī)及平臺

2)自動掃描軸推掃速度與精度：1-40mm/s,，移動精度1mm，有效掃描范圍：標(biāo)配100cm

3)高光譜成像（標(biāo)配400-1000nm,，可選配900-1700nm）可成像分析植被生理生化指標(biāo),、健康指數(shù)、光合利用效率,、植被脅迫,、水分、氮素等指數(shù),。配備PhenoRoot根系分析軟件,，如需對地上部分進(jìn)行同時分析，可選配SpectrAPP分析軟件

4）標(biāo)配RGB彩色成像：分辨率2448×2048像素,，配備專業(yè)植物根系分析軟件

5）SpectrAPP^?高光譜成像分析軟件：進(jìn)行光譜融合,、ROI選區(qū)分析、光譜分析,、頻率直方圖,、自動識別不同波段峰值，可分析近百種光譜指數(shù),，根據(jù)需求定制添加光譜指數(shù),，同時能夠分析根系表型數(shù)據(jù)

6）PhenoRoot根系分析軟件，可分析根長,、根系最大寬度,、凸包面積、根系總長,、根系面積（生物量）,、根系剖面分析（根系密度）等

7)Thermo-RGB成像融合分析（選配），包括Thermo-RGB融合分析軟件,，紅外熱成像分辨率：640×512像素,；測量溫度范圍：-25℃－150℃；光譜范圍：7.5－13.5μm

8)多通道智能LED培養(yǎng)臺，RGBW四通道智能調(diào)整LED光源,，0-100%可調(diào),，可模擬晝夜節(jié)律、不同光配方等,，最大光強(qiáng)300μmol/m²·s

9)葉綠素?zé)晒獬上駟卧ㄟx配）,，專業(yè)高靈敏度葉綠素?zé)晒獬上馛CD，幀頻50fps,，分辨率720×560像素,，像素大小8.6×8.3μm，可自動運行Fv/Fm,、Kautsky誘導(dǎo)效應(yīng),、熒光淬滅分析、光響應(yīng)曲線等protocols,，自動測量分析50多個葉綠素?zé)晒鈪?shù),，包括：Fv/Fm、Fv’/Fm’,、Y(II),、NPQ、qN,、qP,、Rfd、ETR等,，自動形成葉綠素?zé)晒鈪?shù)圖

10)系統(tǒng)平臺規(guī)格：標(biāo)配約145cm×60cm×160cm（長×寬×高）,、重量約50kg

左圖為頂部冠層高光譜成像（NDVI），右圖為根系成像提?。‥coTech^?實驗室提供）

3,、應(yīng)用案例

3.1 甜菜根系RGB及高光譜成像分析：

以甜菜為實驗對象進(jìn)行了實驗，對其根系進(jìn)行RGB成像和高光譜成像（900-1700nm）,，分別進(jìn)行了形態(tài)分析和生化性狀進(jìn)行分析^[8],。

1）形態(tài)分析：以手動分割作為參考，使用RGB和高光譜圖像跟蹤甜菜根系的生長,、形態(tài)和結(jié)構(gòu),，發(fā)現(xiàn)基于RGB自動分割并不能很好的區(qū)分老根和土壤，跟蹤根系總根長誤差為6.94%,；高光譜成像通過光譜比率獲得根系的二值圖像進(jìn)而對根系長度進(jìn)行分析,，誤差僅為1.5%。使用紫外燈（UV）與模擬太陽光照射得到的根系可視化圖像,，發(fā)現(xiàn)在明亮背景下UV圖像更易識別根系,。

左：RGB原始圖像,；中：(A)使用繪圖板手動分割根系，(B)頂部分割不良的舊根軸區(qū)域,，(C)圖像底部正確分割的新根軸,，(D)基于RGB獲得的二值圖像；右：基于高光譜獲得的二值圖像

UV和模擬太陽光根系可視化圖像,。(A): UV,；(B): 模擬太陽光

2）生化性狀分析：對不同發(fā)生位置及成熟度的根系和土壤的平均光譜進(jìn)行分析，發(fā)現(xiàn)三種根系光譜曲線存在顯著差異,，且1100nm附近新側(cè)根與主根出現(xiàn)吸收峰,，而老根并未出現(xiàn)。但老根與土壤反射曲線趨勢較一致,，在水分吸收區(qū)域（1450nm）附近,，根系光譜斜率高于土壤。同時,，它使用不同含水量土壤校準(zhǔn)根盒的平均光譜進(jìn)行校準(zhǔn)，從而繪制根箱上水分分布圖,。

左：三個根ROI(老根和新側(cè)根,、主根)和兩個土壤ROI(根箱的頂部和底部)的平均光譜；右：根箱上的水分分布圖,。

3.2小麥根系RGB及高光譜成像分析

以小麥為實驗對象,，對植株進(jìn)行扦插處理，扦插后14,、28,、47、94,、101和201天對根箱的上三分之一進(jìn)行高光譜成像（900-1700nm)和RGB成像,，分別進(jìn)行了形態(tài)分析和生化性狀進(jìn)行分析^[9]。

1）形態(tài)分析：使用WinRhizo對根長度進(jìn)行結(jié)構(gòu)量化,，以手動分割作為參考,，分別使用高光譜圖像和RGB圖像對根系可見根長度進(jìn)行預(yù)測，結(jié)果表示,，基于RGB分割為83.4%,，光譜分割為77.0%。但兩種分割方法的斜率沒有顯著差異（P=0.225）,。表明兩種方法在預(yù)測此處使用的基質(zhì)的可見根長度方面具有相似的性能,。

通過自動光譜和顏色分割方法預(yù)測人工跟蹤的可見根長度

2）生化性狀分析：基于光譜特征，使用決策樹模型對根像素的徑級類別進(jìn)行預(yù)測,，其訓(xùn)練集為r=0.86,，驗證集r=048,；基于一階導(dǎo)數(shù)差分光譜（1649-1447nm）構(gòu)建根系腐爛時間指數(shù)模型，使用修剪后28天和101天的光譜數(shù)據(jù)作為驗證集,，其r²=0.96,。

左：根光譜反射率的徑向模型，使用從中心到邊界以0.2 mm增量的八個徑向類的訓(xùn)練決策樹模型并進(jìn)行分類,。整個根圖像上的白色幀表示頂部和底部特寫部分的位置,；右：光譜反射率(一階導(dǎo)數(shù)差譜1649~1447nm)與衰減時間(拍攝后天數(shù))的關(guān)系

3.3 土壤含水量估測及根腐病識別

  以甜菜為實驗對象對其根系進(jìn)行高光譜成像（900-1700nm)，同時測定與實驗相同土壤的根箱中的不同土壤含水量及高光譜成像,，以此作為訓(xùn)練集對含水量模型進(jìn)行訓(xùn)練,，對根箱的每個土壤像素的含水量進(jìn)行預(yù)測；以油用蘿卜作為實驗對象,，使用化學(xué)計量分析對根系不同時間后腐爛的光譜特征進(jìn)行識別,，通過光譜的時間變化推斷根系腐爛情況^[10]。

左：根箱土壤含水量預(yù)測,；右：油用蘿卜覆蓋作物高光譜圖像根系分解分析,。(A)上圖:三個時間點的原始光譜和一階導(dǎo)數(shù)。下圖:基于1040和1450 nm一階導(dǎo)數(shù)差分光譜的衰減函數(shù),。(B)所示光譜的三次示例圖像,。

3.4不同基因型扁豆霉菌根腐病的RGB和高光譜成像評估

以不同基因型扁豆為實驗對象，分別進(jìn)行RGB成像和高光譜成像（550-1700nm）,，研究高通量表型技術(shù)評估霉菌根腐病的嚴(yán)重程度,，以快速鑒別耐藥基因型。設(shè)置對照組和實驗組,，培養(yǎng)14日后實驗組接種黃芽孢桿菌,，對照組施以清水。接種14日后使用0-5疾病評分量表對根系進(jìn)行評分,，作為地面參考數(shù)據(jù)^[11],。

霉菌根腐病嚴(yán)重程度量圖

RGB圖像：通過提取特征變量對植物生物量研究，發(fā)現(xiàn)投影面積與植物生物量有很強(qiáng)的相關(guān)性,，與地下生物量相關(guān)性高達(dá)0.9,，地上生物量相關(guān)性為0.84；對根系病害程度進(jìn)行預(yù)測,，發(fā)現(xiàn)其R²達(dá)到0.67,，而通過地上部特征變量進(jìn)行預(yù)測，其R²僅達(dá)到0.23,。

GH_LSP和GH_RIL小扁豆面板RGB圖像投影面積與植物根,、莖干重的相關(guān)性

  高光譜圖像：通過提取感興趣區(qū)的光譜，發(fā)現(xiàn)從地上樣品的高光譜反射曲線來看,，健康和感染的樣品光譜反射曲線相差較小,，而根系的光譜曲線差異較顯著,。使用歸一化差異光譜指數(shù)（NDSI）對根系疾病程度進(jìn)行預(yù)測，其R²達(dá)到0.54,，使用地上部光譜特征進(jìn)行預(yù)測,，其R²僅為0.27。

  小扁豆的平均反射光譜(GH_LSP和GH_RIL數(shù)據(jù)),。(A)GH_LSP基因型小扁豆新梢的平均光譜曲線,。(B)GH_RIL基因型小扁豆新梢的平均光譜曲線。(C)GH_LSP基因型小扁豆根系的平均光譜曲線,。(D)GH_RIL基因型小扁豆根系的平均光譜曲線,。

小扁豆葉、根圖像RGB和高光譜特征的預(yù)測性能,。

	Region of interest	Training set	Test set	R2	RMSE
RGB	shoot	GH_LSP(80%)	GH_LSP(20%)	0.53	0.88
	root			0.73	0.66
高光譜	shoot			0.27	1.08
	root			0.54	0.86

 

3.5 油菜重金屬鉛(Pb)含量的高光譜估測

以油菜為實驗對象,，對葉片和根系分別進(jìn)行高光譜成像，對根系圖像進(jìn)行比值運算（根部：861.96/480.46nm）,，油菜葉片和根的分割閾值t分別為1.3和1.6,，使根系與背景進(jìn)行圖像分割。分別建立支持向量機(jī)（SVM）和SAE深度神經(jīng)網(wǎng)絡(luò)對樣品中的鉛（Pb）含量建立模型并預(yù)測,，發(fā)現(xiàn)SAE深度神經(jīng)網(wǎng)絡(luò)模型精度較高,。在SAE模型的基礎(chǔ)上使用遷移學(xué)習(xí)的方法得到T-SAE模型，并對油菜葉片和根系中的Pb含量進(jìn)行預(yù)測,，發(fā)現(xiàn)其精度有所提升，油菜葉片達(dá)到0.92,，根系達(dá)0.93,。基于此可以發(fā)現(xiàn)高光譜成像技術(shù)結(jié)合深度神經(jīng)網(wǎng)絡(luò)能夠?qū)τ筒酥参镏械闹亟饘貾b進(jìn)行定性定量檢測^[12],。

不同鉛濃度脅迫下油菜樣品的高光譜曲線,。注:(A)和(B)分別代表油菜葉片和根系的ROI高光譜信息。此外,，(C)和(D)分別代表了不同鉛脅迫下油菜葉片和根系ROI的平均高光譜信息,。

鉛含量預(yù)測的最佳T-SAE模型。注:(A)和(B)分別代表了用T-SAE模型預(yù)測油菜葉片和根系鉛含量的最佳結(jié)果,。

3.6 野生植物幼苗根系高光譜成像分析

  易科泰EcoTech^?實驗室技術(shù)人員以一株野生型元寶槭幼株為樣本,，采集900-1700nm高光譜數(shù)據(jù)，并對其進(jìn)行光譜成像分析及根系形態(tài)分析,。

左：樣本RGB照片,；中：歸一化氮素指數(shù)（NDNI）；右：比值指數(shù)R₁₁₀₀/R₁₄₅₀

植株不同部位的900-1700nm反射光譜

基于SpectrAPP軟件的根系分析結(jié)果,。左圖為R1100/R1450,，顯示了根系不同部位的水分分布狀態(tài),，右圖為根系形態(tài)分析結(jié)果

4、參考文獻(xiàn)

[1] Kutschera, L. Wurzelatlas mitteleurop?ischer Ackerunkr?uter und Kulturpflanzen. DLG-Verlags-GmbH, Frankfurt am Main (1960).,；Kenrick, P., & Strullu-Derrien, C. Theorigin and early evolution of roots. Plant Physiol. 166, 570-580 (2014).

[2] 秦天元, 孫超, 畢真真等. 植物根系成像技術(shù)研究進(jìn)展及馬鈴薯根系研究應(yīng)用前景[J]. 核農(nóng)學(xué)報, 2019, 33(02): 412-419.

[3] Dhondt S, Wuyts N, Inzé D. Cell to whole-plant phenotyping: the best is yet to come. TrendsPlant Sci. 2013; 18:428–39.

[4] Pierret A. Multi-spectral imaging of rhizobox systems: new perspectivesfor the observation and discrimination of rhizosphere components. Plant Soil. 2008; 310: 263–8.

[5] Vamerali T, Ganis A, Bona S, Mosca G． An approach to minirhizotron root image analysis［J］． Plant and Soil, 1999, 217( 1/2) : 183－193.

[6] Johnson M G, Tingey D T, Phillips D L, Storm M J. Advancing fine rootresearch with minirhizotrons [J].Environmental and Experimental Botany, 2001, 45( 3) : 263－289.

[7] 秦天元, 孫超, 畢真真等. 植物根系成像技術(shù)研究進(jìn)展及馬鈴薯根系研究應(yīng)用前景[J]. 核農(nóng)學(xué)報, 2019, 33(02):412-419.

[8] Gernot B , Mouhannad A , Alireza N , et al. RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setupand Imaging Protocols. [J]. Journal of visualized experiments : JoVE, 2017, (126).

[9] Gernot B, Alireza N, Thomas A, et al. Hyperspectral imaging: a novel approach for plant root phenotyping.[J]. Plantmethods, 2018, 14(1).

[10] Gernot B , Mouhannad A , Alireza N . Root System Phenotying ofSoil-Grown Plants via RGB and Hyperspectral Imaging. [J].Methods in molecularbiology (Clifton, N.J.), 2021, 2264245-268.

[11] Advanced Imaging for Quantitative Evaluation of Aphanomyces RootRot Resistance in Lentil[J]. Frontiers in Plant Science, 2019, 10.

[12] Nakaji T, Noguchi K, Oguma H. Classification of rhizosphere components using visible–near infrared spectral images. Plant Soil. 2008; 310: 245–61.