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(shí)，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。

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(shí)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(diǎn)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(yùn)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(gè)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

基于此，易科泰生態(tài)技術(shù)公司結(jié)合近幾年來高光譜成像技術(shù)創(chuàng)新應(yīng)用（易科泰 SpectrAPP ^® 項(xiàng)目）實(shí)驗(yàn)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(diǎn)

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(shí)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(yùn)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(shí)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(shí)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(shí)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?/span>CCD，幀頻50fps，分辨率720×560像素，像素大小8.6×8.3µm，可自動運(yùn)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(gè)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

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(shí)驗(yàn)對象進(jìn)行了實(shí)驗(yàn)，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(shí)，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。

3.2小麥根系RGB及高光譜成像分析

以小麥為實(shí)驗(yàn)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。

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(yàn)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(shí)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(yàn)證集，其r²=0.96。

3.3 土壤含水量估測及根腐病識別

以甜菜為實(shí)驗(yàn)對象對其根系進(jìn)行高光譜成像（900-1700nm)，同時(shí)測定與實(shí)驗(yàn)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(gè)土壤像素的含水量進(jìn)行預(yù)測；以油用蘿卜作為實(shí)驗(yàn)對象，使用化學(xué)計(jì)量分析對根系不同時(shí)間后腐爛的光譜特征進(jìn)行識別，通過光譜的時(shí)間變化推斷根系腐爛情況^[10]。

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(shí)驗(yàn)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(shí)驗(yàn)組，培養(yǎng)14日后實(shí)驗(yàn)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]。

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。

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。

3.5 油菜重金屬鉛(Pb)含量的高光譜估測

以油菜為實(shí)驗(yàn)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(yùn)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?；诖丝梢园l(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?/span>Pb進(jìn)行定性定量檢測^[12]。

3.6 野生植物幼苗根系高光譜成像分析

易科泰EcoTech^®實(shí)驗(yàn)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。

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(bào), 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(bào), 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.