· Internationale editie
POTATOES.NEWSGlobal potato industry intelligence
Bekijk Potatoes.News
In focusInternationale aardappeltour gaat naar Joegoslavië in 2026: tot ziens in Krasnodar ↗
Nieuws

Fenotypering vanuit de lucht: op drones gebaseerde omgevingskernen presteren beter dan genomische data bij schaarse aardappelproeven

As climate change intensifies interannual weather variability, plant breeders are under pressure to evaluate more genotypes across diverse environments while keeping phenotyping costs manageable. Sparse testing — assessing only a subset of genotypes per location — offers…

Fenotypering vanuit de lucht: op drones gebaseerde omgevingskernen presteren beter dan genomische data bij schaarse aardappelproevenAardappelen.Nieuws
Aardappelen.Nieuws

Naarmate de klimaatverandering de interjaarlijkse weersvariabiliteit versterkt, staan ​​plantenveredelaars onder druk om meer genotypen in diverse omgevingen te evalueren, terwijl de kosten voor fenotypering beheersbaar moeten blijven. Sparse testing – het beoordelen van slechts een subset van genotypen per locatie – biedt een praktische oplossing, maar vereist robuuste voorspellende modellen om ontbrekende gegevens aan te vullen. Een nieuwe studie gepubliceerd in Wetenschappelijke rapporten Dit onderzoek toont aan dat high-throughput fenotypering (HTP) met behulp van dronebeelden een krachtig alternatief kan zijn voor genomische informatie in dergelijke scenario's. Onderzoekers werkten met 256 aardappelklonen in drie Zweedse omgevingen (twee locaties in 2020-2021) en extraheerden tijdgeïntegreerde vegetatie-indices, bladerdakbedekking en planthoogte uit RGB-beelden gemaakt met een drone. Met behulp van principale componentenanalyse (PCA) op deze uit beelden afgeleide kenmerken construeerden ze een "omgevingskernel" (E-kernel) die de gelijkenis tussen testlocaties kwantificeert en vergeleken de voorspellende prestaties ervan met de standaard genomische verwantschapsmatrix (G-kernel) bij dataschaarsteniveaus variërend van 10% tot 66%.

De resultaten zijn opvallend: in scenario's met twee omgevingen en 50% datavolledigheid presteerde de E-kernel significant beter dan zowel de G-kernel als hun combinatie voor alle eigenschappen. De voorspellingsnauwkeurigheid voor de totale knolopbrengst steeg met 60% en voor de fractie van 50-60 mm met 62%. Bij 33% volledigheid was het zetmeelgehalte de enige eigenschap met een r² > 0.5, en alleen de E-kernel behaalde dit niveau. De genomische kernel bleek alleen robuuster bij extreme schaarste (10-20%), terwijl conventionele meteorologische covariaten een beperkt vermogen vertoonden om onderscheid te maken tussen nabijgelegen locaties. Opvallend is dat de combinatie van G- en E-kernels de voorspellingen niet verbeterde, wat wijst op overlappende informatie. De auteurs erkennen de beperkingen – bescheiden steekproefomvang en omgevingslekkage – maar benadrukken dat op beelden gebaseerde omgevingskernels kosteneffectief, schaalbaar en bijzonder waardevol zijn voor gewassen met een langzame groeicyclus, zoals tetraploïde aardappelen. Deze aanpak biedt een pragmatische manier om de genetische vooruitgang in veredelingsprogramma's met beperkte middelen te versnellen, met name voor opbrengstgerelateerde eigenschappen, terwijl de fenotyperingslast wordt verminderd door herbruikbare HTP-gegevens.

Gepubliceerd rapport en oorspronkelijke bronvermelding: Aardappelen.Nieuws ↗

Zoeken

Talen

De automatische vertaling wordt verzorgd door Google Translate. Kies een taal om de vertaalde versie te openen.

Video

📰 Mijn samenvatting — kies onderwerpen en lees offline