1、概述

根系是植物地下部分為適應陸地生活長(cháng)期進(jìn)化而形成的營(yíng)養器官，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、轉化和儲存中發(fā)揮著(zhù)重要的作用，還能夠穩定植物體并與土壤形成物理和化學(xué)聯(lián)系。有研究學(xué)者認為，優(yōu)良根系的品種有利于提高產(chǎn)量穩定性、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。根系的形態(tài)，例如根長(cháng)、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。當植物受到脅迫時(shí)，根系會(huì )產(chǎn)生一系列生長(cháng)和發(fā)育、形態(tài)、生物量以及生理生化代謝變化以適應脅迫條件。因此，更好地了解植物根系和根際過(guò)程有助于提高植物生產(chǎn)和可持續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。

傳統植物根系的研究方法包括挖掘法、定位法、土鉆法等，通過(guò)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(lèi)方法不僅破壞性大、耗時(shí)長(cháng)、取樣成本高，且存在一定的局限性^[2]。近年來(lái)，無(wú)損成像方法在植物科學(xué)中變得越來(lái)越流行。傳統上局限于RGB成像的高通量應用正在向更寬的光譜范圍發(fā)展，從而能夠對根際成分進(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(chǎng)上出現了一系列產(chǎn)品，如人工培養基（瓊脂、發(fā)芽紙、水培等）培養植物幼苗的方法，但該方法植株的生長(cháng)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(guān)察和研究植物根系的方法，是活體根系監測、根系動(dòng)態(tài)生長(cháng)監測最主要的方法之一。但該方法的缺陷在于窗面及觀(guān)察深度都比較有限，且在根系生長(cháng)過(guò)程中可能會(huì )產(chǎn)生大量細根圍繞在玻璃管周?chē)?，影響觀(guān)測的準確性^[5-7]。因此，基于根窗技術(shù)，填土根箱成像系統應運而生，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(gè)缺陷，即需要依賴(lài)于根與土壤足夠的對比度才能進(jìn)行自動(dòng)分割。而高光譜成像數據能夠克服根與土壤分割困難的問(wèn)題，能夠對根系表型及生化性狀成分進(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)公司結合近幾年來(lái)高光譜成像技術(shù)創(chuàng )新應用（易科泰 SpectrAPP ^® 項目）實(shí)驗研究，開(kāi)發(fā)了一款RhizoTron^®植物根系高光譜成像分析系統，該系統基于根窗技術(shù)，可對RhizoBox根盒培養的植物根系進(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。能夠實(shí)現植物根系進(jìn)行原位表型高光譜成像分析和動(dòng)態(tài)監測?？蓱糜谥仓旮党上穹治?、抗性篩選及遺傳育種、病蟲(chóng)害脅迫及干旱研究、土壤結構及養分研究等領(lǐng)域。

2、RhizoTron^®植物根系高光譜成像分析系統

2.1 系統介紹

RhizoTron^®植物根系高光譜成像分析系統可對生長(cháng)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由主機系統和高光譜成像系統組成，其中主機系統包括系統平臺（主機箱）、控制單元、樣品托、數據處理服務(wù)器等組成；光譜成像系統由光譜成像單元（包括成像傳感器、光源、云臺等）和自動(dòng)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)，配有植物培養模塊，由樣品托盤(pán)、適配器、不同規格尺寸RhizoBox根系觀(guān)測培養根盒組成，或自己制作培養根盒；可選配多通道智能LED培養臺

2）標配為60度傾斜自動(dòng)掃描成像（與植物培養角度一致），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(dòng)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、葉綠素熒光成像分析（可選配適于正常培養盆的樣品托）

5）可選配iPOT數字化植物培養盆或RhizoBox根系培養盒，持續監測土壤水分溫度、重量、植物生長(cháng)、光合效率、PI（performanceIndex）、莖流等生理生態(tài)指標，可自動(dòng)采集土壤滲漏水并進(jìn)行土壤營(yíng)養鹽分析

6）模塊式結構，具備強大的系統擴展功能，系統平臺自動(dòng)萬(wàn)向腳輪，方便移動(dòng)

7）可遠程控制（選配）、自動(dòng)運行數據采集存儲等功能

2.3 技術(shù)指標

1)控制單元為嵌入式操作系統，可進(jìn)行雙重控制（觸控屏+PC端全中文GUI軟件），實(shí)現遠程操控相機及平臺

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

3)高光譜成像（標配400-1000nm，可選配900-1700nm）可成像分析植被生理生化指標、健康指數、光合利用效率、植被脅迫、水分、氮素等指數。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）標配RGB彩色成像：分辨率2448×2048像素，配備專(zhuān)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選區分析、光譜分析、頻率直方圖、自動(dòng)識別不同波段峰值，可分析近百種光譜指數，根據需求定制添加光譜指數，同時(shí)能夠分析根系表型數據

6）PhenoRoot根系分析軟件，可分析根長(cháng)、根系最大寬度、凸包面積、根系總長(cháng)、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培養臺，RGBW四通道智能調整LED光源，0-100%可調，可模擬晝夜節律、不同光配方等，最大光強300μmol/m²·s

9)葉綠素熒光成像單元（選配），專(zhuān)業(yè)高靈敏度葉綠素熒光成像CCD，幀頻50fps，分辨率720×560像素，像素大小8.6×8.3µm，可自動(dòng)運行Fv/Fm、Kautsky誘導效應、熒光淬滅分析、光響應曲線(xiàn)等protocols，自動(dòng)測量分析50多個(gè)葉綠素熒光參數，包括：Fv/Fm、Fv’/Fm’、Y(II)、NPQ、qN、qP、Rfd、ETR等，自動(dòng)形成葉綠素熒光參數圖

10)系統平臺規格：標配約145cm×60cm×160cm（長(cháng)×寬×高）、重量約50kg

3、應用案例

3.1 甜菜根系RGB及高光譜成像分析：

以甜菜為實(shí)驗對象進(jìn)行了實(shí)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(dòng)分割作為參考，使用RGB和高光譜圖像跟蹤甜菜根系的生長(cháng)、形態(tài)和結構，發(fā)現基于RGB自動(dòng)分割并不能很好的區分老根和土壤，跟蹤根系總根長(cháng)誤差為6.94%；高光譜成像通過(guò)光譜比率獲得根系的二值圖像進(jìn)而對根系長(cháng)度進(jìn)行分析，誤差僅為1.5%。使用紫外燈（UV）與模擬太陽(yáng)光照射得到的根系可視化圖像，發(fā)現在明亮背景下UV圖像更易識別根系。

左：RGB原始圖像；中：(A)使用繪圖板手動(dòng)分割根系，(B)頂部分割不良的舊根軸區域，(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(yáng)光根系可視化圖像。(A): UV；(B): 模擬太陽(yáng)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)現三種根系光譜曲線(xiàn)存在顯著(zhù)差異，且1100nm附近新側根與主根出現吸收峰，而老根并未出現。但老根與土壤反射曲線(xiàn)趨勢較一致，在水分吸收區域（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根盒的平均光譜進(jìn)行校準，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(cháng)度進(jìn)行結構量化，以手動(dòng)分割作為參考，分別使用高光譜圖像和RGB圖像對根系可見(jiàn)根長(cháng)度進(jìn)行預測，結果表示，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(méi)有顯著(zhù)差異（P=0.225）。表明兩種方法在預測此處使用的基質(zhì)的可見(jiàn)根長(cháng)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(shù)模型對根像素的徑級類(lèi)別進(jìn)行預測，其訓練集為r=0.86，驗證集r=048；基于一階導數差分光譜（1649-1447nm）構建根系腐爛時(shí)間指數模型，使用修剪后28天和101天的光譜數據作為驗證集，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，以此作為訓練集對含水量模型進(jìn)行訓練，對根箱的每個(gè)土壤像素的含水量進(jìn)行預測；以油用蘿卜作為實(shí)驗對象，使用化學(xué)計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(guò)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重程度，以快速鑒別耐藥基因型。設置對照組和實(shí)驗組，培養14日后實(shí)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，作為地面參考數據^[11]。

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

高光譜圖像：通過(guò)提取感興趣區的光譜，發(fā)現從地上樣品的高光譜反射曲線(xiàn)來(lái)看，健康和感染的樣品光譜反射曲線(xiàn)相差較小，而根系的光譜曲線(xiàn)差異較顯著(zhù)。使用歸一化差異光譜指數（NDSI）對根系疾病程度進(jìn)行預測，其R²達到0.54，使用地上部光譜特征進(jìn)行預測，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（SVM）和SAE深度神經(jīng)網(wǎng)絡(luò )對樣品中的鉛（Pb）含量建立模型并預測，發(fā)現SAE深度神經(jīng)網(wǎng)絡(luò )模型精度較高。在SAE模型的基礎上使用遷移學(xué)習的方法得到T-SAE模型，并對油菜葉片和根系中的Pb含量進(jìn)行預測，發(fā)現其精度有所提升，油菜葉片達到0.92，根系達0.93?；诖丝梢园l(fā)現高光譜成像技術(shù)結合深度神經(jīng)網(wǎng)絡(luò )能夠對油菜植物中的重金屬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高光譜數據，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

[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用前景[J]. 核農學(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用前景[J]. 核農學(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.