Agronomiset tutkimukset ovat osoittaneet, että tuottavuus ei riipu pelkästään maaperästä tai ilmastosta. Kasvien rakenne ja se, miten lehdet ovat vuorovaikutuksessa auringon säteilyn kanssa, vaikuttavat suoraan fotosynteesiin ja siten lopulliseen satoon. Tässä lähestymistavassa ei ole aina otettu huomioon sitä, että kasvit hajottavat auringonvaloa .
Sisältö
Tähän asti monet mallit ovat keskittyneet kasvipeitteen geometriaan ja jättäneet huomiotta lehtien optiset ominaisuudet. Jotta voidaan ymmärtää, miten kasvit hajottavat auringonvaloa, on integroitava erilaisia fysikaalisia, biologisia ja laskennallisia tietoja, ja tämä tehtävä on alettu ratkaista uusien mittaus- ja mallinnustyökalujen avulla.
Kuinka kasvit hajottavat auringonvaloa viljelmien sisällä?
Ensimmäinen askel kasvien auringonvalon hajottamisen analysoinnissa on yksityiskohtainen mittaus niiden lehtien heijastamasta säteilystä . Kiinalainen agronomi-tutkijaryhmä on kehittänyt ennustemallin, joka pystyy arvioimaan tätä käyttäytymistä lähes 0,99:n tarkkuudella Kiinassa suoritetuissa testeissä .
Tutkijaryhmä, jota johti professori Xin-Guang Zhu Kiinan tiedeakatemiasta, otti lehtien optiset ominaisuudet mukaan avainparametrina sadonkorjuun parantamiseksi.
Tätä tarkoitusta varten he kehittivät laitteen, nimeltään suunnattu spektrinen detektio (DSDI), joka rekisteröi eri kulmissa heijastuvan valon. Hitaampia menetelmiä poiketen tämä järjestelmä mahdollistaa suurten tietomäärien keräämisen ilman otoksen koon rajoituksia.
Ennen tulosten soveltamista todellisiin lehtiin tiimi kalibroi laitteen käyttämällä valkoista pintaa, joka heijastaa valoa tasaisesti. Tämä tarkistus esti sekaannuksen mahdollisten mekaanisten vääristymien ja kasvien välisten biologisten erojen välillä.
Kuinka valaistus muuttuu kasvipeitteessä?
Tiheissä viljelmissä auringonvalo heikkenee nopeasti yläkerroksista alakerroksiin . Tämä ilmiö luo alueita, joissa on liikaa säteilyä, ja alueita, joissa on liian vähän säteilyä, mikä heikentää valon käyttötehokkuutta. Käytännössä tämä johtaa siihen, että alalehdet tuottavat vähemmän biomassaa absorboitua valoa kohti .
Kasvien tapa hajottaa auringonvaloa vaikuttaa tähän epätasaiseen jakautumiseen. Pelkästään kasvin geometria ei selitä, minne heijastunut säteily tarkalleen osuu.
Siksi tutkijat sisällyttivät malliin kaksisuuntaiset heijastavuusjakaumafunktiot (BRDF), jotka yhdistävät heijastuksen valon tulokulmaan ja lähtökulmaan.
Käyttämällä Cook-Torrance -mallia he erottivat peilistä heijastuvan kaltaisen heijastuksen diffuusista sironnasta. Säätämällä parametreja, kuten karheutta ja taittumista , onnistuttiin mallintamaan valon uudelleenjakautuminen eri kasvipeitteen kerrosten välillä ilman, että jokaiselle lehdelle piti tehdä uusia mittauksia.
Voidaanko ennustaa, miten kasvit hajottavat auringonvaloa?
Auringonvalon hajottamisen ennustamiseksi kasvien avulla tiimi käytti helposti mitattavia ominaisuuksia: lehden paksuus, ominaispaino, kuivapaino pinta-alayksikköä kohti, pigmenttipitoisuus ja mikroskooppinen karheus . Näiden tietojen avulla he pystyivät erottamaan heijastuksen näkyvässä spektrissä, jossa pigmentit ovat hallitsevia, ja heijastuksen lähi-infrapunaspektrissä, joka liittyy läheisemmin sisäiseen rakenteeseen.
Mittaukset osoittivat kahden tyyppisiä heijastuksia: kapea huippu, joka liittyy sileämpiin pintoihin, ja laaja hajonta, joka liittyy karheaan tekstuuriin. Näin ollen kaksi lehteä, joilla on samanlainen pigmentti, voivat jakaa valoa kasvin sisällä eri tavoin .
Kasvilajit, kuten maissi , riisi , puuvilla ja poppeli, osoittivat selkeitä optisia kuvioita. Nämä vaihtelut auttavat selittämään, miksi jotkut kasvit näyttävät kirkkaammilta ja miten niiden mikrorakenne vaikuttaa säteilyn jakautumiseen sääolosuhteiden muuttuessa.
Mallinnuksesta maatalouskasvien parantamiseen
Jotta nämä tiedot voitiin siirtää realistiseen ympäristöön, tutkijat sovelsivat säteiden jäljittämisen mallinnusta kolmiulotteiseen riisipellon malliin . Muuttamalla parametreja, kuten karheutta tai hajanaista sirontaa, malli jakoi valon uudelleen kerrosten välillä muuttamalla paikallisia säteilytasoja muuttamatta auringon säteilyn kokonaisintensiteettiä.
Kuten Zhu selitti, ”tässä tutkimuksessa kehitimme strategian lehtien optisten ominaisuuksien arvioimiseksi anatomisten ominaisuuksien perusteella”.
Koneoppimisen avulla voitiin yhdistää fysikaaliset ominaisuudet monimutkaisiin optisiin kuvioihin, vaikka joitakin muuttujia, kuten taitekerrointa, on edelleen vaikea ennustaa ilman lisätietoja vesipitoisuudesta.
Valon tarkastelu merkkinä avaa uusia mahdollisuuksia geneettiseen parantamiseen . Optisten arvioiden integroiminen viljelykasvien malleihin voi auttaa tunnistamaan lajikkeet, jotka jakavat säteilyn tehokkaammin, optimoiden fotosynteesin koko kasvipeitteessä . Tulevat kenttäkokeet, joissa on mukana useita lajeja, antavat tutkijoille mahdollisuuden arvioida näiden ennusteiden vakautta todellisissa olosuhteissa.
