Zeitraum
ab 01.Jan.2011
Ansprechpartner
Projektleiter
Weitere Mitarbeiter
Zusammen-
fassung
Früherkennung von Trockenstress ist von großer Relevanz für die Nahrungsmittelproduktion und Züchtung resistenter Pflanzen. Wasserknappheit ist ein globales Problem, welches in der Landwirtschaft zu erheblichen Einbußen führt. Der Klimawandel und die rasant wachsende menschliche Bevölkerung bedingen die Notwendigkeit sowohl die Adaptionsmenchanismen der Pflanze zu verstehen als auch Technologien zu entwickeln, welche eine gezielte Bewässerung trockengestresster Pflanzen ermöglicht.

Hyperspektrale Kameras sind für diese Aufgabe geeignet, allerdings ist die Auswertung der Daten schwierig. Die spektral und räumlich hochaufgelösten Bilder ermöglichen Rückschlüsse über Prozesse innerhalb des Blattgewebes, und sind damit geeignet loakale, trockenstressbedingte Veränderungen zu detektieren, allerdings resultieren sie ebenfalls in Datensätzen von mehreren Giga- bis Terrabyte. Präsymptomatische Früherkennung von Trockenstress mit bildgebenden hyperspektralen Sensoren beinhaltet daher die Identifikation von raum-zeitlichen Mustern in massiven, hochdimensionalen Datensätzen mit einem sehr anspruchsvollen Signal-Rausch Verhältnis.

Überwachte Lernverfahren wie Support Vector Machines sind eine vielversprechender Weg, um mit den beschriebenen Rahmenbedingungen umgehen zu können. Allerdings benötigen diese annotierte Datensätze. Da gerade Trockenstress dazu führt, dass manche Blätter bereits vertrocknet sind, während andere noch vollständig mit Wasser versorgt werden, ist eine Annotation präsymptomatischer Pixel im Bild sehr schwierig zu realisieren und oftmals ist lediglich die Information bekannt, welche Pflanzen mit höherer Wahrscheinlichkeit bald unter Trockenstress leiden werden, was weiterhin erschwert wird durch eine natürliche, altersbedingte Seneszenz selbst bei vollbewässerten Pflanzen.

Dieses Projekt beschäftigt sich damit, wie man hyperspektrale Bilder mit Hilfe maschineller Lernverfahren auswerten kann, um damit abiotischen (aber auch biotischen) Stress bei Pflanzen detektieren zu können. Dazu werden Verfahren der Merkmalsseletion, unüberwachte Clusteringalgorithmen (wie der Simplex Volume Maximization) und aktive Lernverfahren eingesetzt.
Projektträger
und -partner
CROP.SENSe.net - Competence network for phenotyping science


Projektpartner:
• INRES, Plant Breeding and Biotechnology, Uni Bonn
• Institute of Bio- and Geosciences, IBG-2: Plant Sciences, Forschungszentrum Jülich
• Institute for Intelligent Analysis and Information Systems, Fraunhofer, Schloss Birlinghoven, 53754 Sankt Augustin, Germany
Bilder, Beispiele
Publikationen zum Projekt
Behmann, Jan / Mahlein, Anne-Katrin / Paulus, Stefan / Kuhlmann, Heiner / Oerke, Erich-Christian / Plümer, Lutz:
Calibration of hyperspectral close-range pushbroom cameras for plant phenotyping
In: ISPRS Journal of Photogrammetry & Remote Sensing, 2015, Heft 106, S. 172-182.
[ BibTeX ]

Extern
Behmann, Jan / Schmitter, Peter / Steinrücken, Jörg / Ballvora, Agim / Mahlein, Anne-Katrin / Plümer, Lutz:
Detektion von Pflanzenstress in hyperspektralen Bildern im Nahbereich
In: Kersten, T. P. (Hg.): Bridging Scales -Skalenübergreifende Nah- und Fernerkundungsmethoden, 35. Wissenschaftlich-Technische Jahrestagung der DGPF. Köln 2015, S. 216-225.

Extern
Behmann, Jan / Steinrücken, Jörg / Plümer, Lutz:
Detection of early plant stress responses in hyperspectral images
In: ISPRS Journal of Photogrammetry & Remote Sensing, 2014, Heft 93, S. 98-111.
[ BibTeX ]

Extern
Kersting, Kristian / Wahabzada, Mirwaes / Römer, Christoph / Ballvora, Agim / Thurau, Christian / Rascher, Uwe / Léon, Jens / Bauckhage, Christian / Plümer, Lutz:
Simplex Distributions for Embedding Data Matrices over Time
In: Proceedings of the 12th SIAM International Conference on Data Mining (SDM). Anaheim, CA, USA 2012, S. 26-28.

Extern