植物根系物候监测要求较高频次的数据集，多光谱微根管Minirhizotron(微根区管或小观察窗)表型成像技术能够以非破坏方式定期对同一根系进行连续观察。本文针对根部对碳循环的动态影响制定了一种基于卷积神经网络(CNN)的自动微根管系统(RMR)，并在多个仪器上应用了相同的模型，证明了数据结果具有良好的重复性，为物候学研究提供了新的思路。

　　图1. RMR概念图。 a)可纵向、旋转移动的相机底盘;b)拍摄与管壁紧密接触的土壤图像;c)相机底盘的设计是通过将光源安装在远离焦点区域实现反射最小化。

　　本研究通过四个试验证明RMR适用于田间工作并能产生可靠的动态数据。试验1(E1)和试验2(E2)是在不同条件的温室里进行的，目的在于建立高密度根部动态数据、高分辨率地上生物量动态数据和土壤CO2通量随着时间变化的联系。试验3(E3)和试验4(E4)在实际田间环境和不利天气条件下进行，并考虑了实际土壤状况、土壤生物、根部代谢物和其他干扰因素。

　　在E1中，CNN注释与人工标注拟合度很高(R2=95%，图2a)，但CNN识别出的根部像素明显多于人工标注(斜率=1.67，P<0.01)。图2c、2d、2e表明时间、土壤水分含量或人工标注对误差没有影响。

　　图2. 针对根部像素的人工标注验证CNN注释。绿线表示两个变量的长轴回归，虚线为1：1关系。数据显示具有显著拟合度。

　　图3显示随时间变化CNN分割的根系覆盖率与绿色色度指数(GCC)、根生物量的对比。表明根生物量与根系覆盖率高度拟合(r=0.96);根系覆盖率的不稳定性可能与后期灌溉有关(图3a)。图3b显示根系覆盖率与GCC、根生物量测量的变化率程度。11月初灌溉后根系覆盖率有所减少;在后期即使在GCC指数稳定或下降的情况下，根系覆盖率仍然是正的。

　　图3.a)相对平滑的根系覆盖率、GCC和根生物量;b)测量值的5天变化情况。蓝色线条显示灌溉，线条粗细表示灌溉水量。

　　图4是适用于E1的GAM模型。在该模型中，土壤含水率(P<0.001)和根系覆盖率的变化均达到显著水平(P<0.001);根生物量和根系覆盖率的变化具有高度一致性(图4a，r=0.96);根系覆盖率的变化是决定土壤CO2排放的最重要因素(图4b);增加根系生长速度对土壤CO2排放有正效应(图4d)。生物量和GCC变化对土壤CO2排放没有影响(图4c，4e)。

　　图4. 适用于E1的GAM模型

　　图5表示RMR在变温条件下的适用性。b)中的平均气温与日最高和最低气温的误差范围低至-9°C。根系覆盖率在2月和3月显著增长;与E3不同的是，E4没有出现根系覆盖率对降水的敏感性并且实现了CNN分割和人工标注之间的一致性，R2为85%。

　　图5. RMR对温度变化的适用性

　　多光谱微根管(RMR)技术是监测植物根部物候特性的最佳方法。从图像采集到数据分析整个工作流程的自动化是获得高分辨率动态数据的关键。该系统经济实用、原位成像、数据重复性高、环境适应度高，为田间进行全生长植物根系性状、特别是位于土壤深层的根系研究提供了新的策略。

　　来源：Nair, R., Strube, M., Hertel, M., Kolle, O., Rolo, V., & Migliavacca, M. (2022). Replicate sub-daily minirhizotron sampling, data and interpretation for root dynamics studies. bioRxiv. doi:10.1101/2022.01.06.475082.

　　编辑：小11