Kort om projektet
Mot bakgrund av klimatförändringarna behöver vi utveckla nya växtsorter som är anpassade till de miljöer där de ska odlas. Med hjälp av avancerade urvalsverktyg för nyframtaget genetiskt material går det snabbare att utveckla nya sorter. Ett sådant verktyg är fenotypning, där växtmaterialet utvärderas genom att man mäter tillväxten med hjälp av olika sensorer. Genom att fenotypa växter kan vi studera hur de växer i olika miljöer och därigenom fastställa vilket genetiskt material som är bäst lämpat för en viss miljö.
I det här projektet kommer vi att utveckla innovativa, robusta metoder för automatiserad växtfenotypning, i syfte att utvärdera ekonomiskt betydelsefulla agronomiska egenskaper hos grödor som är viktiga för det svenska jordbruket. Dessa fenotypningsmetoder bygger på tekniker där bild- eller reflektanssensorer och artificiell intelligens används för att studera viktiga agronomiska egenskaper i fält, i växthus och i laboratoriemiljö. Med de nya fenotypningsmetoderna blir det möjligt att snabbare utvärdera ett stort antal förädlingslinjer och sänka förädlingskostnaderna.
Metoderna för automatiserad fenotypning utvecklas med vete och sockerbetor som testmaterial, men kan i ett senare skede användas för andra grödor som är viktiga ur svenskt perspektiv, så som potatis, bondböna, foderväxter eller raps, och därmed vara till nytta för hela den svenska växtförädlingssektorn. SLU kommer att stärka sin profil på fenomikområdet när de innovativa fenotypningsmetoder som utvecklas i projektet tas i bruk inom forskning och utbildning. De svenska intressenterna får tillgång till nya avancerade förädlingsmetoder som ger högre effektivitet. Projektet genomförs i nära samarbete med Lantmännen Lantbruk och MariboHilleshög som bidrar med sin expertis inom växtförädling och ger tillgång till avancerad analysutrustning.
Artikel i tidskriften Frontiers in Plant Science, oktober 2022, Leiva, F., Zakieh, M., Alamrani, M., Dhakal, R., Henriksson, T., & Singh, P. K. (2022). Phenotyping Fusarium head blight through seed morphology characteristics using RGB imaging, (October), 1–13.
Artikel i Plants Methods, Phenotyping project Koc, A., Odilbekov, F., Alamrani, M., Henriksson, T., & Chawade, A. (2022). Predicting yellow rust in wheat breeding trials by proximal phenotyping and machine learning. Plant Methods, 1–11.
Artikel i Plants, Open Access Journal, 31 augusti 2021. Leiva, F., Vallenback, P., Ekblad, T., Johansson, E., & Chawade, A. (2021). Phenocave : An Automated , Standalone , and Affordable Phenotyping System for Controlled Growth Conditions
Nyhet publicerad på SLU:s externwebb 4 februari 2021, "Billig teknik ger kunskap om framtidens höstvete"
Artikel i Agronomy Open access journal den 19 juni 2020.
Kumar, D., Kushwaha, S., Delvento, C., Liatukas, Ž., Vivekanand, V., Svensson, J. T., … Chawade, A. (2020). Affordable Phenotyping of Winter Wheat under Field and Controlled Conditions for Drought Tolerance. Agronomy, 10(6), 882.
Podcasten, från Shaping our food, har ett avsnittet om Metoder och tekniker i växtförädlingen, där forskarna beskriver sitt arbete med nya digitala automatiserade metoder i växtförädlingen, publicerat den 26 juni 2020.
Artikel i Agronomy Open Access Journals, nr 9 2019, "High-Throughput Field-Phenotyping Tools for Plant Breeding and Precision Agriculture"