Underjordisk big data hjælper forskere med at udvikle fremtidens afgrøder

På rodanlægget Radimax i Taastrup går der 600 fem meter lange, gennemsigtige rør skråt ned under jorden - her kører der multispektrale kameraer rundt, som tager billeder af forskellige afgrøders rødder.
 
Efterfølgende gransker forskerhold bag rodforskningsprojektet på Københavns Universitet de underjordiske billeder af afgrøder for at finde frem til robuste sorter - hvilke er gode til at skabe et dybt rodnet og kan dermed modstå fx tørke bedre.
 
Før foregik rodbillede-analysen manuelt, men et frugtbart samarbejde mellem en planteforsker, en lektor i datalog og en ingeniør har ført til et skræddersyet software værktøj, der kan afkode billederne og omsætte dem til systematiske målinger af rod-længden på hvert billede.
 
- Det her sparer os for rigtig, rigtig, rigtig mange timers arbejde, og vi kan lave nogle rodanalyser, der ellers er alt for tidskrævende med manuel tælling,  siger Simon Fiil Svane, der er ph.d.-studerende på rodforskningsprojektet.
 
- Ja, det er jo egentlig intet revolutionerende i teknologien, vi bruger til billedanalysen, men det er helt sikkert en revolution inden for rodforskning, hvor man simpelthen mangler redskaber til at analysere big data, siger han. 

Software finder genetisk variation i planterødder
 
Formålet med rodforskningsanlægget er at finde frem til de sorter af afgrøder som byg, hvede, rug og rajgræs, der har de mest veludviklede rodnet, fordi de sorter bedre udnytter nærringstoffer og vand tilgængeligt i de dybere jordlag, hvilket er en stor fordel, særligt under tørkeperioder som i år.
 
Indtil videre har forskerne kørt billedanalysen på fem datasæt á op mod 30.000 billede med succes. Software, der er udviklet af firmaet Videometer, kan skelne forskellene i pixel refleksionen fra forskellige bølgelængder. Hvert pixel har så fået tildelt en sandsynlighed for, om den tilhører en levende rod eller jord og døde rødder.
 
Ud over, at den automatiserede billedanalyse sparer arbejdstimer, er der også den ekstra gevinst, at en maskine ikke bliver træt ligesom et menneske.
 
- Efter at have manuelt studeret billeder i flere dage i træk, kan man både blive sjusket og komme til at ændre mening om, hvad der ligner en levende planterod, og her bliver vores algoritme hverken træt eller forvirret, og vil derfor afkode ens hele vejen igennem, siger Erik Dam, der er lektor i datalogi på Data Science Lab på Københavns Universitet.
 
En udfordring for agronomi og biologi
 
Simon Fiil Svane mener, at det generelt er en udfordring at få analyseret data inden for forskning i agronomi og biologi:
 
- Det er ikke et problem, at få noget teknologi, der kan indsamle rå data, problemet er, at det ofte havner på en server, siger han.
Simon Fiil Svane forklarer, at traditionelle tællemetoder ofte er tilstrækkelige i mindre forskningsprojekter, men at de på Radimax-projektet skal analysere store mængder data til eksterne partnere, som større virksomheder, og her er det nødvendigt at kunne systematisere data-analysen.