编辑推荐：
为解决现有根系分析软件成本高、操作复杂等问题，研究人员开展豆类根系性状估计研究，结果表明该 Python 算法精准度高，意义重大。
在植物的生长过程中，根系起着至关重要的作用，它不仅为植物提供稳固的支撑，还负责从土壤中吸收水分和养分，就像植物的 “地下粮仓” 和 “稳固根基”。然而，准确测量植物根系的一些关键性状，比如总根长（Total Root Length，TRL）、表面积（Surface Area，SA）、平均直径（Average Diameter，AD）和根体积（Root Volume，RV），却一直是困扰科研人员的难题。传统的测量方法不仅耗时费力，而且准确性也难以保证。
目前市场上虽然有一些根系分析软件，像 WinRHIZO 和 RhizoVision 等，但它们存在不少问题。WinRHIZO 虽然测量精准度较高，可价格昂贵，这让许多科研预算有限的研究团队望而却步；而 RhizoVision 虽然免费，但其测量结果的准确性又不尽如人意，而且部分操作较为复杂，对科研人员的技术要求较高。因此，开发一种低成本、高精度且操作简便的根系性状测量方法迫在眉睫。
为了解决这些问题，来自韩国庆北国立大学（Kyungpook National University）等机构的研究人员开展了一项极具价值的研究。他们利用一种简单的 Python 算法，基于二维图像对豆类（包括红豆、绿豆、豇豆和大豆）的四种主要根系性状进行估计。该研究成果发表在《Scientific Reports》上。
研究人员为开展此项研究，主要运用了以下关键技术方法：首先，种植豆类作物并采集根系图像，在温室中种植四种豆类作物，待特定时期收获并清洗根系，在水中展开后扫描获取图像；其次，采用 Python 3.11.4 作为编程语言，运用 Otsu、高斯自适应、均值自适应和三角形阈值这四种自动阈值方法对扫描的根系图像进行分割处理；然后，利用 ConnectedComponentsWithStats 函数计算根图像的像素总数来估计 TRL，通过距离变换方法测量 SA、AD 和 RV；最后，将算法得到的结果与 WinRHIZO 和 RhizoVision 软件的结果进行对比，并使用真实数据进行验证，通过计算相关系数（R2）、均方根误差（RMSE）和平均偏差误差（MBE）来评估算法的准确性。
下面来看看具体的研究结果：
- 算法准确性验证：研究发现，该算法与真实值之间存在高度相关性（R2≥0.98，p<0.001），这意味着算法估计的根系性状与实际情况非常接近。同时，在与两款软件对比时，算法在所有性状上的表现都与 WinRHIZO 相近，且误差值与 WinRHIZO 相当，表明算法具有较高的可靠性。
- 阈值方法的选择：在图像处理过程中，选择合适的阈值方法至关重要。研究表明，Otsu 阈值法在基于距离变换估计 SA、AD 和 RV 时表现出色，能使计算出的半径或直径在软件测量值范围内；而三角形阈值法在估计 TRL 时效果更佳，更适合基于骨架化的 TRL 计算。
- 不同豆类作物的分析：通过对不同豆类作物的研究发现，算法在不同豆类作物的根系性状估计上都能保持较高的准确性。例如，在估计红豆和绿豆的 TRL 时，算法与软件测量值的 R2 高达 0.99；在估计所有豆类作物的 SA 时，算法与软件测量值的 R2≥0.97，且结果更倾向于 WinRHIZO 的测量值。
在研究结论和讨论部分，该算法展现出诸多优势。它可以在 Python 环境中运行，不受操作系统限制，无需额外软件辅助，并且具有自动化的图像阈值处理和图像细化过程，减少了人工干预，降低了操作难度。同时，算法可根据用户需求进行修改，还能去除背景噪声，适用于多种图像格式。不过，研究也存在一定的局限性，比如仅对四种主要根系性状进行了量化，源代码还需进一步修改以适用于单子叶植物等细根植物。
总体而言，这项研究成果意义重大。它为科研人员提供了一种经济高效、准确便捷的根系性状测量方法，有助于推动植物根系研究的发展，尤其是对于那些受限于现有软件高昂成本的研究人员来说，该算法为他们打开了新的研究思路。随着后续研究的不断完善，有望在更多植物种类的根系研究中发挥重要作用，为精准农业的发展提供有力支持。
