Statistische Analyse und Modellierung von Wurzelkenngrößen zur Beschreibung von räumlich und zeitlich aufgelösten Wurzelsystemen, anhand experimenteller und simulierter Bilddaten aus Computertomographie und Wurzelarchitekturmodellen

• Antragsteller: Professor Dr. Volker Schmidt
• Fachliche Zuordnung: Bodenwissenschaften ; Mathematik
• Förderung: Förderung von 2019 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 426456278

Die 3D-Mikrostruktur von Wurzeln spielt eine Schlüsselrolle für biologische, chemische und physikalische Prozesse, die die Bildung und Funktion von Rhizosphäre und Wurzelstruktur beeinflussen. Computertomographie (CT) ist eine leistungsfähige Technik zur Untersuchung räumlich und zeitlich aufgelöster Wurzelwachstumsmuster in 3D. Simulierte Wurzelarchitekturen liefern jedoch zusätzliche Erkenntnisse, z.B. durch schnellere Datenerfassung und höhere zeitliche Auflösung. In beiden Fällen werden große Mengen an komplexen Bilddaten generiert, die statistisch analysiert und mit möglichst wenigen Parametern modelliert werden müssen.In Kooperation mit der Gruppe von D. Vetterlein (UFZ) haben wir ein Wurzeldistanzmodell entwickelt, das in der Lage ist, Wachstumsmuster in den ersten Wochen des Wachstums von Vicia faba zu beschreiben. Mit der Gruppe von A. Schnepf (FZJ) wurden Zusammenhänge zwischen den Eingangsparametern des 3D-Wurzelarchitekturmodells CRootBox und verschiedenen Kenngrößen der simulierten Wurzelsysteme, wie Wurzellängendichte und Volumen der konvexen Hülle, untersucht.Ziel dieses Projekts ist es, die erfolgreiche Zusammenarbeit mit den beiden genannten Partnergruppen fortzusetzen und auszubauen. Dabei analysieren wir statistisch (experimentell beobachtete und simulierte) Wurzelwachstumsmuster aus der Bodenperspektive. Neben der Analyse ganzer Wurzelsysteme mittels Wurzeldistanzmodellen entwickeln wir lokale Wurzeldistanzmodelle bezüglich bestimmter Klassen von Wurzelsegmenten, z.B. ältere Segmente (in der Nähe des Keims) oder Segmente, die sich an oder in der Nähe der Wurzelspitzen befinden. Dies liefert detaillierte Einblicke in die Dynamik von Wurzelwachstum und -funktion. Darüber hinaus werden quantitative Zusammenhänge zwischen den Eingangsparametern von CRootBox und weiteren Wurzelkenngrößen bestimmt. Multivariate Ansätze wie Copulas liefern die mathematischen Werkzeuge, um parametrische Metamodelle für Vektoren von (korrelierten) Wurzelkenngrößen zu konstruieren. Aus den dabei ermittelten Ergebnissen wird ein universell anwendbarer Ansatz für die zielgerichtete Kalibrierung von Wurzelarchitekturmodellen entwickelt. Insbesondere zeigen wir, wie Methoden des maschinellen Lernens mit den erzielten Ergebnissen kombiniert werden können, um CRootBox mit Hilfe von tomographischen Wurzelbilddaten oder abgeleiteten Kenngrößen zu kalibrieren. Weiterhin beschreiben wir geometrische Wurzelmuster statistisch zur Unterscheidung zwischen rein zufälligen, gleichmäßigen und clusterbildenden Morphologien. Dabei werden Methoden der stochastischen Geometrie bei der Analyse des Wachstums von Wurzelsystemen verwendet, um z.B. die Korrelation von Schnittpunkten der Wurzel mit planaren (z.B. vertikalen oder horizontalen) Bodenabschnitten mit chemischen 2D-Maps zu untersuchen. Desweiteren werden wir eine vergleichende statistische Analyse von Wurzelkenngrößen in beschränkten und unbeschränkten Wurzelarchitekturen durchführen.

• DFG-Verfahren: Sachbeihilfen