Nikel hiperakümülatörü bitkiler, topraktan yüksek miktarda nikel alıp dokularında biriktirebilen özel türlerdir. Bu özellikleri, kirlenmiş toprakların temizlenmesi ve düşük tenörlü alanlardan metal kazanımı anlamına gelen fitomadencilik için dikkat çekicidir.

Ancak fitomadencilikte yalnızca bitkinin ne kadar nikel biriktirdiği yeterli değildir. Toplam metal verimi, bitkinin dokusundaki metal yoğunluğu ile ürettiği biyokütlenin çarpımına bağlıdır. Yani yüksek nikel biriktiren ama az büyüyen bir bitki, uygulamada beklenen verimi sağlamayabilir.

Bu preprint çalışma, nikel hiperakümülatörü Streptanthus polygaloides bitkisinin biyokütlesini bitkiyi kesmeden tahmin etmek için otomatik bir 3B fenotipleme hattı geliştiriyor. Sistem, bitkinin 360° videosunu alıyor, görüntülerden bitkiyi ve referans işaretleyicileri ayırıyor, 3B nokta bulutu oluşturuyor ve bu nokta bulutundan hacim, yükseklik ve katman bazlı morfolojik özellikler çıkarıyor.

Sonuçlar, yalnızca bitki boyuna bakmanın biyokütleyi tahmin etmekte yetersiz kaldığını gösteriyor. Buna karşılık 3B özellikler birlikte kullanıldığında taze ve kuru biyokütle tahmini oldukça güçlü hale geliyor.

Problem Ne?

Bitki biyokütlesi, bitkinin toplam büyümesini ve üretkenliğini anlamak için temel ölçütlerden biridir. Fitomadencilikte ise biyokütle daha da kritik hale gelir. Çünkü bir hiperakümülatör bitkinin ekonomik değeri, yalnızca dokusunda ne kadar nikel tuttuğuyla değil, aynı zamanda ne kadar bitkisel kütle ürettiğiyle belirlenir.

Geleneksel biyokütle ölçümü genellikle yıkıcıdır. Bitki kesilir, kurutulur ve tartılır. Bu yöntem doğru olabilir; fakat önemli bir sorunu vardır: Ölçtüğünüz bitki artık yaşamaz. Bu da aynı bitkinin büyüme sürecini zaman içinde takip etmeyi, yüksek performanslı bireyleri tohum üretimi için korumayı ve ıslah çalışmalarında canlı materyali elde tutmayı zorlaştırır.

Bu nedenle araştırmacılar uzun zamandır yıkıcı olmayan yöntemler arıyor. En basit yaklaşım bitki boyunu ölçmektir. Fakat bitki boyu her zaman biyokütleyi iyi anlatmaz. Aynı boydaki iki bitkiden biri seyrek ve dik, diğeri kısa ama çok dallı ve yoğun olabilir. Bu iki bitkinin biyokütlesi ciddi biçimde farklılaşabilir.

Bu çalışmanın temel problemi şudur:

Karmaşık taç mimarisine sahip nikel hiperakümülatörü bitkilerde biyokütleyi, bitkiyi kesmeden ve yalnızca boy ölçümüne güvenmeden daha doğru tahmin etmek mümkün mü?

Yöntem Ne Öneriyor?

Makale, 3B görüntüleme ve yapay zekâ tabanlı otomasyonu birleştiren bir fenotipleme hattı öneriyor.

Sistem iki ana parçadan oluşuyor:

Birincisi, özel tasarlanmış bir görüntüleme platformu. Bu platformda bitki sabit kalıyor, kamera ise bitkinin etrafında dönüyor. Böylece bitki hareket ettirilmediği için yaprak ve gövde titreşimi azalıyor. Bu önemlidir; çünkü hareket bulanıklığı, 3B nokta bulutunun bozulmasına yol açabilir.

Platform üzerinde çok sayıda yer kontrol noktası bulunuyor. Bu kontrol noktaları, fotogrametri yazılımının görüntülerden gerçek ölçekli 3B model üretmesine yardım ediyor. Çalışmada 12 dairesel kodlu hedef ve 9 sembolik kodlu hedef kullanılmıştır.

İkincisi, yazılım hattı. Bu hattın aşamaları şöyle ilerliyor:

1. Bitkinin 360° videosu kaydediliyor.
2. Videodan kare görüntüler çıkarılıyor.
3. SAM3 modeliyle bitki, platform ve kontrol işaretleri görüntüden ayrılıyor.
4. YOLO26 modeliyle kontrol işaretleri tanınıyor ve konumlandırılıyor.
5. Agisoft Metashape ile fotogrametrik 3B nokta bulutu oluşturuluyor.
6. Renk filtreleme ile bitkiye ait noktalar ayrılıyor.
7. Nokta bulutundan bitki hacmi ve diğer morfolojik özellikler çıkarılıyor.
8. Rastgele orman modeliyle taze ve kuru biyokütle tahmin ediliyor.

Bu yöntem, klasik fotogrametrideki manuel işaretleme yükünü azaltmayı hedefliyor. Normalde araştırmacıların görüntülerde referans işaretlerini elle tanımlaması gerekebilir. Bu çalışma, YOLO26 ile bu süreci otomatikleştiriyor.

Formüller Ne Anlatıyor?

Bu çalışma ağır matematiksel denklemlerden çok, görüntü işleme, 3B nokta bulutu ve makine öğrenmesi akışı üzerine kurulu. Yine de bazı teknik fikirleri sade biçimde anlamak önemli.

İlk önemli fikir, bitki noktalarının renk temelli filtrelerle ayrılmasıdır. Araştırmacılar nokta bulutunda yeşil, kahverengi ve sarımsı bitki dokularını yakalamak için RGB renk kanallarını kullanmış. Basitçe:

• Yeşil kanal kırmızı ve maviden baskınsa, nokta canlı yeşil bitki dokusuna ait olabilir.
• Kırmızı/kahverengi tonlar belirli eşikleri sağlıyorsa, nokta yaşlanmış veya kuruyan bitki dokusuna ait olabilir.

Bu sayede yalnızca taze yeşil yapraklar değil, bitkinin alt bölgelerindeki sararmış veya kahverengi dokular da modele dahil edilebilmiştir.

İkinci önemli fikir, voxel yaklaşımıdır. Voxel, 3B dünyadaki küçük küpler gibi düşünülebilir. Araştırmacılar bitki nokta bulutunu küçük 3B hücrelere ayırmış ve hangi hücrelerin bitki tarafından doldurulduğunu saymıştır.

Basitleştirilmiş mantık şöyledir:

Bitki hacmi = Dolu voxel sayısı × Bir voxel’in hacmi

Bu yöntem, bitkinin yalnızca yüksekliğini değil, uzayda ne kadar yer kapladığını ölçmeye yarar.

Üçüncü önemli fikir, bitkiyi yatay katmanlara ayırmaktır. Bitki nokta bulutu 64 yatay katmana bölünmüş ve her katmanda noktaların merkeze uzaklığı, yoğunluğu ve kapladığı alan gibi özellikler çıkarılmıştır. Bu, bitkinin yalnızca “ne kadar uzun” olduğunu değil, hangi yükseklikte ne kadar yayıldığını anlamayı sağlar.

Son aşamada bu özellikler rastgele orman regresyon modeline verilmiştir. Rastgele orman, birçok karar ağacının birlikte tahmin yaptığı bir makine öğrenmesi yöntemidir. Bu çalışmada model, 3B morfolojik özelliklerden taze ve kuru biyokütleyi tahmin etmek için kullanılmıştır.

Grafik / Tablo / Şema Ana Mesajı

Makaledeki görseller doğrudan kopyalanmadan şöyle özetlenebilir:

İlk platform görseli, sistemin temel donanım fikrini gösteriyor. Bitki ortadaki sabit plakada duruyor, kamera ise döner kol üzerinde bitkinin etrafında hareket ediyor. Platformdaki kodlu işaretleyiciler, 3B modelin gerçek dünya ölçüsüne bağlanmasını sağlıyor. Ana mesaj: Bitkiyi döndürmek yerine kamerayı döndürmek, daha stabil görüntü ve daha güvenilir 3B model için tercih edilmiş.

İkinci iş akışı şeması, ham videodan biyokütle tahminine kadar tüm hattı gösteriyor. Okuyucu için ana mesaj şu: Bu yöntem yalnızca fotoğraf çekmekten ibaret değil; video kare çıkarımı, yapay zekâ ile segmentasyon, işaretleyici tanıma, fotogrametri, nokta bulutu temizleme, hacim hesaplama ve makine öğrenmesi tahmini adımlarının birleşimidir.

Kontrol işaretleyici veri seti görseli, YOLO26 modelinin farklı sembol ve kodlu hedefleri tanımak için eğitildiğini gösteriyor. Buradaki ana mesaj, sistemin manuel işaretleme yerine otomatik marker tanıma ile çalışmayı hedeflemesidir.

3B rekonstrüksiyon doğrulama şeması, platform plakasının gerçek çapı üzerinden model doğruluğunun test edildiğini anlatıyor. Bilinen çap 57 cm olduğu için, nokta bulutundan hesaplanan çap ile gerçek çap karşılaştırılmıştır. Bu, sistemin geometrik ölçekte ne kadar doğru çalıştığını anlamaya yarar.

3B bitki modellerinin genel görünümünü veren görsel, farklı bitki mimarilerinin nokta bulutu olarak yakalanabildiğini gösteriyor. Bazı bitkiler uzun ve seyrekken, bazıları kısa ve yoğun görünüyor. Bu çeşitlilik, yalnızca yükseklik ölçümünün neden yetersiz olduğunu görsel olarak da destekliyor.

Biyokütle tahmin grafikleri çalışmanın en kritik mesajını veriyor. Yalnızca maksimum bitki boyu kullanıldığında taze ve kuru biyokütle tahmini neredeyse başarısız kalıyor. Buna karşılık 3B hacim ve katman bazlı morfolojik özellikler birlikte kullanıldığında tahmin doğruluğu belirgin biçimde artıyor.

Zaman tüketimi grafiği, sistemin hangi aşamasının daha fazla işlem süresi aldığını gösteriyor. En büyük yük, 3B nokta bulutu oluşturma yani fotogrametri aşamasında. Segmentasyon ve marker tanıma da zaman alıyor; ancak tüm süreç yaklaşık birkaç dakika içinde tamamlanabiliyor.

Deneyler Nasıl Yapılmış?

Çalışmada toplam 110 Streptanthus polygaloides bitkisi değerlendirilmiştir. Bu bitkiler Kuzey Kaliforniya’daki doğal habitatlardan elde edilen tohumlardan yetiştirilmiştir. Bitkiler çiçeklenme dönemine ulaştığında fenotipleme için kullanılmıştır.

Örneklerde büyük morfolojik çeşitlilik bulunmuştur. Bitki boyları 12,5 cm ile 134,6 cm arasında değişmiştir. Bazı bitkiler uzun ve seyrek, bazıları daha kısa ama yoğun ve dallı taç yapısına sahip olmuştur.

Her bitki özel platformda 360° video ile kaydedilmiştir. Videolar yaklaşık 15 saniye sürmüş ve 30 fps çözünürlükte alınmıştır. Görüntülerden saniyede 8 kare çıkarılmıştır. Bu kareler, 3B rekonstrüksiyon için kullanılmıştır.

SAM3 modeli görüntülerden bitkiyi, plakayı ve işaretleyicileri ayırmak için kullanılmıştır. Segmentasyon başarısını artırmak için “kademeli prompt” stratejisi uygulanmıştır. İlk prompt hedefi ayrıntılı anlatırken, yedek promptlar daha sade tutulmuştur. Böylece ayrıntılı tanım başarısız olursa daha basit tanımlar devreye girmiştir.

YOLO26 modeli, platformdaki kontrol işaretleyicileri sınıflandırmak ve yerlerini belirlemek için eğitilmiştir. Tanınan işaretleyicilerin 2B görüntü koordinatları, gerçek 3B koordinatlarla eşleştirilmiş ve fotogrametri yazılımına aktarılmıştır.

Agisoft Metashape, görüntülerden 3B nokta bulutu oluşturmuştur. Daha sonra bitkiye ait noktalar renk ve istatistiksel filtrelerle ayrılmıştır. Son aşamada bitki hacmi ve katman bazlı morfolojik özellikler hesaplanmıştır.

Biyokütle tahmini için 58 bitkide gerçek taze ve kuru ağırlık değerleri kullanılmıştır. Veri eğitim ve test kümelerine ayrılmış, rastgele orman regresyon modeliyle tahmin yapılmıştır.

Sonuçlar Ne Gösteriyor?

Çalışmanın ilk önemli sonucu, sistemin 3B rekonstrüksiyonda yüksek boyutsal doğruluk sağlamasıdır. Bilinen çapı 57 cm olan platform plakası üzerinden yapılan doğrulamada, ortalama rekonstre edilen çap 57,18 cm bulunmuş ve ortalama göreli hata %0,60 olarak raporlanmıştır. Bu, sistemin bitki ölçümlerini gerçek dünya ölçeğine oldukça yakın taşıyabildiğini gösterir.

İkinci sonuç, SAM3 ve kademeli prompt yaklaşımının segmentasyonda başarılı olmasıdır. Bitki segmentasyonunda toplam başarı oranı %99,4’e, plaka segmentasyonunda ise %100’e ulaşmıştır. Bu, yapay zekâ tabanlı segmentasyonun fotogrametri öncesi gürültüyü azaltmak için etkili kullanılabileceğini düşündürür.

Üçüncü sonuç, marker tanımada YOLO26’nın güçlü performans göstermesidir. Model, kontrol işaretleyicilerini yüksek doğrulukla tanımış ve manuel marker yerleştirme ihtiyacını büyük ölçüde ortadan kaldırmıştır. Bu, yüksek verimli fenotipleme için önemli bir otomasyon avantajıdır.

Dördüncü ve en önemli sonuç, bitki boyunun biyokütle tahmini için yetersiz kalmasıdır. Maksimum bitki boyuna dayalı tahmin taze biyokütlede R²=0,01, kuru biyokütlede R²=0,03 düzeyinde kalmıştır. Bu değerler, boyun tek başına neredeyse açıklayıcı olmadığını gösterir.

Beşinci sonuç, 3B morfolojik özelliklerin çok daha güçlü tahmin vermesidir. Bitki hacmi ve katman bazlı yapısal özellikler birlikte kullanıldığında taze biyokütle için R²=0,84, kuru biyokütle için R²=0,85 elde edilmiştir. Bu, bitkinin uzaydaki dağılımını ölçmenin biyokütle tahmininde kritik olduğunu gösterir.

Altıncı sonuç, bitki mimarisine dair biyolojik bir ipucu sunar. Daha uzun bitkiler her zaman daha fazla biyokütleye sahip değildir. Kısa, yoğun ve dallı bitkiler daha fazla hacim ve biyokütle taşıyabilir. Fitomadencilik için bu, kısa ama gür ve yüksek biyokütleli bitki mimarisinin değerli bir seçim hedefi olabileceği anlamına gelir.

Bu Neden Önemli?

Fitomadencilik, metali doğrudan kazmak yerine bitkiler aracılığıyla topraktan toplama fikrine dayanır. Bu yaklaşım özellikle nikel gibi stratejik metaller için çevresel açıdan daha düşük etkili bir alternatif olarak araştırılmaktadır. Ancak bu yöntemin uygulanabilir olması için bitkilerin hem yüksek metal biriktirmesi hem de yeterli biyokütle üretmesi gerekir.

Biyokütleyi doğru ve canlı bitki üzerinde ölçebilmek, ıslah ve seçim çalışmalarını hızlandırabilir. Eğer araştırmacılar bitkiyi kesmeden hangi bireyin daha fazla biyokütle taşıdığını anlayabilirse, o bitkiyi tohum üretimi veya ileri denemeler için koruyabilir.

Bu çalışma, 3B fenotiplemenin klasik boy ölçümünün ötesine geçerek bitki mimarisini daha iyi okuyabildiğini gösteriyor. Özellikle dallı, karmaşık veya yatık büyüyen bitkilerde hacim, yatay yayılım ve katmanlı yapı gibi özellikler biyokütle için daha anlamlı olabilir.

Verianla okuyucusu için makalenin ana mesajı şudur: Bitki büyümesini anlamak için yalnızca “boyu kaç santim?” sorusu artık yeterli olmayabilir. Yapay zekâ destekli 3B sistemler, bitkinin uzaydaki gerçek mimarisini ölçerek daha doğru biyolojik kararlar alınmasına yardım edebilir.

Dikkat Noktaları

Bu makale hakem değerlendirmesinden geçmemiş bir preprinttir. Bulgular bağımsız bilimsel değerlendirme süreci sonrasında değişebilir.

Çalışma iç mekân koşullarında ve belirli bir bitki türü üzerinde yapılmıştır. Tarla koşullarında rüzgâr, ışık değişimi, gölge, bitkiler arası örtüşme, toprak arka planı ve hareket gibi faktörler sistemi zorlayabilir.

Biyokütle tahmin modeli 58 gerçek biyokütle örneğine dayanmaktadır. Bu veri seti umut verici sonuç verse de daha büyük ve farklı büyüme dönemlerini kapsayan veriyle doğrulanması gerekir.

3B hacim doğrulaması yalnızca 10 gerçek hacim örneğiyle yapılmıştır. Bu, yöntemin potansiyelini gösterir; ancak daha güçlü validasyon için daha fazla örnek gerekir.

Sistem SAM3 ve YOLO26 gibi çok yeni model bileşenlerine dayanıyor. Bu modellerin farklı bitki türleri, farklı ışık koşulları ve farklı arka planlarda nasıl çalışacağı ayrıca test edilmelidir.

Çalışma fitomadencilik için doğrudan ekonomik verim hesabı yapmıyor. Yani bu yöntem, nikel tarımının ticari olarak kesin uygulanabilir olduğunu kanıtlamaz; daha çok bu alandaki fenotipleme ve ıslah hızını artırabilecek bir ölçüm teknolojisi sunar.

Sonuç

Bu preprint çalışma, nikel hiperakümülatörü Streptanthus polygaloides bitkisinde biyokütleyi bitkiyi kesmeden tahmin etmek için otomatik bir 3B fenotipleme hattı öneriyor. Sistem; 360° video, SAM3 segmentasyonu, YOLO26 marker tanıma, fotogrametrik nokta bulutu, voxel tabanlı hacim hesaplama ve rastgele orman modeli gibi bileşenleri birleştiriyor.

Sonuçlar, bitki boyunun tek başına biyokütleyi açıklamakta yetersiz kaldığını; 3B hacim ve katman bazlı morfolojik özelliklerin çok daha güçlü tahmin sağladığını gösteriyor. Taze ve kuru biyokütle tahminindeki yüksek R² değerleri, bu yaklaşımın hiperakümülatör bitkilerin seçimi ve ıslahı için umut verici olduğunu düşündürüyor.

Verianla açısından bu makale, yapay zekâ ve 3B görüntülemenin tarım biyoteknolojisinde nasıl somut bir probleme çözüm sunduğunu gösteren iyi bir örnek. Bitkilerin yalnızca görüntüsünü almak değil, bu görüntüyü ölçülebilir 3B biyolojik verilere dönüştürmek, gelecekte daha hızlı ve daha hassas bitki seçiminin temel araçlarından biri olabilir.

Kaynak ve Yöntem Notu

Bu yazı, “3D Phenotyping Pipeline for Non-Destructive Biomass Estimation of Nickel Hyperaccumulator Plants” başlıklı hakem değerlendirmesinden geçmemiş preprint çalışmanın sadeleştirilmiş Türkçe yorumudur. Metin birebir çeviri değildir; makaledeki amaç, yöntem, görsellerin ana mesajı, model sonuçları ve sınırlılıklar Verianla okuyucusu için özgün biçimde yeniden anlatılmıştır.

Çalışma; Streptanthus polygaloides bitkileri, özel döner kamera platformu, 360° video, SAM3 ile hedef segmentasyonu, YOLO26 ile yer kontrol noktası tanıma, Agisoft Metashape ile 3B nokta bulutu üretimi, voxel tabanlı hacim tahmini ve rastgele orman modeliyle taze/kuru biyokütle tahmini üzerine kuruludur. Bulgular, iç mekân kontrollü koşullarda güçlü bir teknik gösterimdir; tarla ölçeği ve farklı türler için ek doğrulama gereklidir.