《Rhizosphere》：Improving automated root image analysis and its application in fine-root dynamics in a 120-year-old Chamaecyparis obtusa forest using a scanner method
编辑推荐：
吉田日向|柳瀬亮太|山形拓人|吉江林平|谷川智子|大橋美津江|池野秀敏|藤堂千影|林良太|平野康宏日本名古屋大学环境研究研究生院，名古屋，464-8601摘要了解细根动态及其驱动因素对于阐明森林碳循环至关重要。扫描仪方法能够利用大尺寸土壤剖面图像（216毫米宽×297毫米高）进行
吉田日向|柳瀬亮太|山形拓人|吉江林平|谷川智子|大橋美津江|池野秀敏|藤堂千影|林良太|平野康宏
日本名古屋大学环境研究研究生院，名古屋，464-8601
摘要
了解细根动态及其驱动因素对于阐明森林碳循环至关重要。扫描仪方法能够利用大尺寸土壤剖面图像（216毫米宽×297毫米高）进行非破坏性观察；然而，使用传统手动方法提取根系非常耗时且劳动强度大。最近，基于深度学习的自动根系分割软件A Root Auto Tracing and Analysis（ARATA）已被开发出来，但其适用于特定地点条件的能力尚未得到充分测试。在本研究中，我们评估了针对特定地点的扫描图像进行迁移学习是否能够提高ARATA的性能。接下来，我们将优化后的模型应用于量化细根动态，并研究其与气候因素和地上生长物候的关系，研究对象为一片120年生的Chamaecyparis obtusa林分。在两年时间内，我们在五个透明箱中对林分进行了定期扫描，从总共115张全页大小的扫描图像中自动检测出了细根。针对特定地点的训练显著提高了模型性能，Dice得分从0.63提高到了0.76，相关系数从0.76提高到了0.88。在老龄的C. obtusa林分中，根据单位成像面积的根系总长度，细根在秋季生长活跃，而夏季则表现出明显的死亡现象。这种季节性变化主要由气温的负面影响驱动。总体而言，我们首次定量证明了针对特定地点的模型训练能够最大化ARATA的性能，从而加速了广泛森林地点的细根动态分析。
引言
森林树木的细根定义为直径≤2毫米的根系（Finér等人，2011年），在森林碳循环中起着重要作用。根据区分短暂吸收根和多年生运输根的功能特征，细根估计占净初级生产量的22%（McCormack等人，2015年）。细根的产生、死亡和分解受到外源性和内源性因素的影响。外源性因素，包括温度和降水量（Wang等人，2019a），调节着细根动态。此外，内源性因素，如与地上生长相关的碳分配（Radville等人，2016年；Ding等人，2020年）和物种特性（例如常绿或落叶、丛枝菌根或外生菌根关联）（McCormack等人，2014年）也可能影响细根动态。因此，了解细根动态及其驱动因素对于阐明森林碳循环至关重要。
为了研究细根动态，通常在森林林分中使用带有图像分析的微根镜方法（Hendrick和Pregitzer，1992年，1993年；Satomura等人，2001年；Noguchi等人，2011年；McCormack等人，2014年；Fukuzawa和Noguchi，2026年）。这种方法的优点是尽量减少了对土壤的干扰；然而，土壤剖面的图像尺寸和观察面积相对较小（例如，图像尺寸为14毫米×18毫米）（Noguchi等人，2011年）。为了克服这一限制，提出了扫描仪方法，该方法可以提供更大的图像（例如，图像尺寸为216毫米×297毫米）（Dannoura等人，2008年）。扩大观察窗口很重要，因为细根在土壤中的分布是不均匀的（Hendrick和Pregitzer，1992年）。然而，增加观察面积也会在捕捉细根的概率和从土壤剖面图像获取数据的成本之间产生权衡。无论是通过微根镜还是扫描仪方法获得的图像，都不可避免地需要通过手动追踪来提取所有根系，这非常耗时。之后，可以使用各种图像分析软件（如WinRHIZO TRON（Regent Instruments Inc.，加拿大））来测量根系的长度（例如，Hendrick和Pregitzer，1992年，1993年；Ding等人，2020年；Nakahata 2020年）或投影面积（例如，Kume等人，2018年；Kuwabe和Ohashi，2023年）。
最近，开发了一种自动分析软件A Root Auto Tracing and Analysis（ARATA），它利用基于深度学习的卷积神经网络（CNN）算法从森林土壤中提取树木细根（Yabuki等人，2022年）。该软件可能有助于更高效地分析扫描仪拍摄的大尺寸图像。然而，将ARATA应用于扫描图像分析的研究仍然有限（Yabuki等人，2022年；Chen等人，2024年；Yamagata等人，2024年）。Yabuki等人（2022年）指出，可能需要对模型进行特定地点的额外训练，以使其适用于每个目标森林地点。然而，额外训练的数量以及适用于分析森林地点细根动态的有效扫描图像类型尚不清楚。
在日本，Chamaecyparis obtusa是一种形成丛枝菌根的针叶树，属于柏科，是主要的种植树种之一，占种植森林的25%。由于木材价格低和森林管理不足（如间伐），64%的种植森林面积已超过50年，而这是最佳采伐年龄（日本林业厅，2022年）。因此，森林老化将持续，迫切需要更好地了解老龄种植森林的情况。使用微根镜和扫描仪方法已经研究了C. obtusa的细根动态；然而，之前的研究仅限于10-80年龄的林分（Noguchi等人，2011年；Nakahata，2020年，2022年；Fukuzawa和Noguchi，2026年）。因此，老龄C. obtusa种植园的细根动态仍知之甚少。在我们研究的Kota监测地点，即120年生的C. obtusa林分中，细根特征已经得到澄清（Miyatani等人，2016年，2018年；Doi等人，2017年，2020年）。特别是，细根的特定长度（SRL；根长/根干重，m g?1）和呼吸速率始终高于东海地区的其他六个C. obtusa林分（Miyatani等人，2016年）。直径较细的树木细根的寿命通常较短，其生理活性较高，包括更高的呼吸速率和吸收能力（McCormack等人，2015年）。因此，我们假设由于细根中的碳流量较高，这个老龄林分的细根更新率会高于其他C. obtusa森林。
本研究的目的是改进并应用基于ARATA的自动根系提取方法，以分析自然野外条件下的老龄C. obtusa林分的细根动态。我们评估了使用目标地点的扫描图像进行特定地点模型训练以及应用于训练图像的图像预处理是否能够提高模型性能。接下来，我们将优化后的模型应用于量化细根动态，并研究其与外源性因素（林分内的空气温度和降水量）和内源性因素（C. obtusa茎干生长）之间的关系。
章节片段
研究地点
本研究在日本爱知县冈崎市的Kota监测地点（34°52’N，137°13’E）的Chamaecyparis obtusa林分中进行。该林分是日本林业厅在20世纪90年代纳入国家森林健康监测项目的东海地区C. obtusa森林之一（日本林业厅，1997年）。在Kota地点建立了一个长期0.01公顷的土壤和细根密集观测样地（Tanikawa等人，2014年；Miyatani等人
根系提取模型的像素级准确性
通过在Kota地点的土壤剖面图像上应用迁移学习开发的Kota模型A和B，基于Dice得分（A：0.760，B：0.789）比ARATA模型（0.631）具有更高的准确性（表1）。
根系提取模型的特征级准确性
所有三个模型在使用30张全页大小的扫描图像（三个扫描仪箱×10个月）时，与手动提取方法在根面积密度（RAD）和根长度密度（RLD）方面均显示出显著的正相关性。
本研究首次定量证明了使用目标森林地点的特定根系和土壤图像进行迁移学习可以提高自动树木细根分割的效果。Yabuki等人（2022年）提出的ARATA模型最初是使用来自日本和马来西亚的四个森林地点的图像进行训练的，Dice得分为0.712（Yabuki等人，2022年）。在本研究中，当将ARATA模型应用于我们目标森林地点的图像时，Dice得分明显较低
山形拓人：研究。吉江林平：研究、数据管理。谷川智子：方法论、概念化。大橋美津江：写作——审稿与编辑、方法论、资金获取、概念化。平野康宏：写作——审稿与编辑、方法论、研究、资金获取、概念化。吉田日向：写作——初稿、方法论、研究、正式分析、数据管理、概念化。柳瀬亮太：方法论、研究，
本研究得到了日本学术振兴会（KAKENHI）的资助（编号JP24K03067，JP18H02243）。我们感谢M. Dannoura、A. Yabuki（京都大学）、S. Wang（国立台湾大学）、T. Kimura、Y. Kimura（兵库大学）、Y. Tanaka（福岛大学）、Y. Hirano（信州大学）在实验室分析方面的协助和指导。我们还要感谢N. Fujishiro、S. Suzuki、S. Nakasada、Y. Kuroyanagi（冈崎市政府）和T. Kadoya
