Plant Phenotyping Cannabis
Kurzdefinition
Automatisierte, quantitative Messung pflanzlicher Merkmale (Morphologie, Physiologie, Biochemie) mittels Bildgebungssystemen. Im Cannabis-Anbau ersetzt High-Throughput Phenotyping die manuelle Bewertung von Blattzahl, Pflanzenhöhe, Blattfläche und Chemotyp um bis zu 100-fach schneller.
Wissenschaftliche Beschreibung
Pflanzliche Phänotypisierung gliedert sich nach Bildgebungsmodalität und spektraler Auflösung:
RGB-Imaging (400–700 nm, 3 Bänder) Standard-Kameras erfassen Farbe, Form und Größe. Geeignet für Pflanzenzählung, Canopy-Abdeckungsschätzung und grobe Krankheitsscreening. Limitierung: Nur 72–78% Genauigkeit bei Krankheitserkennung (Mehltau), da frühe Infektionen spektrale Verschiebungen außerhalb des sichtbaren Bereichs erzeugen.
Multispektral (400–900 nm, 4–10 Bänder) Typische Systeme: Parrot Sequoia, MicaSense RedEdge. Berechnung von Vegetationsindizes (NDVI, NDRE) für Chlorophyllgehalt, Wassergehalt und Vitalität. Kaur et al. (2025) zeigen R² = 0,81 zwischen Drohnen-NDVI und Hemp-Biomasse-Ertrag — stärkster Einzelprediktor unter allen getesteten Vegetationsindizes.
Hyperspektral (400–1700 nm, 200+ Bänder) Höchste Leistung für Cannabis-spezifische Aufgaben: 87–94% Cultivar-Diskrimination (VNIR, CNN + Random Forest); 95,6% Chemotyp-Klassifizierung via SVM im NIR-Bereich (900–1700 nm), der Wasser- und Zellstrukturvariationen der Blütenentwicklung abbildet. Cannabinoid-Proxy-Modelle befinden sich in Entwicklung, sind aber noch nicht validiert.
3D-Phänotypisierung (Lidar / Multi-View-Stereo) Punkt-Wolken-Rekonstruktion ermöglicht Messung von Pflanzenhöhe, Blattwinkelverteilung, Stängeldurchmesser und Canopy-Volumen — Merkmale, die in 2D-Bildern nicht zugänglich sind. Wang et al. (2025) demonstrieren präzise 3D-Rekonstruktion und Merkmalsextraktion; PhytoWorks bietet kommerzielle Multi-View-Plattform. Für Cannabis existieren noch keine öffentlichen 3D-Datensätze; die einzigartige Morphologie (palmförmige Blätter, dichte Colas) erfordert eigenständige Datensätze.
Datenbedarf und Limitierungen Empirisch validierte Mindestdatensatzgröße: N = 500–1.000 annotierte Bilder pro Klassifikationsaufgabe (Zantvoort et al. 2024). Cannabis-spezifische Datensätze sind rar: regulatorische Restriktionen, kommerzieller Geheimhaltungsdruck und der hohe Wert einzelner Pflanzen limitieren öffentliche Datenverfügbarkeit.
| Modalität | Spektralbereich | Bänder | Cannabis-Genauigkeit | Kosten |
|---|---|---|---|---|
| RGB | 400–700 nm | 3 | 72–78% (Krankheit), ~91% (Reife) | Niedrig |
| Multispektral | 400–900 nm | 4–10 | R²=0,81 (NDVI/Biomasse) | Mittel |
| Hyperspektral | 400–1700 nm | 200+ | 87–96% (Cultivar/Chemotyp) | Hoch |
Anbau-Relevanz
- Züchtungsbeschleunigung: Phänotypisierungsplattformen ermöglichen bis zu 100x schnellere Selektion im Vergleich zu manueller Bewertung — relevant für Hochdurchsatz-Kreuzungsprogramme.
- Chemotyp-Selektion: Hyperspektrale Chemotyp-Klassifizierung (95,6%) könnte destruktive Labor-HPLC-Analysen reduzieren; Cannabinoid-Proxy-Modelle noch nicht praxisreif.
- Ertragsprognose: 3D-Canopy-Scanning liefert präzisere Biomasse-Schätzungen als 2D-NDVI; kombiniert mit Klimadaten für Ertragsmodelle.
- Empfehlung: Hyperspektral für Forschung/Züchtung; Multispektral + RGB für Produktionsmonitoring (Kosten-Leistungs-Optimum).
Verwandte Begriffe
- ndvi-cannabis-gesundheit — Vegetationsindex aus Multispektral-Daten
- trichom-reife-ml-klassifikation — Spezialfall der Phänotypisierung auf Trichom-Ebene
- ertragsprognose-modelle — Integration von Phänotyp-Daten in Ertragsmodelle
- krankheitserkennung-bildanalyse — Krankheitsklassifikation als Phänotypisierungs-Unteraufgabe
Quellen
- Berni et al., PMC8847227 — Hyperspectral Imaging With Machine Learning to Differentiate Cannabis
- NIR-hyperspectral imaging and machine learning for non-invasive classification — ScienceDirect S0168169923009390
- Kaur et al. 2025 — Drone and handheld sensors for hemp: Evaluating NDVI — Agronomy Journal
- Song et al. 2025 — Comprehensive review on 3D point cloud segmentation in plant phenotyping — ScienceDirect S2589721725000066
- Wang et al. 2025 — Accurate plant 3D reconstruction and phenotypic traits — Frontiers in Plant Science
- Zantvoort et al. 2024 — Estimation of minimal data set sizes for machine learning — PMC11655521
Quellen
- https://doi.org/10.1021/acs
- Wang CT et al. (2022): Air quality in cannabis cultivation facilities. Environ. Sci. Technol. doi:10.1021/acs.est.1c06372