Yüksek bitkiler için tohum kapları çimlenme başarısı, akıllı tarım optik RGB yaklaşımıyla tahmin edildi

Gelecek Ormanlar İçin Tohum Rengi Neden Önemli?

Dünyanın karbonu depolamak, toprağı korumak ve odun sağlamak için ormanlara bel bağladığı bir dönemde, her küçük ağaç tohumunun büyüme şansını en üst düzeye çıkarmak hayati önem taşır. Ancak yeniden ağaçlandırma için kullanılan tohum partileri karışık olabilir: bazı tohumlar canlanırken bazıları hiç çimlenmez. Bu çalışma, sıradan bir ofis tarayıcısıyla yakalanan sarıçam tohumlarının rengini kullanarak hangi tohumların fidan kaplarında başarıyla çimleneceğini tahmin etme fikrini araştırıyor — şaşırtıcı derecede basit ama büyük potansiyele sahip bir yaklaşım.

Tohum Bahçesinden Basit Bir Tarayıcıya

Araştırmacılar, iyi gelişim ve yüksek tohum verimi gösteren Beyaz Rusya’daki bir tohum bahçesinde yetiştirilen kültüre alınmış bir sarıçam formuna odaklandı. 1.200 tohum topladılar, bunları dikkatle temizleyip zarlarından ayırdılar ve her tohum için ayrıntılı bir “pasaport” oluşturdular. Bu pasaport, bir tohumun temel fiziksel özellikleri (kütle ve boyut gibi), düz yataklı bir tarayıcıyla kaydedilen rengi ve sonunda bir kap hücresinde çimlenip çimlenmediği olmak üzere üç tür bilgiyi birbirine bağladı. Her tohumu mükemmel eşleştirme için benzersiz bir kodla izlediler ve tarayıcı camından fidanlık tepsisindeki tam konumuna kadar takip ettiler.

Tohumları Yansıyan Işıkla Okumak

Pahalı laboratuvar ekipmanları yerine ekip, beyaz arka plan ve varsayılan ayarlarla standart bir tüketici tarayıcısı kullandı. Tohumları küçük, düzenli gruplar halinde taradılar ve daha sonra ücretsiz erişimli ImageJ yazılımıyla her tohumu çevreleyip dijital görüntünün kırmızı, yeşil ve mavi kanallarında ne kadar parlak göründüğünü ölçtüler. Karanlıktan aydınlığa uzanan bu parlaklık değerleri, tohum kabuğu renginin sayısal bir betimlemesi olarak işlev gördü. Aynı tek tek izlenen tohumlar daha sonra sera ortamında turba dolu kap hücrelerine ekildi; sıcaklık, nem ve sulama 30 günlük dönem boyunca dikkatle kontrol edildi. Bu sürenin sonunda her tohum basitçe çimlendi ya da çimlenmedi olarak kaydedildi.

Renkin Tohum Başarısı Hakkında Söyledikleri

Sonuçlar belirgin ve istatistiksel olarak güçlü desenler gösterdi. Çimlenemeyen tohumlar ortalama olarak üç renk kanalının tamamında daha açık ve daha yansıtıcıydı; diğer bir deyişle, koyu renkli tohumlar çimlenmede genellikle daha başarılıydı. Çimlenmeyen tohumlar ayrıca hafifçe daha düşük kütleye sahip olma eğilimindeydi, ancak renk farklılıkları daha belirgindi ve ayrım yapmak daha kolay oldu. Medyan ve dağılım analizleri, özellikle kırmızı ve yeşil kanallarda çimlenmeyen tohumlar için parlaklıkta belirgin bir yukarı kayma ortaya koydu. Ana bileşen analizi gibi ilave istatistiksel araçlar, renk bilgisinin basit boyuttan öte katkı sağladığını doğruladı: tohum boyutu hesaba katıldığında bile parlaklık, iyi tohumları kötü olanlardan ayırmaya yardımcı oldu.

Görüntüleri Pratik Kararlara Dönüştürmek

Bu bilginin gerçek dünya sınıflandırmasında kullanılabilir olup olmadığını test etmek için yazarlar birleşik fiziksel ve renk verileri üzerinde basit makine öğrenmesi modelleri eğitti. Lojistik regresyon ve lineer diskriminant analizi dahil bu modeller, çimlenebilecek çoğu tohumu doğru şekilde tutarken çimlenme olasılığı düşük olan birçok tohumu elden çıkardı. Modeller yüksek geri çağırma (iyi tohumların az atılması) ve sağlam genel doğruluk sağladı; bu da RGB renge dayalı optik bir ayırma adımının tohum partilerinin ortalama çimlenme oranını önemli ölçüde yükseltebileceğini düşündürüyor. Önemli olan, tüm bunların özel görüntüleme sistemleri yerine düşük maliyetli, yaygın olarak bulunabilen araçlarla yapılmış olmasıdır.

Bu Bulguların Fidanlıklar İçin Anlamı

Çalışma, bu sarıçam tohum partisi için daha parlak, daha açık renkli tohumların standart kap fidanlık koşullarında çimlenme şansının daha düşük olduğunu, koyu renkli tohumların ise daha iyi performans gösterdiğini sonucuna varıyor. Ofis tarayıcısıyla yakalanıp basit yazılımla işlenen bu görsel işaret, ekim öncesi tohumları hızlı ve tahribatsız olarak ön ayırmak için kullanılabilir. Yazarlar renk eşiklerinin tohum partileri ve çevreler arasında farklılık gösterebileceğini not etse de, çalışmalarının kavram kanıtı sunduğu açık: günlük dijital görüntüleme, fidanlıklara daha güçlü tohum materyali seçmelerinde, fidan üretimini artırmalarında ve nihayetinde daha güvenilir, dirençli orman restorasyonunu desteklemelerinde yardımcı olabilecek bir “akıllı tarım” aracına dönüşebilir.

Atıf: Novikova, T.P., Tylek, P., Petrishchev, E.P. et al. Higher plant seed container germination success predicted by smart farming optical RGB approach. Sci Rep 16, 13021 (2026). https://doi.org/10.1038/s41598-026-42258-9

Anahtar kelimeler: Sarıçam tohumları, tohum çimlenmesi, RGB görüntüleme, orman fidanlıkları, kesin orman yönetimi