方法文章

利用自主机器人在田间对作物植物光合效率进行高通量筛选

1K 次观看

⸱

DOI：

10.3791/69530

⸱

2026年1月9日

 ,  ,  ,  , 
1Crop Science, Institute of Agricultural Sciences, Swiss Federal Institute of Technology Zurich, 2Plant Sciences, Institute of Bio-and Geosciences, Forschungszentrum Jülich

本文内容

摘要

本文描述了一种非破坏性、高通量的方法，用于自主进行田间光系统II量子效率、光谱反射率和植物构型的测量，从而实现农艺学和育种田间试验中大规模冠层光合作用表型分析。

摘要

光合作用不仅为植物生物量的生成提供能量，也为固氮等共生过程提供能量。尽管通过改善光能截获和收获指数来进一步提高主要作物产量的遗传潜力已基本耗尽，但自然存在或人工诱导的光合性状遗传变异仍为产量的进一步提升提供了可观的潜力。然而，由于在不断变化的田间条件下光合作用具有高度动态性，除非具备高空间和时间分辨率的数据，否则难以对光合性能进行有针对性的选择。为弥补这一空白，我们将一种光诱导荧光瞬变（LIFT）装置安装在一台自主田间机器人上，用于测量光系统II的量子效率（Fq'/Fm'），该参数已被证明与整体光合性能高度相关。LIFT方法利用高频重复的亚饱和闪光诱导最大荧光，可在最远1米的距离上在不到1毫秒内完成测量。该机器人以0.5 m s-1的速度行进，基于全球导航卫星系统（GNSS）坐标自主导航，覆盖整个试验田。光谱测量仪和立体红、绿、蓝（RGB）相机提供了有关与三维（3D）植物结构相关的性状的额外信息，例如叶片角度和目标叶片上的光照强度。由此生成的高时空分辨率的光合效率图谱，为农艺田间试验或植物育种苗圃中植物生长表现提供了详尽的信息。

引言

光合作用不仅为植物生物量的产生和自身代谢的维持提供能量基础，也为豆科植物的固氮作用提供能量1 以及其他共生过程2任何作物的产量潜力均取决于冠层截获的光合光子通量密度（PPFR）的比例εi)，这部分辐射中实际用于光合作用并转化为生物量的比例（εc)，以及分配到收获产品中的生物量能量比例（εp)3。该 εp 可被设定为收获指数（HI），如果后者被定义为收获产物的生物量除以地上和地下部分的总生物量3以往的育种工作主要集中在提高 εi 和 εc 并且在这方面取得了巨大成功3例如，现代谷类作物和豆科作物基因型可达到 εi 约为90%和收获指数（HI）约为60%3,4，进一步提升的空间十分有限 εi 和 εp3,5相比之下，……的数值 εc 在C中观察到3 和 C4 作物产量仍很少超过三分之一 分别为理论最大值9.4%和12.3%。这表明若能进一步提升作物光合效率，作物生产力仍有巨大的提升潜力 εc 可通过基于自然遗传变异的选择和/或通过基因工程对光合作用装置的组分（如酶1,5-二磷酸核酮糖羧化酶/加氧酶（RuBisCO））进行靶向优化来提高3,5,6,7然而，已有研究表明 i光合效率在田间条件下具有高度动态性，因为植物会不断适应变化的光照及其他环境协变量8,9 ii在稳态条件下测得的光合性状（例如，在人工光照的室内生长室中）10在田间观察到的非稳态光合作用相比，表现出不同的遗传力模式11。这限制了 室内光合作用表型分析在筛选主要粮食作物高产基因型方面的实用性有限，因为这些作物在实际生产中通常是在室外田间种植的。因此，除非能够获得大量作物基因型的高空间和时间分辨率数据，否则难以对光合性状进行有针对性的选择。6,12.

以往在田间进行光合作用无损测量的尝试，主要依赖于手持式气体交换13,14,15 或脉冲振幅调制（PAM）型叶绿素荧光（ChlF）16,17测量设备。这些方法存在一个共同的缺点，即需要手动将待测叶片夹入或放置到测量室中18,19。此外，田间气体交换测量需要数分钟时间以确保测量室内的平衡状态。这使得测量过程费力且缓慢，难以实现足够的通量来广泛研究波动条件下的光合作用调控，尤其难以在育种项目中对数百甚至数千个基因型进行有意义的筛选19。与前述PAM叶绿素荧光测量设备17类似，光诱导荧光瞬变（LIFT）方法20 利用了以下两个事实：i）到达光系统II（PS II）中叶绿素的光能，可用于光合作用，也可通过非光化学淬灭（NPQ）以热的形式耗散，或以叶绿素荧光（ChlF）形式释放；ii）通过强光脉冲饱和使光合作用途径受阻，导致PS II下游电子受体被还原，从而引起叶绿素荧光相应增加。基于这种诱导产生的可变叶绿素荧光，我们可以在环境光照条件下计算PS II的光合量子效率（Fq'/Fm'），或在叶片测量前保持暗适应状态下测定PS II的最大量子效率（Fv/Fm）。

该参数 Fv/Fm 由Kitajima和Butler于20世纪80年代初建立21, Butler22，以及 Björkman 和 Demmig23，报道了最优值为 ≈ 0.83，在不同物种的非胁迫叶片中均如此。该参数的开发与应用为…… Fq'/Fm' (ΦPS II)作为光合作用性能诊断方法始于Genty等人24，表明其与CO2 非胁迫条件下的同化作用。Maxwell 和 Johnson25 和 Baker26 随后提供了一个应用于实践的框架 Fq'/Fm', Fv/F米 以及非光化学淬灭（NPQ），强调它们对环境胁迫的敏感性及其在识别光抑制等损伤症状方面的价值。Murchie 和 Lawson27 强调了潜力（及局限性） Fq'/Fm用于田间表型分析和作物改良。最近，Long 等人8 强调作物的光合作用发生在波动光照条件下，光系统II效率和非光化学猝灭（NPQ）调控的动态变化显著影响碳同化，凸显了结合环境因子的时间变异性来解读荧光参数的必要性。

如先前研究28所述，使用固定式 LIFT 传感器测得的光系统 II 量子效率（Fq'/Fm'）与脉冲振幅调制法（PAM）测量结果（R2 = 0.89）以及 CO2 同化速率（R2 = 0.89）具有良好的相关性29,30,31。与此一致，建模分析生长季中Fq'/Fm' 的响应已被证明可用于较好地预测作物光能利用效率 εc,、作物生产力12,32 以及胁迫耐受性33。然而，PAM 类型的叶绿素荧光（ChlF）测量设备采用单次强光脉冲（饱和脉冲）抑制光合作用途径，并辅以弱光脉冲测量最小和最大叶绿素荧光（测量脉冲），整个过程约需 1 秒，因此不适合超高通量测量。相比之下，LIFT 传感器在 750 µs（= 0.00075 s）内发射一系列快速的 300 个高强度闪光（每个闪光强度为 40,000 µmol 光子 m-2 s-1），逐步实现光合作用途径的饱和，同时离散式测量叶绿素荧光产量20。该方法允许测量装置与目标叶片之间保持较大距离19 ，并可通过将传感器牢固安装在自主移动载具上，实现快速、高通量的田间测量32。以往的研究（例如32）在田间条件下的通量往往受限，或仅局限于温室实验。尽管这些方法成功鉴定了参与光合作用调控的候选基因12，但很可能遗漏了在田间条件下发生的重要调控过程。因此，我们假设将 LIFT 传感器安装在自主机器人上，可成为一种合适的工具，用于在田间对大量基因型材料进行Fq'/Fm' 测量（每天可在数千株植物或试验小区上实现每秒多次测量）。

方案

1. 设置PPFR传感器和数据记录仪

  1. 将PPFR传感器和移动电源连接到数据记录仪。将数据记录仪连接到笔记本电脑，并使用数据记录仪桌面客户端启动数据记录仪。
  2. 在实验田旁安装相机三脚架，将PPFR传感器置于顶部，数据记录仪和移动电源放置在地面下方。
    注意：确保PPFR传感器处于垂直位置，且未被任何附近物体遮挡或干扰。若将PPFR传感器直接安装在机器人上，则需要使用云台以准确测量PPFR值。

2. 设置机器人和LIFT传感器组件

  1. 将测量用的航点坐标（.geojson 格式）加载到机器人上。这些坐标可与试验田 GNSS 导航播种时所用的坐标相同。
  2. 将LIFT传感器组件安装在机器人前方，距作物冠层上方约60 cm的高度（见 图1A).
  3. 将笔记本电脑、汽车电池和电源逆变器放置在机器人顶部，并将电源逆变器连接至汽车电池和LIFT传感器组件。
    警告：LIFT 传感器的激发光束对眼睛有害。必须严格避免直接注视激发光束。
  4. 将GNSS天线套件安装在机器人顶部，连接至笔记本电脑，并启动GNSS记录仪桌面客户端。
  5. 将LIFT传感器连接至笔记本电脑，并使用以下设置启动LIFT桌面客户端：
    LIFT传感器：激发光强度 = 40,000 µmol 光子 m⁻² s⁻¹>-2 s-1；闪光脉冲长度 = 1.6 µs；单次测量中激发闪光脉冲数量 = 300；弛豫闪光脉冲数量 = 80；激发闪光脉冲间时间间隔 = 2.5 µs；弛豫闪光脉冲间时间间隔： ji = 101.28 + 0.0215 × i μs，其中 ji  是区间的长度 ith flashlet；传感器增益 = 10 或 25；测量间隔 = 0 秒
    光谱仪：光谱积分时间为100 ms，光谱范围为400至800 nm。
    RGB相机：曝光 = 自动；快门 = 自动；增益 = 自动；亮度 = 0；帧率 = 20 s-1；触发模式 = 允许（在每次LIFT测量时触发相机）。
    注意：LIFT 传感器直接测量的量是叶绿素荧光产量（每次闪光激发束引起的总叶绿素荧光的增加量）20然后，计算 Fq'/Fm' 如下
    Fq'/Fm' = (Fm' - F') / Fm' 26
    其中 F定义为1的叶绿素荧光（ChlF）产量st 闪光小体和 Fm作为301个ChlF产量的平均值st 和 302nd 闪光小体28一次ChlF测量（包括弛豫阶段）的总持续时间约为21 ms，而关键的300闪光激发阶段的持续时间仅为750 µs。

3. 进行LIFT测量

  1. 使用遥控器手动驾驶机器人到达实验田第一行样地的起始位置。
  2. 启动LIFT传感器和光谱仪的连续测量程序。
  3. 通过机器人控制网站，以0.5 m s-1的速度启动机器人自主导航。
  4. 在测量过程中，定期检查LIFT传感器组件桌面客户端中显示的叶绿素荧光（ChlF）产量随时间变化的曲线图，确认其形状符合预期（见图1B）。若信号过弱，需调整传感器增益。
  5. 当机器人在田间边界处转弯时，定期将白色参比板置于作物冠层高度，使其位于激发光束下方。

4. 数据整合与预处理

注意：R 代码可在 GitHub 上获取（https://github.com/beat2keller/lift_data_processing）

  1. 使用 R 语言的 data.table 包34读取所有 *_data.csv 和 *_spectral.csv 文件中的 LIFT 瞬态和光谱数据。
  2. 读取 GNSS 和气象数据，同时读取 .geojson 格式的地块地图以及实验设计信息。
  3. 整合数据集并进行统计分析，例如参考文献12中的方法，或如下所述：
    1. 从每次记录的瞬态曲线中提取 Fq'/Fm' 值。
    2. 基于 .geojson 多边形文件，利用空间包含关系将每个 GNSS 点与其对应的地块进行匹配。注意校正机器人上 LIFT 传感器组件与 GNSS 天线之间的距离偏差。
    3. 根据连续位置确定机器人的行进方向，并通过分配的地块标识符将实验设计信息与 GNSS 数据合并。
      ​注意：此步骤将每个空间位置与相应的处理条件（例如基因型）和重复信息（例如区组）关联起来。
    4. 将来自 PPFR 传感器的高分辨率数据与最近气象站的低分辨率 PPFR 数据结合，生成融合后的入射 PPFR 时间序列（可选）。
      注意：瑞士的低分辨率气象数据可从 agrometeo.ch（https://agrometeo.ch/de）网络获取，方法见参考文献35。
    5. 从光谱反射率数据集中筛选出白板参考测量值，并利用时间戳将其与 PPFR 数据合并，建立不同入射光强度下光谱反射率的查找表，方法见参考文献28。
    6. 基于查找表对原始光谱反射率数据进行校正。
    7. 利用校正后的光谱反射率数据，根据以下公式计算 MERIS 陆地叶绿素指数（MTCI）和归一化植被指数（NDVI）：
      植被指数 MTCI、NDVI 公式；遥感，光谱分析；示意图。
      其中 Rλ 表示波长 λ nm 处的平均反射率。
    8. 基于时间戳，通过设定容差窗口（例如 1 ms）进行最近邻连接，将叶绿素荧光（ChlF）、GNSS 位置/实验设计以及 PPFR/光谱反射率数据进行整合。
    9. 识别并剔除数据集中 Fq'/Fm' 的异常值行。
    10. 通过对剔除异常值后的 ChlF 数据拟合以下模型，提取基因型特异性的光合响应趋势（G: PPFR）：
      Fq'/Fm' = β0 + β1 日期 +  β2（行进方向 × 小时）+ β3（基因型 × PPFR） +  β4 MTCI + β5 PPFR + ε
      拟合该剔除异常值后的数据集。
    11. 使用估计边际趋势法（R 中的 emtrends）估算（基因型 × PPFR）预测项的斜率（β3），以获得基因型对辐照度响应的定量度量。在模型中引入 MTCI 可校正叶绿素含量和冠层状态差异对 Fq'/Fm' 的影响，如先前所述12。
      注意：行进方向表示机器人的行驶方向（由第 4.3.3 步中的 GNSS 轴向推导而来），用于校正测量过程中可能存在的方向性效应。

结果

2025年6月12日至27日，在7个测量日中，共采集了36个大豆（Glycine max (L.) Merr.）育种品系的91,205次叶绿素荧光（ChlF）瞬态测量数据。其中，74,927个数据点可进行地块地理配准，58,916个数据点经过质量筛选后成功与光谱和气象数据匹配。测量设置及代表性数据概览见图1，包括仪器运行状态的照片（图1A）、12个大豆基因型的ChlF诱导动力学曲线（图1B）以及相应的光谱反射率曲线（图1C）。

地理参照数据表明，在两个试验田中，Fq'/Fm' 和 NDVI 均表现出显著的空间变异（图2）。这些空间格局部分与机器人的行进方向相关（图3），因此在后续建模中对这一因素进行了校正，以降低机器人遮荫对目标叶片可能造成的影响。

对光系统II实际光化学效率（Fq'/Fm'）对入射光合光子通量密度（PPFR）的响应进行线性混合效应模型分析（图4A），能够解释大部分的变异（R静态平衡方程，ΣFy=0，数学公式，垂直方向受力平衡。 = 0.45，R量子力学；波粒二象性；方程；符号；教学图示；2/c公式。 = 0.60）。提取的基因型特异性斜率（响应G：PPFR）在不同育种品系间表现出明显差异（图4B），其中多个品系的响应曲线相较于群体平均值更陡峭或更平缓（图4C）。

最后，基于RGB成像和匹配与立体三维重建算法（Matching And Stereo 3D Reconstruction, MASt3R）36（图 5）获得的冠层水平三维重建结果，展示了将基于LIFT的生理学测量与结构表型分析相结合以实现冠层三维结构表征的潜力。

农业荧光光谱学、时间分辨发射、反射光谱分析。
图 1：大豆基因型光诱导荧光瞬变（LIFT）与光谱反射率测量的概述。（A）LIFT 设备运行时的示例图像。插图显示用于诱导叶绿素荧光（ChlF）的蓝色激发光束。（B）2025 年 6 月 27 日对 12 种大豆基因型测得的瞬态 ChlF 诱导曲线（均值 ± 标准差，每种基因型的 n 为 88 至 553，ntotal = 2,035）。（C）2025 年 6 月 25 日对相同基因型测得的相应叶片反射光谱（均值 ± 标准误，ntotal = 2,035）。颜色代表不同基因型；误差线表示重复测量之间的变异。请点击此处查看该图的放大版本。

田间变异分析；NDVI 和 Fq'/Fm' 专题地图；农业研究；地理数据
图 2：光系统 II 量子效率与归一化植被指数（NDVI）值的空间分布。 在包含 120 个试验小区和 36 个育种品系的两个大豆试验田中，测量了（上图）光系统 II 量子效率（Fq'/Fm'）和（下图）归一化植被指数（NDVI）值的空间分布（n = 58,916）。点表示测量位置，颜色表示观测值，形状表示机器人行进方向：西北（NW）、东北（NE）、西南（SW）和东南（SE）。黑色线条标示田间小区边界。黑色圆点表示田间机器人的全球导航卫星系统（GNSS）坐标。请点击此处查看该图的放大版本。

按航向和一天中的时间对 F<sub>q</sub>/F<sub>m</sub>' 和辐照度进行箱线图分析。
图 3：光系统 II 的量子效率。 箱线图显示了光系统 II 的量子效率（Fq'/Fm'）以及在测量时段（9 - 15 时）内 680 nm 波长下入射辐照度的对数值，分别针对东北（NE）方向和西南（SW）方向的探测车行进方向（nNE-ward = 14,339，nSE-ward = 25,669，ntotal = 40,008）。机器人在上午朝 SW 方向行驶时遮挡了测量点，在下午朝 NE 方向行驶时亦如此。每个箱体表示四分位距（IQR），其中横线和须线分别表示中位数和 1.5 × IQR 的界限。请点击此处查看该图的放大版本。

光合作用响应分析；地理数据图、育种品系比较、光子通量速率相关性示意图。
图 4：光合作用响应斜率。（A）基于线性混合效应模型分析得出的两个大豆试验田中光合作用响应斜率（基因型与光合光子通量速率（G: PPFR）之间的相互作用）的空间变异情况。（B）各育种品系经校正的平均值及模型估计的光合作用响应斜率，其中以颜色突出显示感兴趣的基因型。（C）入射 PPFR 与突出显示基因型的光系统 II 的量子效率（Fq'/Fm'）之间的关系，附拟合的平方根回归曲线。请点击此处查看该图的高清版本。

多光谱叶片分析；示意图；利用成像技术进行植物表型研究；数据可视化。
图 5：通过 LIFT 测量冠层结构。 显示了大豆品种 Gallec 的冠层结构。（A）光诱导荧光瞬变（LIFT）设备的红、绿、蓝（RGB）相机在筛选光合作用时采集了图像。（B, C）采用匹配与立体三维重建（MASt3R）算法36重建三维冠层结构。金字塔形符号表示估计的相机位置。请点击此处查看该图的放大版本。

讨论

方法的通量

LIFT 方法允许传感器与目标叶片之间的测量距离远大于以往的气体交换和PAM型叶绿素荧光（ChlF）测量设备18,19，从而能够在田间和室内环境中实现自动化的高通量测量12,32,37。这消除了 对冠层进行物理接触的需要。该方法的通量随机器人行驶速度的提高而增加。为确保叶绿素荧光（ChlF）产量在时间上的准确测量，在一次 Fq'/Fm' 测量期间所移动的距离必须远小于光照区域的直径（LIFT传感器为20 mm）。当机器人在激发过程中移动时，光照点也随之偏移，导致每次闪光脉冲产生的叶绿素荧光产量降低，最终在过高速度下造成 Fm' 和 Fq'/Fm' 的错误估算。在机器人速度为0.5 m s-1时，最后一次激发闪光所照射的区域中，仅有约2.4%的面积未被首次激发闪光覆盖，这意味着由于机器人运动引起的 Fm' 系统性测量误差在数值上可忽略不计（完整计算见GitHub：https://github.com/beat2keller/lift_data_processing）。以0.5 m s-1的速度，我们在一个40 × 36 m的试验田中每小时可测量300个样地（每个1.5 × 2 m），相当于每天可测量数千个样地。此外，我们的测量装置总重量相对较轻（200 kg），结构紧凑，可通过轻型车辆运输，便于开展多点试验，以评估不同环境下光合效率的表现38。

叶片光合作用与冠层光合作用

该方法中的LIFT测量在空间上仅限于冠层最上层的受光部分，这一部分贡献了总光合作用的约50%至70%39此外，每片叶子能够吸收的光量在很大程度上取决于其相对于太阳的角度，通常更接近垂直方向的叶片会增加叶面积指数，促进光的透射以及冠层光合作用40,41使用本方法中的LIFT传感器组件，可通过光谱仪的反射率测量数据，对3D冠层结构对单叶或整冠光合作用的影响进行建模。28 和/或三维冠层几何结构的显式重建42 基于立体RGB相机系统的图像。新型算法，例如MASt3R36，利用深度变换器学习密集且具有几何感知能力的特征对应关系，从而在宽基线或重复区域实现更鲁棒和精确的三维重建。然而，即使没有此类额外校正，其有效性 已证明，采用自动化高通量方法（如LIFT）可鉴定出更具生产力和抗逆性的作物品种11,43.

库限制

库限制，即由于植物无法利用其能够产生的光合产物量而导致光合作用被主动下调44,45，可能会掩盖不同基因型之间εc 的差异。随着大气中CO2 浓度升高，由库限制引起的光合作用下调可能更加显著45。我们的 方法仅在库限制导致Fq'/Fm'同时下降时才能检测到该现象；已有迹象表明这种情况确实 可能 发生46。无论如何，库限制的相关性似乎强烈依赖于作物种类和发育阶段，小麦在灌浆期受其影响远大于豆科作物45 ，因为后者的共生固氮作用构成了一个强大的额外库1,44,46。如果预计在进行LIFT测量期间某一特定作物的库限制具有高度相关性，则需要进一步研究，将测得的Fq'/Fm'值与同步获取的气体交换数据进行比较，并验证Fq'/Fm'可作为εc良好替代指标这一假设的有效性。

冠层高度的测量距离与变异性

本方法中使用的LIFT传感器组件设计用于对作物冠层在约60 cm距离处进行测量32,47。该方法所用的LIFT传感器对测量距离的微小差异具有较强的抗干扰能力，但通常较大的测量距离会导致Fq'/Fm'的数值略低47。为避免此类偏差，我们建议使用Fq'/Fm'对光合光子通量密度（PPFR）的响应（该指标对测量距离的变化更具鲁棒性），而非直接使用Fq'/Fm'的绝对值，如文献12 所述，和/或在数据分析过程中明确校正冠层高度的差异。

叶片的意外人为遮荫

光照强度增加通常会降低Fq'/Fm'3,8,12。因此，应避免操作人员或测量装置造成不必要的遮光3,8,12。为减少机器人造成的遮光，可设置其行进方向以完全避免遮光32 （但会因无生产性的返程而降低通量），或在交替方向上进行测量，再对遮光效应进行统计学校正。本研究中，Fq'/Fm' 的统计模型中的 Heading × Hour 项（见步骤 4.3.10）确保了机器人对目标叶片的遮光效应已被纳入考虑。

结论

总之，安装在自主机器人上的LIFT传感器能够在田间条件下实现光合效率的快速自动化测量，克服了以往方法在通量方面的限制。尽管冠层结构和库容限制等因素需要仔细考虑，但我们的结果表明，在农艺田间试验和植物育种苗圃中进行可靠且可扩展的光合作用筛选是可行的。高分辨率立体RGB相机系统与作为点传感器的LIFT相结合，将进一步提高测量精度：由人工智能驱动的叶片三维定位将能够选择具有相似太阳朝向的叶片进行采样，并考虑不同基因型特有的叶片倾角。从研究角度来看，比较具有不同冠层结构的基因型的光合作用，以及在开放式空气CO2 加富（FACE）条件下开展高通量LIFT测量，可能尤为有意义，这有助于更好地理解在田间条件下PS II下游过程及潜在的库限制如何影响Fq'/Fm'。在实际应用方面，从育种苗圃到农户田间开展光合性能和抗逆性的筛选，对于精准农业应用具有巨大潜力。

披露

本研究中使用的机器人由Caterra AG公司开发，该公司源自苏黎世联邦理工学院作物科学研究团队，本文大多数作者均隶属于该研究团队。然而，作者们并未直接参与该机器人的开发，且声明不存在其他利益冲突。

致谢

感谢Caterra AG提供了机器人底盘、相关技术支持以及协助将其改装用于我们的测量工作。感谢苏黎世联邦理工学院作物科学研究小组的Nicola Storni，他在机器人上安装GNSS定位记录系统方面提供了支持。特别感谢DSP Delley Seeds的Christoph Barendregt和Agroscope的Claude-Alain Bétrix，为PhenoSoy项目试验提供了Agroscope/DSP合作项目的植物材料，该项目由联邦农业局（FOAG）资助。本方法是在“通过改良豌豆提升轮作系统的可持续性与氮素利用效率”（ECOPRot）项目中开发的，该项目由ETH世界粮食系统中心资助，资金来源于Bayer AG的捐赠以及苏黎世联邦理工学院职业种子基金奖。 部分工作使用了大语言模型以辅助编程和语言表达，所有输出内容均由作者核查、验证并最终确定。

材料

本文使用的材料清单
姓名公司目录编号评论
相机三脚架--任何可将PPFR传感器水平安装的类型均可使用。
汽车蓄电池（12 V / 80 Ah）Mercedes-Benz Group AG, 斯图加特, 德国A 001 982 81 08-
数据记录仪HOBO Data Loggers, 美国马萨诸塞州伯恩HOBO U30 站点, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/-
数据记录仪桌面客户端Onset Computer Corporation, 美国马萨诸塞州HOBOware 版本 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware-
GNSS天线套件ArduSimple, 安道尔城, 安道尔AS-STARTKIT-LR-L1L2-EUNH-00-
GNSS记录仪桌面客户端u-blox AG, 瑞士塔尔维尔u-center GNSS, [原文如此] 评估软件版本 25.03, https://content.u-blox.com/sites/default/files/documents/u-center-25.03_ReleaseNote_UBXDOC-304424225-19688.pdf-
笔记本电脑 --任何可运行与GNSS及数据记录仪桌面客户端兼容的Windows（Microsoft Corporation, 美国雷德蒙德）操作系统的笔记本电脑均可使用。
LIFT传感器组件桌面客户端Soliense Inc., 纽约, 美国版本.2016.04-
LIFT传感器组件
（含240 V市电适配器）		Soliense Inc., 纽约, 美国LIFT-REM除LIFT传感器本身外，LIFT传感器组件还集成了一个RGB立体相机系统，该系统由FLIR Integrated Imaging Solutions Inc.（加拿大不列颠哥伦比亚省）[现为Teledyne FLIR LLC, 美国威尔逊维尔]提供的两台Blackfly S BFS-U3-50S5C相机组成，以及一台由Ocean Insight [现为Ocean Optics]（美国奥兰多）提供的波长范围为400至800 nm、分辨率为0.46 nm的光谱仪。
 机器人尺寸约为≈ 170 × 210 × 90 cm（长×宽×高），重量约为≈ 170 kg。LIFT传感器组件的尺寸约为≈ 23 × 34 × 59 cm（长×宽×高，以安装在机器人上的状态为准）。
逆变电源
（12 V直流转240 V 50 Hz交流）		Green Cell CSG S.A., 克拉科夫, 波兰INV08-
移动电源--任何USB移动电源均可使用。
PPFR传感器HOBO / LI-COR, 林肯, 美国S-LIA-M003-
机器人控制网站Caterra AG, 瑞士奥普菲孔-链接由机器人制造商为每位客户单独提供。
机器人原型底盘
（含遥控器及
240 V市电电池充电器）		Caterra AG, 瑞士奥普菲孔Firefly（原型，未上市）, https://caterra.org/en/technologie/任何具有适当有效载荷能力、履带宽度和离地间隙的其他野外机器人亦可使用。
白色参考板--任何白色或灰色参考板均可使用。

参考文献

  1. Lüscher, A., Hartwig, U. A., Suter, D., Nösberger, J. Direct evidence that symbiotic N2 in fertile grassland is an important trait for a strong response of plants to elevated atmospheric CO2. Global Change Biol. 6 (6), 655-662 (2000).
  2. Dong, Y., Wang, Z., Sun, H., Yang, W., Xu, H. The Response Patterns of Arbuscular Mycorrhizal and Ectomycorrhizal Symbionts Under Elevated CO2: A Meta-Analysis. Front Microbiol. 9, 1248(2018).
  3. Zhu, X. G., Long, S. P., Ort, D. R. Improving Photosynthetic Efficiency for Greater Yield. Ann Rev Plant Biol. 61 (2010), 235-261 (2010).
  4. Giunta, F., Pruneddu, G., Motzo, R. Radiation interception and biomass and nitrogen accumulation in different cereal and grain legume species. Field Crops Res. 110 (1), 76-84 (2009).
  5. Long, S. P., Zhu, X. G., Naidu, S. L., Ort, D. R. Can improvement in photosynthesis increase crop yields. Plant Cell Environ. 29 (3), 315-330 (2006).
  6. Furbank, R. T., Sharwood, R., Estavillo, G. M., Silva-Perez, V., Condon, A. G. Photons to food: genetic improvement of cereal crop photosynthesis. J Exp Botany. 71 (7), 2226-2238 (2020).
  7. Zhu, X. G., Long, S. P., Ort, D. R. What is the maximum efficiency with which photosynthesis can convert solar energy into biomass. Curr Opin Biotechnol. 19 (2), 153-159 (2008).
  8. Long, S. P., et al. Into the Shadows and Back into Sunlight: Photosynthesis in Fluctuating Light. Ann Rev Plant Biol. 73 (2022), 617-648 (2022).
  9. Zelitch, I. The Close Relationship Between Net Photosynthesis and Crop Yield. BioScience. 32 (10), 796-802 (1982).
  10. Poorter, H., et al. Pampered inside, pestered outside? Differences and similarities between plants growing in controlled conditions and in the field. New Phytol. 212 (4), 838-855 (2016).
  11. Taylor, S. H. Phenotyping photosynthesis: yes we can. J Exp Botany. 75 (3), 659-662 (2024).
  12. Keller, B., et al. Linking photosynthesis and yield reveals a strategy to improve light use efficiency in a climbing bean breeding population. J Exp Botany. 75 (3), 901-916 (2024).
  13. Ashley, D. A., Boerma, H. R. Canopy Photosynthesis and its Association with Seed Yield in Advanced Generations of a Soybean Cross. Crop Sci. (4), (1989).
  14. Carmo-Silva, E., et al. Phenotyping of field-grown wheat in the UK highlights contribution of light response of photosynthesis and flag leaf longevity to grain yield. J Exp Botany. 68 (13), 3473-3486 (2017).
  15. Gutiérrez-Rodrıguez, M., Reynolds, M. P., Larqué-Saavedra, A. Photosynthesis of wheat in a warm, irrigated environment: II. Traits associated with genetic gains in yield. Field Crops Res. 66 (1), 51-62 (2000).
  16. Lopez, M. A., Xavier, A., Rainey, K. M. Phenotypic Variation and Genetic Architecture for Photosynthesis and Water Use Efficiency in Soybean (Glycine max L. Merr). Front Plant Sci. 10, 680(2019).
  17. Schreiber, U. Detection of rapid induction kinetics with a new type of high-frequency modulated chlorophyll fluorometer. Photosynth Res. 9 (1), 261-272 (1986).
  18. Kalaji, H. M., et al. Frequently asked questions about in vivo chlorophyll fluorescence: practical issues. Photosynth Res. 122 (2), 121-158 (2014).
  19. Murchie, E. H., et al. Measuring the dynamic photosynthome. Ann Botany. 122 (2), 207-220 (2018).
  20. Kolber, Z. S., Prášil, O., Falkowski, P. G. Measurements of variable chlorophyll fluorescence using fast repetition rate techniques: defining methodology and experimental protocols. Biochim Biophys Acta BBA Bioenergetics. 1367 (1), 88-106 (1998).
  21. Kitajima, M., Butler, W. L. Quenching of chlorophyll fluorescence and primary photochemistry in chloroplasts by dibromothymoquinone. Biochim Biophys Acta BBA Bioenergetics. 376 (1), 105-115 (1975).
  22. Butler, W. L. Energy Distribution in the Photochemical Apparatus of Photosynthesis. Ann Rev Plant Biol. 29, 345-378 (1978).
  23. Björkman, O., Demmig, B. Photon yield of O2 and chlorophyll fluorescence characteristics at 77 K among vascular plants of diverse origins. Planta. 170 (4), 489-504 (1987).
  24. Genty, B., Briantais, J. M., Baker, N. R. The relationship between the quantum yield of photosynthetic electron transport and quenching of chlorophyll fluorescence. Biochim Biophys Acta BBA General Subjects. 990 (1), 87-92 (1989).
  25. Maxwell, K., Johnson, G. N. Chlorophyll fluorescence-a practical guide. J Exp Botany. 51 (345), 659-668 (2000).
  26. Baker, N. R. Chlorophyll Fluorescence: A Probe of Photosynthesis In Vivo. Ann Rev Plant Biol. 59 (Volume 59, 2008), 89-113 (2008).
  27. Murchie, E. H., Lawson, T. Chlorophyll fluorescence analysis: a guide to good practice and understanding some new applications. J Exp Botany. 64 (13), 3983-3998 (2013).
  28. Keller, B., et al. Maximum fluorescence and electron transport kinetics determined by light-induced fluorescence transients (LIFT) for photosynthesis phenotyping. Photosynth Res. 140 (2), 221-233 (2019).
  29. Ananyev, G., et al. Remote sensing of heterogeneity in photosynthetic efficiency, electron transport and dissipation of excess light in Populus deltoides stands under ambient and elevated CO2 concentrations, and in a tropical forest canopy, using a new laser-induced fluorescence transient device. Global Change Biol. 11 (8), 1195-1206 (2005).
  30. Pieruschka, R., Klimov, D., Kolber, Z. S., Berry, J. A. Monitoring of cold and light stress impact on photosynthesis by using the laser induced fluorescence transient (LIFT) approach. Funct Plant Biol. 37 (5), 395-402 (2010).
  31. Pieruschka, R., et al. Daily and seasonal dynamics of remotely sensed photosynthetic efficiency in tree canopies. Tree Physiol. 34 (7), 674-685 (2014).
  32. Keller, B., et al. Toward predicting photosynthetic efficiency and biomass gain in crop genotypes over a field season. Plant Physiol. 188 (1), 301-317 (2022).
  33. Zendonadi dos Santos, N., et al. High-throughput field phenotyping reveals genetic variation in photosynthetic traits in durum wheat under drought. Plant Cell Environ. 44 (9), 2858-2878 (2021).
  34. Barrett, T., et al. data.table: Extension of `data.frame`. , https://cran.r-project.org/web/packages/data.table/index.html (2025).
  35. Roth, L., et al. The FIP 1.0 Data Set: Highly resolved annotated image time series of 4,000 wheat plots grown in 6 years. GigaScience. 14, giaf051(2025).
  36. Leroy, V., Cabon, Y., Revaud, J. Grounding Image Matching in 3D with MASt3R. Comp Vision - ECCV 2024. , 71-91 (2025).
  37. Knopf, O., et al. Field phenotyping of ten wheat cultivars under elevated CO2 seasonal differences in chlorophyll fluorescence, plant height and vegetation indices. Front Plant Sci. 14, 1304751(2024).
  38. Piepho, H. P., et al. One, two, three: Portable sample size in agricultural research. J Agri Sci. 160 (6), 459-482 (2022).
  39. Wu, A., Hammer, G. L., Doherty, A., von Caemmerer, S., Farquhar, G. D. Quantifying impacts of enhancing photosynthesis on crop yield. Nat Plants. 5 (4), 380-388 (2019).
  40. Duncan, W. G. Leaf Angles, Leaf Area, and Canopy Photosynthesis. Crop Sci. 11 (4), (1971).
  41. Stewart, D. W., et al. Canopy Structure, Light Interception, and Photosynthesis in Maize. Agronomy J. 95 (6), 1465-1474 (2003).
  42. Song, Q., Zhang, G., Zhu, X. G. Optimal crop canopy architecture to maximise canopy photosynthetic CO2uptake under elevated CO2 a theoretical study using a mechanistic model of canopy photosynthesis. Funct Plant Biol. 40 (2), 108-124 (2013).
  43. Ort, D. R., et al. Redesigning photosynthesis to sustainably meet global food and bioenergy demand. Proc Natl Acad Sci. 112 (28), 8529-8536 (2015).
  44. Ainsworth, E. A., Rogers, A., Nelson, R., Long, S. P. Testing the "source-sink" hypothesis of down-regulation of photosynthesis in elevated [CO2] in the field with single gene substitutions in Glycine max. Agri Forest Meteorol. 122 (1), 85-94 (2004).
  45. Ainsworth, E. A., Long, S. P. 30 years of free-air carbon dioxide enrichment (FACE): What have we learned about future crop productivity and its potential for adaptation. Global Change Biol. 27 (1), 27-49 (2021).
  46. Kaschuk, G., Hungria, M., Leffelaar, P. A., Giller, K. E., Kuyper, T. W. Differences in photosynthetic behaviour and leaf senescence of soybean (Glycine max [L.] Merrill) dependent on N2 fixation or nitrate supply. Plant Biol. 12 (1), 60-69 (2010).
  47. Keller, B., et al. Genotype Specific Photosynthesis x Environment Interactions Captured by Automated Fluorescence Canopy Scans Over Two Fluctuating Growing Seasons. Front Plant Sci. 10, 1482(2019).

重印与许可

标签

II LIFT GNSS
利用自主机器人在田间对作物植物光合效率进行高通量筛选
联系我们
向图书馆推荐

隐私

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。