Artículo de método

Cribado fotosintético de alto rendimiento en campo en plantas de cultivo mediante un robot autónomo

1K visualizaciones

⸱

DOI:

10.3791/69530

⸱

9 de enero de 2026

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

En este artículo

Resumen

Este manuscrito describe un enfoque no destructivo y de alto rendimiento para mediciones autónomas de campo de la eficiencia cuántica del fotosistema II, la reflectancia espectral y la arquitectura vegetal, permitiendo la fenotipificación fotosintética a gran escala del dosel en ensayos de campo agronómicos y de cría.

Resumen

La fotosíntesis suministra energía no solo para la producción de biomasa vegetal, sino también para procesos simbióticos como la fijación de nitrógeno (N). Aunque el potencial para mayores ganancias genéticas en productividad de los principales cultivos gracias a la mejora en la intercepción de la luz y el índice de cosecha se ha agotado en gran medida, la variación genética natural o inducida en los rasgos fotosintéticos sigue ofreciendo un potencial considerable para una mejora adicional del rendimiento. Sin embargo, dado que la fotosíntesis es altamente dinámica bajo condiciones de campo fluctuantes, es difícil realizar una selección dirigida para el rendimiento fotosintético a menos que se disponga de datos de alta resolución espacial y temporal. Para cerrar esta brecha, instalamos un dispositivo transitorio de fluorescencia inducida por luz (LIFT) en un robot de campo autónomo para medir la eficiencia cuántica del fotosistema II (Fq'/F m'), que se ha demostrado estar bien correlacionado con el rendimiento fotosintético global. El método LIFT utiliza destellos subsaturantes a una velocidad de repetición rápida para inducir la máxima fluorescencia, permitiendo mediciones en menos de 1 ms desde una distancia de hasta 1 m. El robot se mueve a una velocidad de 0,5 m s-1, navegando de forma autónoma por todo el campo según las coordenadas del sistema global de navegación por satélite (GNSS). Las mediciones espectrales y las cámaras estereoscópicas rojas, verdes y azules (RGB) proporcionan información adicional sobre rasgos tridimensionales (3D) relacionados con la arquitectura de la planta, como el ángulo de la hoja y la intensidad de la luz en la hoja objetivo. Los mapas de alta resolución espaciotemporal resultantes de la eficiencia fotosintética proporcionan información detallada sobre el rendimiento de crecimiento de las plantas en ensayos agronómicos de campo o viveros de mejoramiento vegetal.

Introducción

La fotosíntesis proporciona a las plantas no solo la base energética para la producción de biomasa y el mantenimiento de su propio metabolismo, sino también para la fijación de nitrógeno (N) enleguminosas 1 y otros procesossimbióticos 2. El potencial de rendimiento de cualquier cultivo depende de la proporción de la tasa de flujo fotonal fotosintético (PPFR) interceptada por el dosel (ε i), la proporción de esta radiación que realmente se utiliza en la fotosíntesis y se transforma en biomasa (εc), y la proporción de la energía de biomasa que se divide en el producto cosechado (εp)3. El εp puede fijarse igual al índice de cosecha (HI) si este último se define como la biomasa del producto cosechado dividida por la biomasa total de brotes y raíces3. Los esfuerzos de mejoramiento en el pasado se han centrado principalmente en aumentar εi y εc y han tenido mucho éxitoen ello: Por ejemplo, los genotipos modernos de cereales y leguminosas pueden alcanzar un εi del orden del 90% y un HI del orden del 60%3,4, dejando pocas perspectivas de aumentar aún más εi y εp3, 5. En cambio, los valores de εc observados en cultivos de C3 yC 4 rara vez superan un tercio del máximo teórico del 9,4% y 12,3%, respectivamente. Esto indica un gran potencial para aumentar aún más la productividad de los cultivos si εc puede incrementarse mediante la selección basada en la variación genética natural y/o la optimización dirigida de elementos del aparato de fotosíntesis, como la enzima ribulosa-1,5-bisfosfato carboxilasa/oxigenasa (RuBisCO), mediante ingenieríagenética 3,5,6,7. Sin embargo, se ha demostrado que i) la eficiencia fotosintética es altamente dinámica en condiciones de campo, ya que las plantas se adaptan constantemente a cambios de luz y otras covariablesambientales 8,9 ii) los rasgos fotosintéticos medidos en condiciones de estado estacionario (por ejemplo, en cámaras de crecimiento interiores con iluminación artificial10) muestran patrones de heredabilidad diferentes a la fotosíntesis no estacionaria observada enel campo 11. Esto limita la utilidad del fenotipado de fotosíntesis en interiores para la selección de genotipos de mayor rendimiento de cultivos alimentarios básicos que, en la práctica, generalmente se cultivan al aire libre en el campo. Como resultado, es difícil realizar una selección dirigida de rasgos fotosintéticos a menos que se disponga de datos de alta resolución espacial y temporal de un gran número de genotiposde cultivos 6,12. 

Intentos anteriores de realizar mediciones no destructivas de la fotosíntesis en campo se han basado en gran medida en dispositivos de medición portátiles de intercambiogaseoso 13,14,15 o modulación de fluorescencia clorofila (ChlF)16,17 tipo modulación de amplitud de pulso (PAM)16,17. Estos enfoques comparten la desventaja de que las medidas deben ser clipeadas manualmente o colocadas en una cámarade medición 18,19. Además, las mediciones de intercambio de gases en el campo tardan varios minutos en asegurar un equilibrio en la cámara de medición. Esto hace que las mediciones sean laboriosas y lentas, lo que resulta en grandes dificultades para lograr un rendimiento suficiente para estudiar la regulación fotosintética bajo condiciones fluctuantes en general, y especialmente para un cribado significativo de cientos o incluso miles de genotipos en programasde mejoramiento 19. Al igual que los dispositivos de medición PAM ChlF mencionados17, el método del transitorio de fluorescencia inducida por luz (LIFT) 20 utiliza el hecho de que i) la energía lumínica que llega a la clorofila en el fotosistema II (PS II) puede usarse para la fotosíntesis, disipada como calor en un proceso llamado temple no fotoquímico (NPQ) o por ChlF y ii) bloquear la vía de la fotosíntesis mediante la saturación de un pulso de luz fuerte que resulta en la reducción de los aceptores de electrones aguas abajo de PS II resultará en un aumento correspondiente de ChlF. Basándonos en esta variable inducida ChlF, podemos calcular la eficiencia cuántica fotosintética de PS II (Fq'/F m') bajo condiciones de luz ambiente o la máxima eficiencia cuántica de PS II (Fv/F m) si las hojas se mantenían a oscuras antes de las medidas.

El parámetro Fv/F m fue establecido a principios de los años 80 por Kitajima y Butler21, Butler22, y Björkman y Demmig23, quienes reportaron un valor óptimo de ≈ 0,83 en hojas no estresadas en especies diversas. El desarrollo de Fq'/F m' (ΦPS II) como diagnóstico del rendimiento fotosintético comenzó con Genty et al.24, quienes demostraron su relación casi lineal con la asimilación de CO2 en condiciones no estresadas. Maxwell y Johnson25 y Baker26 proporcionaron posteriormente un marco práctico para aplicar Fq'/Fm', Fv/F m y NPQ, enfatizando su sensibilidad al estrés ambiental y su valor para identificar síntomas de daño como la fotoinhibición. Murchie yLawson 27 destacaron el potencial (y las limitaciones) de Fq'/F m' para el fenotipado de campos y la mejora de cultivos. Más recientemente, Long et al.8 destacaron que la fotosíntesis en cultivos ocurre bajo luz fluctuante, donde los cambios dinámicos en la eficiencia del PS II y la regulación del NPQ afectan fuertemente a la ganancia de carbono, subrayando la necesidad de interpretar los parámetros de fluorescencia en relación con la variabilidad temporal ambiental.

Como ya se ha indicado en28, Fq'/F m' medido con un sensor LIFT estacionario correlacionó bien con las mediciones de PAM (R2 = 0,89) y la tasa de asimilación de CO2 (R2 = 0,89)29,30,31. En línea con esto, modelar las respuestas Fq'/F m' durante las temporadas de campo ha demostrado permitir buenas predicciones de εc, productividad de cultivos12,32 y tolerancia alestrés 33. Sin embargo, los dispositivos de medición de ChlF tipo PAM utilizan un solo destello de luz (pulso saturador) para inhibir la vía de la fotosíntesis y destellos más débiles para medir la ChlF mínima y máxima (pulso de medición), que tarda aproximadamente 1 s en total y, por tanto, no es adecuado para un rendimiento muy alto. En cambio, el sensor LIFT produce una secuencia rápida de 300 flashlets de alta intensidad (con 40.000 μmol fotones m-2 s-1) para lograr una saturación gradual de la vía de la fotosíntesis dentro de 750 μs (= 0,00075 s) mientras que el rendimiento de ChlF se midediscretamente 20. Esto permite una mayor distancia entre el dispositivo de medición y la hojaobjetivo 19 y permite mediciones rápidas y de alto rendimiento utilizando un vehículo portador autónomo sobre el que el sensor está montadorígidamente 32. Estudios previos (por ejemplo, 32) a menudo tenían un rendimiento limitado en condiciones de campo o se limitaban a experimentos en invernadero. Aunque estos enfoques tuvieron éxito en la identificación de genes candidatos para la regulaciónfotosintética 12, probablemente pasaron por alto procesos regulatorios importantes que ocurrían en condiciones de campo. Por lo tanto, planteamos la hipótesis de que un sensor LIFT montado en un robot autónomo constituye una herramienta adecuada para medir Fq'/F m' de un gran número de genotipos (varias mediciones por segundo en miles de plantas o parcelas al día) en el campo.

Protocolo

1. Configuración del sensor PPFR y del registrador de datos

  1. Conecta el sensor PPFR y la batería externa al registrador de datos. Conecta el registrador de datos al ordenador portátil y arranca el registrador de datos usando el cliente de escritorio del registrador de datos.
  2. Instala el trípode de la cámara junto al campo experimental con el sensor PPFR arriba y el registrador de datos y la batería externa en el suelo abajo.
    NOTA: Asegúrate de que el sensor PPFR esté en posición vertical y no esté sombreado ni afectado por ningún objeto cercano. El sensor PPFR necesitaría un cardán si se montara directamente al robot para medir valores PPFR precisos.

2. Configuración del robot y el conjunto del sensor LIFT

  1. Carga las coordenadas del punto de paso (formato .geojson) para la medición en el robot. Pueden ser las mismas que las utilizadas para la siembra guiada por GNSS del ensayo.
  2. Montar el conjunto del sensor LIFT en la parte frontal del robot a una altura de unos 60 cm sobre la copa del cultivo (véase la Figura 1A).
  3. Coloca el ordenador portátil, la batería del coche y el inversor de potencia encima del robot y conecta el inversor de potencia a la batería del coche y al conjunto del sensor LIFT.
    PRECAUCIÓN: El haz de excitación del sensor LIFT es peligroso para los ojos. Observar directamente al haz de excitación debe evitarse estrictamente.
  4. Coloca el kit de antena GNSS encima del robot, conéctalo al ordenador portátil y inicia el cliente de escritorio GNSS logger.
  5. Conecta el sensor LIFT al ordenador portátil y inicia el cliente de escritorio LIFT con los siguientes ajustes:
    Sensor de sustentación: potencia de excitación = 40.000 μmol fotones m>-2 s-1; longitud del flashlet = 1,6 μs; número de flashes de excitación por medición individual = 300; número de flashlets de relajación = 80; tiempo entre flashes de excitación = 2,5 μs; Tiempo entre flashlets de relajación: ji = 101,28 + 0,0215 × i μs, donde ji es la longitud del intervalo del i-ésimo flashlet; ganancia del sensor = 10 o 25; intervalo de medición = 0 s.
    Espectrómetro: tiempo de integración espectral = 100 ms, rango espectral de 400 a 800 nm.
    Cámaras RGB: exposición = automática; obturador = automático; ganancia = automática; brillo = 0; Tasa de fotogramas = 20 S-1; modo de disparo = permitido (activa la cámara en cada medición de LIFT).
    NOTA: La cantidad medida directamente por el sensor LIFT es el rendimiento de ChlF (aumento del ChlF total debido al haz de excitación para cada flash20). Luego, calculamos Fq'/F m' como
    Fq'/F m' = (Fm' - F') / Fm' 26
    donde F' se define como el rendimiento ChlF delprimer flashlet y Fm' como el promedio de los rendimientos ChlF del 301st y el 302ndflashlet 28. La duración total de una medición de ChlF (incluida la fase de relajación) es de unos 21 ms, pero la duración de la crucial fase de excitación de 300 flashlets es solo de 750 μs.

3. Realización de mediciones de LIFT

  1. Conduce manualmente el robot hasta el inicio de la primera fila de parcelas en el campo experimental usando el mando a distancia.
  2. Activa el script de medición del sensor LIFT y del espectrómetro en modo continuo.
  3. Inicia la navegación autónoma del robot a 0,5 m de velocidad s-1 usando la página web de control robot.
  4. Durante la medición, revisa periódicamente el gráfico que representa el rendimiento de ChlF a lo largo del tiempo en el cliente de escritorio del conjunto de sensores LIFT para confirmar que tiene la forma esperada (véase la Figura 1B). Ajusta la ganancia del sensor si las señales son demasiado débiles.
  5. Periódicamente, sostiene el panel de referencia blanco bajo el haz de excitación a la altura del dosel del cultivo mientras el robot gira en el borde del campo.

4. Integración y preprocesamiento de datos

NOTA: El código R está disponible en GitHub (https://github.com/beat2keller/lift_data_processing)

  1. Lee los datos transitorios y espectrales de LIFT de todos los *_data.csv y *_spectral.csv usando el paquete Rdata.table 34.
  2. Lee los datos GNSS y meteorológicos junto con los mapas gráficos .geojson y el diseño experimental.
  3. Combinar los conjuntos de datos y realizar análisis estadísticos, por ejemplo, como se describe enel 12 o más abajo.
    1. Extrae Fq'/F m' de cada transitorio registrado.
    2. Une cada punto GNSS a su gráfico correspondiente basado en polígonos .geojson usando contención espacial. No olvides tener en cuenta la distancia entre el conjunto del sensor LIFT y la antena GNSS del robot.
    3. Determina el rumbo del robot a partir de posiciones consecutivas. Fusiona el diseño experimental con los datos GNSS mediante los identificadores de gráfico asignados.
      NOTA: Este paso vincula cada posición espacial con la información correspondiente de tratamiento (por ejemplo, genotipo) y replicación (por ejemplo, bloque).
    4. Combina los datos de alta resolución del sensor PPFR con los datos PPFR de baja resolución de la estación meteorológica más cercana para producir una serie temporal PPFR incidente fusionada (opcional).
      NOTA: Los datos meteorológicos de baja resolución para Suiza pueden derivarse de la red agrometeo.ch (https://agrometeo.ch/de) descrita enel 35.
    5. Filtra las mediciones de referencia blanca del conjunto de datos de reflectancia espectral y combínalas con los datos PPFR usando marcas de tiempo para crear una tabla de consulta para la reflectancia espectral bajo diferentes intensidades de luz incidente como se describe en28.
    6. Corrige los datos brutos de reflectancia espectral basándose en la tabla de consulta.
    7. Calcular el índice de clorofila terrestre (MTCI) de MERIS y el índice de vegetación de diferencias normalizadas (NDVI) a partir de los datos corregidos de reflectancia espectral utilizando las fórmulas
      Ecuación 1
      donde Rλ denota la reflexión media en longitud de onda λ nm.
    8. Fusiona los datos de ChlF, posición/diseño experimental GNSS y PPFR/reflectancia espectral realizando una unión de vecino más cercano con una ventana de tolerancia definida (por ejemplo, 1 ms) basada en marcas de tiempo.
    9. Identifica y elimina filas con valores atípicos en F q'/F m' del conjunto de datos.
    10. Extraer las tendencias de respuesta fotosintética específicas del genotipo (G: PPFR) de los datos corrigidos por valores atípicos de ChlF ajustando el modelo
      Fq'/F m' = β0 + β1 Fecha + β2 (Encabezado x Hora) + β3 (Genotipo × PPFR) + β4 MTCI + β5 PPFR + ε
      al conjunto de datos filtrado por valores atípicos.
    11. Estima la pendiente (β3) del término predictor (Genotipo × PPFR) utilizando tendencias marginales estimadas (tendencias en R) para obtener una medida cuantitativa de la respuesta específica del genotipo a la irradiancia. Incluir el MTCI en el modelo tiene en cuenta las diferencias en el contenido de clorofila y el estado del dosel que influyen en Fq'/F m' como se describióanteriormente 12.
      NOTA: Dirección indica la dirección de conducción del robot (derivada de los rodamientos GNSS en el paso 4.3.3) para tener en cuenta los posibles efectos direccionales durante las mediciones.

Resultados

En total, se realizaron 91.205 mediciones transitorias de ChlF de 36 líneas de reproducción de soja (Glycine max (L.) Merr.) en 7 días de medición del 12 al 27 de junio de 2025. Se pudieron georreferenciar 74.927 puntos de datos a gráficos, y 58.916 fueron filtrados para garantizar la calidad de los datos y se emparejaron con éxito con datos espectrales y meteorológicos. Una visión general del montaje de la medición y datos representativos se muestra en la Figura 1, incluyendo una imagen del instrumento en funcionamiento (Figura 1A), la cinética de inducción de ChlF a través de 12 genotipos de soja (Figura 1B) y las curvas de reflectancia espectral correspondientes (Figura 1C).

Los datos georreferenciados revelaron una marcada variación espacial tanto en Fq'/Fm' como en NDVI entre los dos campos experimentales (Figura 2). Estos patrones espaciales estaban parcialmente asociados con la dirección de conducción del robot (Figura 3), que por ello se tuvo en cuenta en modelados posteriores para reducir los posibles efectos del sombreado en las hojas objetivo.

El modelado lineal de efectos mixtos de las respuestas de Fq'/F m' a PPFR incidente (Figura 4A) explicó una proporción sustancial de la varianza (REcuación 10 = 0,45, REcuación 11 = 0,60). Las pendientes específicas del genotipo extraídas (Respuesta G: PPFR) mostraron diferencias claras entre las líneas de cría (Figura 4B), con varias líneas que presentaron curvas de respuesta más pronunciadas o más planas en comparación con la media del panel (Figura 4C).

Finalmente, las reconstrucciones 3D a nivel de dosel derivadas de la imagen RGB y el algoritmo Matching And Stereo 3D Reconstruction (MASt3R)36 (Figura 5) demostraron el potencial de integrar mediciones fisiológicas basadas en LIFT con fenotipado estructural para capturar la arquitectura del dosel en tres dimensiones.

Figura 1
Figura 1: Visión general de las mediciones de transitorios de fluorescencia inducida por luz (LIFT) y reflectancia espectral para genotipos de soja. (A) Imagen de ejemplo del dispositivo LIFT en funcionamiento. La entrada muestra el haz de excitación azul para inducir la fluorescencia de clorofila (ChlF). (B) Curvas de inducción transitorias de ChlF medidas el 27 de junio de 2025 para 12 genotipos de soja (media ± DS, n entre 88 y 553 por genotipo, ntotal = 2.035). (C) Espectros correspondientes de reflectancia foliar medidos el 25 de junio de 2025 para los mismos genotipos (media ± SE, ntotal = 2.035). Los colores indican genotipos individuales; Las barras de error representan la variación entre mediciones replicadas. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 2
Figura 2: Distribución espacial de la eficiencia cuántica del fotosistema II y valores del índice de vegetación diferencial normalizada (NDVI). Se midió la distribución espacial de la eficiencia cuántica (superior) del fotosistema II (Fq'/Fm') y los valores del índice de diferencia normalizada de vegetación (NDVI) (inferior) en dos campos experimentales de soja que comprenden 120 parcelas y 36 líneas de reproducción (n = 58.916). Los puntos representan los lugares de medición, con colores que indican el valor observado y formas que indican la dirección del robot: noroeste (NO), noreste (NE), suroeste (SO) y sureste (SE). Las líneas negras delimitan los límites de las parcelas de campo. Los puntos negros representan las coordenadas del sistema global de navegación por satélite (GNSS) del robot de campo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 3
Figura 3: Eficiencia cuántica del fotosistema II. Los diagramas de caja muestran la eficiencia cuántica del fotosistema II (Fq'/F m') y el logaritmo de la irradiancia incidente a 680 nm a lo largo de las horas de medición (9 - 15 h) tanto para la dirección del rover hacia el noreste (NE) como hacia el suroeste (SW) hacia el rover (nhacia NE-ward = 14.339, nSE-ward = 25.669, n total = 40.008). El robot estaba sombreando el punto de medición mientras se dirigía hacia el suroeste por la mañana y hacia el noreste por la tarde. Cada cuadro representa el rango intercuartílico (IQR), con la línea horizontal y los bigotes indicando respectivamente los límites medianos y 1,5 × IQR. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 4
Figura 4: Pendientes de respuesta fotosintética. (A) Variación espacial en las pendientes estimadas de respuesta fotosintética (interacción entre genotipo y tasa de flujo fotonático fotosintético (G: PPFR)) entre dos campos experimentales de soja, derivada de modelado lineal de efectos mixtos. (B) Ajustó las medias y estimó en modelos las pendientes de respuesta fotosintética para líneas de reproducción individuales, mostrando los genotipos de interés destacados en color. (C) Relación entre PPFR incidente y la eficiencia cuántica del fotosistema II (Fq'/F m') para los genotipos destacados, con curvas de regresión de raíz cuadrada ajustadas. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 5
Figura 5: Medición de la arquitectura del dosel por LIFT. Se muestra la arquitectura del dosel de la variedad de soja Gallec. (A) Las cámaras roja, verde y azul (RGB) del dispositivo transitorio de fluorescencia inducida por luz (LIFT) adquirieron imágenes durante el cribado para la fotosíntesis. (B, C) El algoritmo de reconstrucción 3D estéreo y emparejamiento (MASt3R)36 se utilizó para reconstruir la arquitectura de dosel 3D. Las pirámides indican las posiciones estimadas de las cámaras. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Discusión

Rendimiento del método

El método LIFT permite una distancia de medición mucho mayor entre el sensor y las hojas objetivo que los dispositivos anteriores de intercambio de gases y medición de ChlFtipo PAM 18,19, lo que a su vez permite realizar mediciones automatizadas de alto rendimiento tanto en el campo como en entornosinteriores 12,32,37 . Esto elimina la necesidad de interacción física con el dosel. El rendimiento del método aumenta con la velocidad de conducción del robot. Para asegurar una medición precisa del rendimiento de ChlF a lo largo del tiempo, la distancia recorrida durante una medición Fq'/F m' debe permanecer insignificante en comparación con el diámetro del área iluminada (20 mm para el sensor LIFT). Cuando el robot se mueve durante la excitación, el punto iluminado también se desplaza, de modo que el rendimiento de ChlF por flash disminuye, lo que finalmente provoca estimaciones erróneas de Fm' y Fq'/F m' a velocidades excesivas. A una velocidad robótica de 0,5 m s-1, solo alrededor del 2,4% del área iluminada por el último flash de excitación no estaba ya iluminada por el primer flash de excitación, lo que significa que el error sistemático de medición en Fm' debido al movimiento del robot será numéricamente insignificante (cálculo completo en GitHub, https://github.com/beat2keller/lift_data_processing). A una velocidad de 0,5 m s-1, medimos 300 parcelas (1,5 × 2 m) por hora en un campo de 40 × 36 m, lo que corresponde a varios miles de parcelas por día. Además, el peso total relativamente bajo (200 kg) y las dimensiones compactas de nuestro sistema de medición permiten el transporte por vehículos ligeros, facilitando ensayos multisitio para evaluar la eficiencia fotosintética enentornos 38.

Fotosíntesis foliar frente a dosel

Las mediciones LIFT en este método están espacialmente restringidas a la capa superior iluminada por el sol del dosel, que es responsable de aproximadamente el 50% al 70% de lafotosíntesis total 39. Además, la cantidad de luz que cada hoja puede absorber depende críticamente de su ángulo respecto al sol, siendo hojas más verticales que generalmente aumentan el índice de área foliar, mejorando la penetración de luz y la fotosíntesis deldosel 40,41. Con el conjunto de sensores LIFT utilizado en este método, los efectos de la arquitectura de dosel 3D en la fotosíntesis de una sola hoja o de todo el dosel pueden modelarse usando las mediciones de reflectancia del espectrómetro28 y/o una reconstrucción explícita de la geometría 3D de la cúpula42 basada en las imágenes del sistema de cámaras RGB estereoscópicas. Nuevos algoritmos, como MASt3R36, aprenden correspondencias de características densas y conscientes de la geometría usando transformadores profundos, permitiendo una reconstrucción 3D más robusta y precisa en regiones amplias o repetitivas. Sin embargo, incluso sin tales correcciones adicionales, se ha demostrado la utilidad de métodos automatizados y de alto rendimiento, como el LIFT, para identificar variedades de cultivos más productivas yresilientes11,43.

Limitación del sumidero

La limitación de supurio, es decir, la regulación activa a la baja de la fotosíntesis debido a la incapacidad de la planta para utilizar la cantidad de fotosintetatos que podría producir44,45, puede enmascarar diferencias en εc entre genotipos. La regulación a la baja limitada por sumideros de la fotosíntesis probablemente se acentúa con el aumento de la concentración deCO2 en laatmósfera 45. Nuestro método solo puede detectar limitaciones de hundimiento cuando también conduce a una disminución en Fq'/F m'; Hay indicios de que esto puede ocurrir46. En cualquier caso, la relevancia de la limitación de sumidero parece depender fuertemente del cultivo y de la etapa de desarrollo, siendo el trigo durante el relleno de grano mucho más afectado que las legumbres45 de grano, ya que la fijación simbiótica de N de estos últimos constituye un sumidero adicional fuerte 1,44,46. Si se espera que la limitación de sumideros sea de alta relevancia en un cultivo específico durante el periodo en que se realizan las mediciones LIFT, se necesitan estudios adicionales para comparar los valores resultantes de Fq'/F m' con los datos de intercambio gaseoso recogidos simultáneamente y comprobar la validez de la suposición de que Fq'/F m' constituye un buen indicador para εc.

Distancia de medición y variabilidad en la altura del dosel

El conjunto de sensores LIFT utilizado en este método está diseñado para realizar mediciones desde una distancia aproximada de 60 cm hasta el doselde cultivo 32,47. El sensor LIFT utilizado en el método es bastante robusto frente a pequeñas diferencias en la distancia de medición, pero una distancia de medición mayor generalmente parece dar lugar a valores algo menores de Fq'/F m'47. Para evitar tal sesgo, recomendamos usar la respuesta de Fq'/F m' a PPFR (que es más robusta a los cambios en la distancia de medición) en lugar de los valores absolutos de Fq'/F m' como en12 y/o para tener en cuenta explícitamente las diferencias en la altura de la cúpula durante el análisis de datos.

Sombra artificial no intencionada de las hojas

El aumento de la intensidad de la luz generalmente disminuye Fq'/F m'3,8,12. Por tanto, se debe evitar sombreado innecesario por parte de los operadores o del montajede medición 3,8,12. Para minimizar el sombreado del robot, la dirección de conducción puede establecerse para evitar que sea completamente32 (a costa de reducir el rendimiento debido a viajes de ida y vuelta improductivos), o se pueden tomar mediciones en direcciones alternas y luego corregirse estadísticamente para efectos de sombreado. En este estudio, el término Rumbos × Hora dentro del modelo estadístico de Fq'/F m' (véase el paso 4.3.10) garantiza que se tenga en cuenta el sombreado de las hojas del objetivo por parte del robot.

Conclusión

En resumen, un sensor LIFT montado en un robot autónomo permite mediciones rápidas y automatizadas de la eficiencia fotosintética en condiciones de campo, superando las limitaciones de rendimiento de enfoques anteriores. Aunque factores como la estructura del dosel y la limitación del sumidero requieren una consideración cuidadosa, nuestros resultados demuestran que son factibles cribados de fotosíntesis fiables y escalables en ensayos de campo agronómicos y viveros de mejoramiento vegetal. El conjunto de un sistema de cámara RGB estéreo de alta resolución y el LIFT como sensor puntual permitirá un aumento adicional de la precisión: la localización 3D impulsada por IA permitirá muestrear hojas con una orientación similar hacia el sol y tener en cuenta la inclinación específica de las hojas por genotipo. Desde una perspectiva investigadora, puede ser especialmente interesante comparar la fotosíntesis de genotipos con diferentes arquitecturas de dosel y realizar mediciones de elevación de alto rendimiento bajo enriquecimiento de CO 2 en aire libre (FACE) para comprender mejor cómo Fq'/F m' se ve afectado por procesos aguas abajo de PS II bajo condiciones de campo y posibles limitaciones de sumidero. En la práctica, el cribado para el rendimiento fotosintético y la tolerancia al esfuerzo en viveros de cría hasta el campo del agricultor para aplicaciones de agricultura de precisión tiene un gran potencial.

Divulgaciones

El robot utilizado en este estudio fue desarrollado por Caterra AG, una empresa originaria del grupo de investigación de Ciencia de Cultivos de la ETH Zurich, al que están afiliados la mayoría de los autores del presente artículo. Sin embargo, los autores no están directamente implicados en el desarrollo del robot y no declaran intereses en competencia adicional.

Agradecimientos

Agradecemos a Caterra AG por proporcionar el chasis del robot, el soporte técnico asociado y la ayuda en su conversión para nuestras mediciones. Agradecemos a Nicola Storni, del grupo de investigación en Ciencia de Cultivos del Instituto Federal Suizo de Tecnología de Zúrich, su apoyo en la instalación del sistema de registro de posición GNSS en el robot. Un agradecimiento especial a Christoph Barendregt de DSP Delley Seeds y a Claude-Alain Bétrix de Agroscope por proporcionar material vegetal de la colaboración Agroscope/DSP para los ensayos dentro del proyecto PhenoSoy, financiado por la Oficina Federal de Agricultura (FOAG). El método se desarrolló dentro del proyecto Incrementando la sostenibilidad y la eficiencia en el uso de nitrógeno mejorando guisantes para la rotación de cultivos (ECOPRot), financiado por el centro ETH World Food System gracias a una donación de Bayer AG y un Premio a la Semilla Profesional de ETH Zurich. Se usaron en parte grandes modelos de lenguaje para ayudar con la codificación y la redacción. Todos los resultados fueron revisados, verificados y finalizados por los autores.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Trípode de cámara--Cualquier tipo en el que el sensor PPFR pueda montarse horizontalmente sirve.
Batería de coche (12 V / 80 Ah)Mercedes-Benz Group AG, Stuttgart, AlemaniaA 001 982 81 08-
Registrador de datosRegistradores de datos HOBO, Bourne, EE.UU.Estación HOBO U30, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/-
Cliente de escritorio Data LoggerOnset Computer Corporation, Massachusetts, EE.UU.HOBOware Versión 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware-
Kit de antena GNSSArduSimple, Andorra la Vella, AndorraAS-STARTKIT-LR-L1L2-EUNH-00-
Cliente de escritorio GNSS loggeru-blox AG, Thalwil, Suizau-center GNSS, [sic] Software de Evaluación Versión 25.03, https://content.u-blox.com/sites/default/files/documents/u-center-25.03_ReleaseNote_UBXDOC-304424225-19688.pdf-
ordenador portátil --Cualquier ordenador portátil que ejecute una versión de Windows (Microsoft Corporation, Redmond, EE.UU.) compatible con los clientes de escritorio GNSS y data logger sirve.
Cliente de escritorio ensamblado de sensores LIFTSoliense Inc., Nueva York, EE.UU.Versión.2016.04-
Conjunto sensor LIFT
(completo con adaptador de red de 240 V)		Soliense Inc., Nueva York, EE.UU.LIFT-REMAdemás del sensor LIFT propiamente dicho, el conjunto del sensor LIFT incorpora un sistema de cámara estéreo RGB compuesto por dos cámaras Blackfly S BFS-U3-50S5C suministradas por FLIR Integrated Imaging Solutions Inc. (Columbia Británica, Canadá) [ahora Teledyne FLIR LLC, Wilsonville, EE.UU.] y un espectrómetro de 400 a 800 nm con una resolución de 0,46 nm suministrado por Ocean Insight, [Ahora Ocean Optics] (Orlando, EE.UU.).
  El robot mide &asínpico; 170 y más veces; 210 y horas; 90 cm (longitud y multiplicado por ancho y altura) y peso y asíncrona; 170 kg. El conjunto del sensor LIFT mide ≈ 23 y más veces; 34 y más veces; 59 cm (longitud y multiplicación por ancho y altura, tal como está montado en el robot).
inversor de potencia
(12 V DC a 240 V 50 Hz CA)		Green Cell CSG S.A., Cracovia, PoloniaINV08-
Banco de energía--Cualquier batería USB sirve.
Sensor PPFRVAGABUNDO / LI-COR, Lincoln, EE.UU.S-LIA-M003-
Sitio web de control de robotsCaterra AG, Opfikon, Suiza-El enlace es proporcionado por el fabricante del robot individualmente para cada cliente.
Prototipo robot chasis
(completo con mando a distancia y
cargador de baterías de 240 V)		Caterra AG, Opfikon, SuizaFirefly (prototipo, no comercializado), https://caterra.org/en/technologie/Cualquier otro robot de campo con capacidad de carga útil, ancho de vía y altura libre adecuadas puede servir.
Panel de referencia blanco--Cualquier referencia blanca o gris sirve.

Referencias

  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).

Reimpresiones y permisos

Etiquetas

Robot de campofluorescencia de la clorofilaeficiencia cu nticafotosistema IIsensor LIFTfenotipado de cultivosreflectancia espectralnavegaci n GNSSfitomejoramiento de la soja
Cribado fotosintético de alto rendimiento en campo en plantas de cultivo mediante un robot autónomo
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.