Name: Cribado fotosintético de alto rendimiento en campo en plantas de cultivo mediante un robot autónomo (Video) | JoVE Journal
Uploaded: 2026-01-09T12:30:00.000+00:00
Duration: 7 min 12 s
Description: Aprenda a medir la eficiencia fotosintética en cultivos mediante un robot autónomo equipado con sensores LIFT. Este método no destructivo permite el fenotipado de alto rendimiento en campo para mejorar programas de mejoramiento.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

1. Configuración del sensor PPFR y del registrador de datos
<ol>
	<li>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.</li>
	<li>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.</li>
</ol>
2. Configuración del robot y el conjunto del sensor LIFT
<ol>
	<li>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.</li>
	<li>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).</li>
	<li>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.</li>
	<li>Coloca el kit de antena GNSS encima del robot, conéctalo al ordenador portátil y inicia el cliente de escritorio GNSS logger.</li>
	<li>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&gt;-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.</li>
</ol>
3. Realización de mediciones de LIFT
<ol>
	<li>Conduce manualmente el robot hasta el inicio de la primera fila de parcelas en el campo experimental usando el mando a distancia.</li>
	<li>Activa el script de medición del sensor LIFT y del espectrómetro en modo continuo.</li>
	<li>Inicia la navegación autónoma del robot a 0,5 m de velocidad s-1 usando la página web de control robot.</li>
	<li>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.</li>
	<li>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.</li>
</ol>
4. Integración y preprocesamiento de datos
NOTA: El código R está disponible en GitHub (https://github.com/beat2keller/lift_data_processing)
<ol>
	<li>Lee los datos transitorios y espectrales de LIFT de todos los *_data.csv y *_spectral.csv usando el paquete Rdata.table 34.</li>
	<li>Lee los datos GNSS y meteorológicos junto con los mapas gráficos .geojson y el diseño experimental.</li>
	<li>Combinar los conjuntos de datos y realizar análisis estadísticos, por ejemplo, como se describe enel 12 o más abajo.<ol>
		<li>Extrae Fq'/F m' de cada transitorio registrado.</li>
		<li>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.</li>
		<li>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).</li>
		<li>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.</li>
		<li>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.</li>
		<li>Corrige los datos brutos de reflectancia espectral basándose en la tabla de consulta.</li>
		<li>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 
		<img alt="Ecuación 1" src="/files/ftp_upload/69530/69530eq1v2.jpg" style="margin:0;" data-altupdatedat="1783400419000" data-alt="Equation 1"> donde Rλ denota la reflexión media en longitud de onda λ nm.</li>
		<li>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.</li>
		<li>Identifica y elimina filas con valores atípicos en F q'/F m' del conjunto de datos.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
</ol>

<table><tbody><tr><td>Trípode de cámara</td><td>-</td><td>-</td><td>Cualquier tipo en el que el sensor PPFR pueda montarse horizontalmente sirve.</td></tr><tr><td>Batería de coche (12 V / 80 Ah)</td><td>Mercedes-Benz Group AG, Stuttgart, Alemania</td><td>A 001 982 81 08</td><td>-</td></tr><tr><td>Registrador de datos</td><td>Registradores de datos HOBO, Bourne, EE.UU.</td><td>Estación HOBO U30, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/</td><td>-</td></tr><tr><td>Cliente de escritorio Data Logger</td><td>Onset Computer Corporation, Massachusetts, EE.UU.</td><td>HOBOware Versión 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware</td><td>-</td></tr><tr><td>Kit de antena GNSS</td><td>ArduSimple, Andorra la Vella, Andorra</td><td>AS-STARTKIT-LR-L1L2-EUNH-00</td><td>-</td></tr><tr><td>Cliente de escritorio GNSS logger</td><td>u-blox AG, Thalwil, Suiza</td><td>u-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</td><td>-</td></tr><tr><td>ordenador portátil&nbsp;</td><td>-</td><td>-</td><td>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.</td></tr><tr><td>Cliente de escritorio ensamblado de sensores LIFT</td><td>Soliense Inc., Nueva York, EE.UU.</td><td>Versión.2016.04</td><td>-</td></tr><tr><td>Conjunto sensor LIFT (completo con adaptador de red de 240 V)</td><td>Soliense Inc., Nueva York, EE.UU.</td><td>LIFT-REM</td><td>Además 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.). &nbsp; 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 &asymp; 23 y más veces; 34 y más veces; 59 cm (longitud y multiplicación por ancho y altura, tal como está montado en el robot).</td></tr><tr><td>inversor de potencia (12 V DC a 240 V 50 Hz CA)</td><td>Green Cell CSG S.A., Cracovia, Polonia</td><td>INV08</td><td>-</td></tr><tr><td>Banco de energía</td><td>-</td><td>-</td><td>Cualquier batería USB sirve.</td></tr><tr><td>Sensor PPFR</td><td>VAGABUNDO / LI-COR, Lincoln, EE.UU.</td><td>S-LIA-M003</td><td>-</td></tr><tr><td>Sitio web de control de robots</td><td>Caterra AG, Opfikon, Suiza</td><td>-</td><td>El enlace es proporcionado por el fabricante del robot individualmente para cada cliente.</td></tr><tr><td>Prototipo robot chasis (completo con mando a distancia y cargador de baterías de 240 V)</td><td>Caterra AG, Opfikon, Suiza</td><td>Firefly (prototipo, no comercializado), https://caterra.org/en/technologie/</td><td>Cualquier otro robot de campo con capacidad de carga útil, ancho de vía y altura libre adecuadas puede servir.</td></tr><tr><td>Panel de referencia blanco</td><td>-</td><td>-</td><td>Cualquier referencia blanca o gris sirve.</td></tr></tbody></table>

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

High-Throughput, In-Field Screening of Photosynthetic Efficiency in Crop Plants Using an Autonomous Robot

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 (R<img alt="Ecuación 10" src="/files/ftp_upload/69530/69530eq10v6.jpg" style="font-size: 14px; margin: 0px; margin-bottom: -5px;" data-altupdatedat="1783400419000" data-alt="Equation 10"> = 0,45, R<img alt="Ecuación 11" src="/files/ftp_upload/69530/69530eq11v6.jpg" style="font-size: 14px; margin: 0px; margin-bottom: -5px;" data-altupdatedat="1783400419000" data-alt="Equation 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.
<img alt="Figura 1" class="xfigimg" src="/files/ftp_upload/69530/69530fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig1large.jpg" target="_blank">Por favor, haz clic aquí para ver una versión ampliada de esta figura.</a>
<img alt="Figura 2" class="xfigimg" src="/files/ftp_upload/69530/69530fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig2large.jpg" target="_blank">Por favor, haz clic aquí para ver una versión ampliada de esta figura.</a>
<img alt="Figura 3" class="xfigimg" src="/files/ftp_upload/69530/69530fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig3large.jpg" target="_blank">Por favor, haz clic aquí para ver una versión ampliada de esta figura.</a>
<img alt="Figura 4" class="xfigimg" src="/files/ftp_upload/69530/69530fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig4large.jpg" target="_blank">Por favor, haz clic aquí para ver una versión ampliada de esta figura.</a>
<img alt="Figura 5" class="xfigimg" src="/files/ftp_upload/69530/69530fig5v2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig5large.jpg" target="_blank">Por favor, haz clic aquí para ver una versión ampliada de esta figura.</a>

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

Photosynthesis supplies energy not only for plant biomass production but also for symbiotic processes such as nitrogen (N) fixation. Whereas the potential ...

high-throughput-field-screening-photosynthetic-efficiency-crop-plants

Research

Investigación

JoVE Journal

Biology

Biología

Se presenta un método para la introducción, el seguimiento y el análisis cuantitativo de la expresión de GFP en las células vegetales. Este método utiliza un sistema diseñado a la robótica para la colección de imágenes semi-permanente de un gran número de muestras, con el tiempo. También demostrar el uso de ImageJ e ImageReady para el análisis de series de imágenes.

Robótica y Análisis de Imagen Dinámica de Estudios de la expresión génica en los tejidos vegetales

Este protocolo describe un proceso para la toma rápida de imágenes de plantas de semillero de Arabidopsis en respuesta a un estímulo de gravedad, utilizando escáneres planos disponibles en el mercado. El método permite barato, la captura de grandes volúmenes de imágenes de alta resolución susceptibles de algoritmos de análisis de aguas abajo.

El uso de escáneres planos para recopilar de alta resolución de duración transcurrido Imágenes de la gravitrópica Respuesta Arabidopsis Root

Una metodología de alto rendimiento, la producción de protoplastos de tabaco automatizado y se describe la transformación. El sistema robótico permite la expresión de genes masivamente paralelo y el descubrimiento en el sistema modelo BY-2 que debe ser traducible a los cultivos no modelo.

Una plataforma robótica para de alto rendimiento de protoplastos aislamiento y Transformación

Una pantalla de alto rendimiento de pequeñas moléculas sintéticas se llevó a cabo en las especies de plantas modelo Arabidopsis thaliana. Este protocolo, desarrollado para un robot de manejo de líquidos, aumenta la velocidad de pantallas genética química hacia delante, acelerando el descubrimiento de nuevas moléculas pequeñas que afectan a la fisiología vegetal.

Optimizar el uso de un Robot de manipulación de líquidos para llevar a cabo un alto rendimiento adelante química genética pantalla de Arabidopsis thaliana

Los nodos robóticos distribuidos proporcionan secuencias de estímulos de luz azul para dirigir las trayectorias de crecimiento de las plantas de escalada. Al activar el fototropismo natural, los robots guían a las plantas a través de decisiones binarias izquierda-derecha, creándolas en patrones predefinidos que, por contraste, no son posibles cuando los robots están inactivos.

Suministro de sensistes y de sinensistes para el crecimiento guiado de la planta

El protocolo introduce un método de alto rendimiento para medir la relajación del enfriamiento no fotoquímico mediante fluorometría de clorofila modulada por amplitud de pulso. El método se aplica a Glycine max cultivada en el campo y se puede adaptar a otras especies para detectar la diversidad genética o las poblaciones reproductoras.

Análisis de alto rendimiento del enfriamiento no fotoquímico en cultivos mediante fluorometría de clorofila modulada por amplitud de pulso

Describimos un enfoque para medir los cambios en la eficiencia fotosintética en plantas después del tratamiento con bajoCO2 utilizando fluorescencia de clorofila.

Evaluación de la eficiencia fotosintética en mutantes fotorrespiratorios mediante análisis de fluorescencia de clorofila

Reportamos procedimientos detallados para un método de estimación de biomasa de plantas invasoras que utiliza datos obtenidos de la teledetección de vehículos aéreos no tripulados (UAV) para evaluar la biomasa y capturar la distribución espacial de las especies invasoras. Este enfoque resulta muy beneficioso para llevar a cabo la evaluación de riesgos y la alerta temprana de plantas invasoras.

Estimación de biomasa basada en visión artificial para plantas invasoras

Aquí, describimos una herramienta avanzada diseñada para el monitoreo de la biosíntesis de clorofila durante las primeras etapas de la desetiolación de plántulas de Arabidopsis . La novedosa metodología proporciona imágenes no invasivas de fluorescencia de clorofila en tiempo real a alta resolución espacial y temporal.

Ensayo no invasivo para la determinación cinética de la biosíntesis de clorofila durante las primeras etapas de la desetiolación de Arabidopsis

Diseñamos un protocolo de fenotipado basado en imágenes para determinar las respuestas morfológicas y fisiológicas a tratamientos únicos y combinados de calor, sequía y encharcamiento. Este enfoque permitió la identificación de respuestas tempranas, tardías y de recuperación a nivel de toda la planta, particularmente en las partes aéreas, y destacó la necesidad de utilizar múltiples sensores de imagen.

Fenotipado basado en imágenes de alto rendimiento para determinar las respuestas morfológicas y fisiológicas a estreses simples y combinados en patata

Se presenta un método para la obtención de imágenes de plantas de bajo costo para medir los fenotipos, junto con las mejores prácticas para la captura de imágenes y una línea de análisis de imágenes para cuantificar los rasgos de las plantas. Estos métodos se aplicaron para medir los fenotipos del maíz (Zea mays) en condiciones de calor, sequía y estrés abiótico combinado.

Imágenes y análisis para cuantificar los fenotipos de estrés abiótico del maíz (Zea mays)

Aprenda a medir la eficiencia fotosintética en cultivos mediante un robot autónomo equipado con sensores LIFT. Este método no destructivo permite el fenotipado de alto rendimiento en campo para mejorar programas de mejoramiento.

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

Explorar más videos