Article de méthode

Criblage à haut débit et sur le terrain de l’efficacité photosynthétique dans les plantes agricoles à l’aide d’un robot autonome

1K vues

⸱

DOI :

10.3791/69530

⸱

9 janvier 2026

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

Dans cet article

Résumé

Ce manuscrit décrit une approche non destructive et à haut débit pour les mesures autonomes de champ de l’efficacité quantique du photosystème II, de la réflectance spectrale et de l’architecture des plantes, permettant un phénotypage photosynthétique à grande échelle de la canopée lors d’essais agronomiques et de reproduction sur le terrain.

Résumé

La photosynthèse fournit de l’énergie non seulement pour la production de biomasse végétale, mais aussi pour des processus symbiotiques tels que la fixation de l’azote (N). Alors que le potentiel de gains génétiques supplémentaires en productivité des principales cultures grâce à l’amélioration de l’interception lumineuse et de l’indice de récolte a été largement épuisé, la variation génétique naturelle ou induite des caractères photosynthétiques offre encore un potentiel considérable pour une amélioration du rendement. Cependant, comme la photosynthèse est très dynamique dans des conditions de champ fluctuantes, il est difficile de réaliser une sélection ciblée pour la performance photosynthétique à moins que des données à haute résolution spatiale et temporelle ne soient disponibles. Pour combler cet écart, nous avons installé un dispositif transitoire de fluorescence induit par la lumière (LIFT) sur un robot de terrain autonome pour mesurer l’efficacité quantique du photosystème II (Fq'/F m'), qui s’est avéré bien corrélé à la performance globale de la photosynthèse. La méthode LIFT utilise des flashs sous-saturés à un débit de répétition rapide pour induire une fluorescence maximale, permettant des mesures en moins de 1 ms à une distance allant jusqu’à 1 m. Le robot se déplace à une vitesse de 0,5 m s-1, naviguant de manière autonome sur l’ensemble du terrain selon les coordonnées du système global de navigation par satellite (GNSS). Les mesures spectrales et les caméras stéréo rouge, verte et bleue (RGB) fournissent des informations supplémentaires sur les caractéristiques tridimensionnelles (3D) liées à l’architecture des plantes, telles que l’angle de la feuille et l’intensité lumineuse sur la feuille cible. Les cartes à haute résolution spatiotemporale de l’efficacité photosynthétique qui en résultent fournissent des informations détaillées sur la performance de croissance des plantes lors d’essais agronomiques sur le terrain ou de pépinières de sélection végétale.

Introduction

La photosynthèse fournit aux plantes non seulement la base énergétique nécessaire à la production de biomasse et au maintien de leur propre métabolisme, mais aussi à la fixation de l’azote (N) dans leslégumineuses 1 et à d’autres processussymbiotiques 2. Le potentiel de rendement d’une culture dépend de la proportion de flux photonique photosynthétique (PPFR) interceptée par la canopée (ε i), de la proportion de ce rayonnement réellement utilisé en photosynthèse et transformé en biomasse (εc), ainsi que de la proportion d’énergie biomasse qui est répartie dans le produit récolté (εp)3. Le εp peut être fixé égal à l’indice de récolte (HI) si ce dernier est défini comme la biomasse du produit récolté divisée par la biomasse totale de pousses et deracines 3. Les efforts de sélection passés se sont principalement concentrés sur l’augmentation de ε i et εc et ont été trèsefficaces 3 : Par exemple, les génotypes modernes des légumineuses céréales et céréales peuvent atteindre un εi de l’ordre de 90 % et un HI de l’ordre de 60 %, laissant peu de perspectives d’augmenter davantage εi et εp3, 5. En revanche, les valeurs de εc observées dans les cultures de C3 etC 4 dépassent encore rarement un tiers du maximum théorique de 9,4 % et 12,3 %, respectivement. Cela indique un grand potentiel d’augmentation supplémentaire de la productivité des cultures si εc peut être augmenté par sélection basée sur la variation génétique naturelle et/ou l’optimisation ciblée d’éléments de l’appareil photosynthétique, tels que l’enzyme ribulose-1,5-bisphosphate carboxylase/oxygénase (RuBisCO), par le biais du géniegénétique 3,5,6,7. Cependant, il a été démontré que i) l’efficacité photosynthétique est très dynamique dans les conditions de champ, car les plantes s’adaptent constamment à la lumière changeante et à d’autres covariablesenvironnementales 8,9 ii) les traits photosynthétiques mesurés en conditions d’état stationnaire (par exemple, dans des chambres de croissance intérieures avec éclairageartificiel 10) présentent des schémas d’héritabilité différents de la photosynthèse non permanente observée sur leterrain 11. Cela limite l’utilité du phénotypage de la photosynthèse en intérieur pour la sélection de génotypes à rendement élevé des cultures alimentaires de base qui, en pratique, sont généralement cultivées en plein air sur le terrain. En conséquence, il est difficile de mener une sélection ciblée pour les caractères photosynthétiques à moins que des données à haute résolution spatiale et temporelle issues d’un grand nombre de génotypes de cultures ne soient disponibles 6,12. 

Les tentatives passées de réaliser des mesures non destructives de la photosynthèse sur le terrain se sont largement appuyées sur des dispositifs portatifs d’échange gazeux 13,14,15 ou de modulation d’amplitude impulsionnelle (PAM) de type fluorescence chlorophylle (ChlF)16,17. Ces approches ont l’inconvénient commun que les mesures doivent être découpées manuellement ou positionnées dans une chambrede mesure 18,19. De plus, les mesures d’échange gazeux sur le terrain prennent plusieurs minutes pour assurer un équilibre dans la chambre de mesure. Cela rend les mesures laborieuses et lentes, ce qui complique grandement l’atteinte d’un débit suffisant pour étudier la régulation photosynthétique dans des conditions fluctuantes en général, et particulièrement pour un dépistage significatif de centaines, voire des milliers de génotypes dans les programmesde sélection 19. Comme les dispositifs de mesure PAM ChlF mentionnésplus haut, la méthode du transitoire de fluorescence induite par la lumière (LIFT) 20 utilise le fait que i) l’énergie lumineuse qui atteint la chlorophylle dans le photosystème II (PS II) peut être utilisée soit pour la photosynthèse, dissipée sous forme de chaleur dans un procédé appelé trempe non photochimique (NPQ), soit par ChlF et ii) bloquer la voie de la photosynthèse par saturation d’une forte impulsion lumineuse entraînant une réduction des accepteurs d’électrons en aval de PS II entraînera une augmentation correspondante de ChlF. Sur la base de cette variable induite ChlF, nous pouvons calculer l’efficacité quantique photosynthétique de PS II (F q'/Fm') sous conditions de lumière ambiante ou l’efficacité quantique maximale de PS II (Fv/Fm) si les feuilles étaient laissées dans l’obscurité avant les mesures.

Le paramètre Fv/F m a été établi au début des années 1980 par Kitajima et Butler21, Butler22, ainsi que Björkman et Demmig23, qui ont rapporté une valeur optimale de ≈ 0,83 dans les feuilles non stressées chez diverses espèces. Le développement de Fq'/F m'(ΦPS II) comme diagnostic de la performance photosynthétique a commencé avec Genty et al.24, qui ont montré sa relation quasi linéaire avec l’assimilation du CO2 dans des conditions non stressées. Maxwell et Johnson25 et Baker26 ont ensuite fourni un cadre pratique pour appliquer Fq'/F m', Fv/F m et NPQ, en soulignant leur sensibilité au stress environnemental et leur valeur pour identifier les symptômes de dommages tels que la photoinhibition. Murchie etLawson 27 ont souligné le potentiel (et les limitations) de Fq'/F m’pour le phénotypage des champs et l’amélioration des cultures. Plus récemment, Long et al.8 ont souligné que la photosynthèse dans les cultures se produit sous une lumière fluctuante, où les changements dynamiques d’efficacité de PS II et de régulation NPQ affectent fortement le gain de carbone, soulignant la nécessité d’interpréter les paramètres de fluorescence en relation avec la variabilité temporelle de l’environnement.

Comme déjà indiqué dans28, Fq'/F m’mesuré avec un capteur LIFT stationnaire a bien corrélé avec les mesures de taux d’assimilation de PAM (R2 = 0,89) et de CO2 (R2 = 0,89)29,30,31. Dans cette optique, la modélisation des réponses F q'/F m’pendant les saisons de champ a montré permettre de bonnes prédictions de εc, de productivité des cultures12,32 et de tolérance au stress33. Cependant, les dispositifs de mesure de la ChlF de type PAM utilisent un seul flash de lumière (impulsion saturante) pour inhiber la voie de la photosynthèse et des éclairs plus faibles pour mesurer la ChlF minimale et maximale (impulsion de mesure), ce qui prend environ 1 seconde au total et n’est donc pas adapté à un débit très élevé. En revanche, le capteur LIFT produit une séquence rapide de 300 flashlets à haute intensité (avec 40 000 μmol photons m-2 s-1) pour atteindre une saturation progressive de la voie photosynthétique dans un délai de 750 μs (= 0,00075 s) tandis que le rendement ChlF est mesurédiscrètement 20. Cela permet une plus grande distance entre l’appareil de mesure et la feuillecible 19 et permet des mesures rapides et à haut débit à l’aide d’un véhicule porteur autonome sur lequel le capteur est rigidementmonté 32. Les études précédentes (par exemple, 32) étaient souvent limitées en débit en conditions de terrain ou limitées aux expériences en serre. Bien que ces approches aient réussi à identifier des gènes candidats à la régulationphotosynthétique 12, elles ont probablement manqué des processus régulateurs importants survenant en conditions de terrain. Par conséquent, nous émettons l’hypothèse qu’un capteur LIFT monté sur un robot autonome constitue un outil approprié pour mesurer Fq'/F m’d’un grand nombre de génotypes (plusieurs mesures par seconde sur des milliers de plantes ou de parcelles par jour) sur le terrain.

Protocole

1. Installation du capteur PPFR et du registrateur de données

  1. Connectez le capteur PPFR et la batterie externe au datalogger. Connectez le datalogger à l’ordinateur portable et lancez le data logger via le client de bureau du data logger.
  2. Installez le trépied de la caméra à côté du champ expérimental avec le capteur PPFR au-dessus et le registrateur de données et la batterie externe au sol en dessous.
    REMARQUE : Assurez-vous que le capteur PPFR est en position verticale et qu’il n’est pas ombragé ou affecté par un objet proche. Le capteur PPFR nécessiterait un cardan s’il était monté directement sur le robot pour mesurer des valeurs PPFR précises.

2. Installation du robot et de l’ensemble capteur LIFT

  1. Chargez les coordonnées du point de passage (format .geojson) pour la mesure sur le robot. Ils peuvent être les mêmes que ceux utilisés pour le semis guidé par GNSS de l’essai.
  2. Montez l’ensemble capteur LIFT à l’avant du robot à une hauteur d’environ 60 cm au-dessus de la canopée des cultures (voir Figure 1A).
  3. Placez l’ordinateur portable, la batterie de voiture et l’onduleur d’alimentation au-dessus du robot et connectez l’onduleur à la batterie de la voiture et à l’ensemble capteur LIFT.
    ATTENTION : Le faisceau d’excitation du capteur LIFT est dangereux pour les yeux. Il faut strictement éviter de regarder directement dans le faisceau d’excitation.
  4. Placez le kit d’antenne GNSS au-dessus du robot, connectez-le à l’ordinateur portable, et lancez le client de bureau GNSS logger.
  5. Connectez le capteur LIFT à l’ordinateur portable et lancez le client de bureau LIFT avec les paramètres suivants :
    CAPTEUR DE portance : puissance d’excitation = 40 000 μmol photons m>-2 s-1 ; longueur du flashlet = 1,6 μs ; nombre de flashlets d’excitation par mesure unique = 300 ; nombre de flashlets de relaxation = 80 ; temps entre les flashlets d’excitation = 2,5 μs ; Temps entre les flashlets de relaxation : ji = 101,28 + 0,0215 × i μs, où ji est la longueur d’intervalle du i-ème flashlet ; gain du capteur = 10 ou 25 ; intervalle de mesure = 0 s.
    Spectromètre : temps d’intégration spectrale = 100 ms, plage spectrale de 400 à 800 nm.
    Appareils RGB : exposition = automatique ; obturateur = automatique ; gain = automatique ; Luminosité = 0 ; fréquence d’images = 20 s-1 ; mode déclenchement = autorisé (déclenche la caméra à chaque mesure LIFT).
    REMARQUE : La quantité mesurée directement par le capteur LIFT est le rendement de ChlF (augmentation totale de ChlF due au faisceau d’excitation pour chaqueflashlet 20). Ensuite, on calcule Fq'/F m’comme
    Fq'/Fm'= (Fm'- F') / Fm'26
    où F' est défini comme le rendement ChlF du1er flashlet et Fm’comme la moyenne des rendements ChlF des flashlets 301et 30228. La durée totale d’une mesure de ChlF (y compris la phase de relaxation) est d’environ 21 ms, mais la durée cruciale de la phase d’excitation des 300 flashlets n’est que de 750 μs.

3. Réalisation de mesures de LIFT

  1. Conduisez manuellement le robot jusqu’au début de la première rangée de parcelles sur le terrain expérimental à l’aide de la télécommande.
  2. Activez le script de mesure du capteur LIFT et du spectromètre en mode continu.
  3. Démarrez la navigation robotique autonome à 0,5 m de vitesse s-1 via le site web de contrôle robot.
  4. Lors de la mesure, vérifiez périodiquement le graphique représentant le rendement du ChlF dans le temps dans le client de bureau de l’assemblage du capteur LIFT pour confirmer qu’il a la forme attendue ( voir Figure 1B). Ajustez le gain du capteur si les signaux sont trop faibles.
  5. Maintenez périodiquement le panneau de référence blanc sous le faisceau d’excitation à la hauteur de la canopée des cultures pendant que le robot tourne à la bordure du champ.

4. Intégration des données et prétraitement

REMARQUE : Le code R est disponible sur GitHub (https://github.com/beat2keller/lift_data_processing)

  1. Lisez les données transitoires et spectrales LIFT de tous les *_data.csv et *_spectral.csv à l’aide du paquet Rdata.table 34.
  2. Lisez les données GNSS et météorologiques ainsi que les cartes graphiques .geojson et la conception expérimentale.
  3. Combinez les ensembles de données et effectuez une analyse statistique, par exemple comme décrit dansle chapitre 12 ou ci-dessous.
    1. Extraire Fq'/F m’de chaque transitoire enregistré.
    2. Relier chaque point GNSS à son graphique correspondant basé sur des polygones .geojson en utilisant le confinement spatial. N’oubliez pas de prendre en compte la distance entre l’ensemble du capteur LIFT et l’antenne GNSS du robot.
    3. Déterminez le cap du robot à partir de positions consécutives. Fusionner le plan expérimental avec les données GNSS en utilisant les identifiants de parcelles assignés.
      REMARQUE : Cette étape relie chaque position spatiale aux informations de traitement (par exemple, génotype) et de réplication (par exemple, blocage).
    4. Combinez les données haute résolution du capteur PPFR avec les données PPFR basse résolution de la station météorologique la plus proche pour produire une série temporelle PPFR incidente fusionnée (optionnelle).
      REMARQUE : Les données météorologiques à basse résolution pour la Suisse peuvent être dérivées du réseau agrometeo.ch (https://agrometeo.ch/de) décrit dansle texte 35.
    5. Filtrez les mesures de référence blanche du jeu de données de réflectance spectrale et fusionnez-les avec les données PPFR en utilisant des horodatages pour créer une table de recherche de la réflectance spectrale sous différentes intensités lumineuses incidentes comme décrit dans28.
    6. Corrigez les données brutes de réflectance spectrale à partir de la table de recherche.
    7. Calculez l’indice de chlorophylle terrestre MERIS (MTCI) et l’indice de végétation différentielle normalisée (NDVI) à partir des données corrigées de réflectance spectrale en utilisant les formules
      Équation 1
      où Rλ désigne la réflexion moyenne à la longueur d’onde λ nm.
    8. Fusionner les données ChlF, position/conception expérimentale GNSS et PPFR/réflectance spectrale en effectuant une jointure de voisin le plus proche avec une fenêtre de tolérance définie (par exemple, 1 ms) basée sur des horodatages.
    9. Identifier et supprimer les lignes avec des valeurs aberrantes dans F q'/F m’du jeu de données.
    10. Extraire les tendances de réponse photosynthétique spécifiques au génotype (G : PPFR) à partir des données corrigées par les valeurs aberrantes de ChlF en ajustant le modèle
      Fq'/F m'= β0 + β1 Date + β2 (Tête x Heure) + β3 (Génotype × PPFR) + β4 MTCI + β5 PPFR + ε
      vers le jeu de données filtré par les valeurs aberrantes.
    11. Estimez la pente (β3) du terme prédicteur (Génotype × PPFR) en utilisant les tendances marginales estimées (tendances en R) afin d’obtenir une mesure quantitative de la réponse spécifique au génotype à l’irradiance. L’inclusion du MTCI dans le modèle tient compte des différences de contenu en chlorophylle et de statut de la canopée qui influencent Fq'/F m’comme décritprécédemment 12.
      REMARQUE : Le cap indique la direction de conduite du robot (dérivée des roulements GNSS à l’étape 4.3.3) afin de tenir compte des effets directionnels potentiels lors des mesures.

Résultats

Au total, 91 205 mesures transitoires de ChlF ont été réalisées sur 36 lignées de reproduction de soja (Glycine max (L.) Merr.) en 7 jours de mesure du 12 au 27 juin 2025. 74 927 points de données pouvaient être géoréférencés en diagrammes, et 58 916 ont été filtrés pour la qualité des données et correspondus avec succès aux données spectrales et météorologiques. Un aperçu de la configuration de la mesure et des données représentatives sont présentés en Figure 1, incluant une image de l’instrument en fonctionnement (Figure 1A), la cinétique d’induction de la ChlF à travers 12 génotypes de soja (Figure 1B), ainsi que les courbes de réflectance spectrale correspondantes (Figure 1C).

Les données géoréférencées ont révélé une variation spatiale marquée à la fois dansF q'/F m’et NDVI entre les deux champs expérimentaux (Figure 2). Ces motifs spatiaux étaient en partie associés à la direction de conduite du robot (Figure 3), ce qui a donc été pris en compte dans la modélisation ultérieure pour réduire les effets potentiels de l’ombrage sur les feuilles ciblées.

La modélisation linéaire à effets mixtes des réponses Fq'/F m’à la PPFR incidente (Figure 4A) expliquait une proportion substantielle de la variance (RÉquation 10 = 0,45, RÉquation 11 = 0,60). Les pentes spécifiques au génotype extraites (Réponse G : PPFR) ont montré des différences nettes entre les lignées de reproduction (Figure 4B), plusieurs lignées présentant des courbes de réponse plus raides ou plus plates par rapport à la moyenne du panel (Figure 4C).

Enfin, des reconstructions 3D au niveau de la canopée dérivées de l’imagerie RVB et de l’algorithme Matching And Stereo 3D Reconstruction (MASt3R)36 (Figure 5) ont démontré le potentiel d’intégrer des mesures physiologiques basées sur LIFT avec le phénotypage structurel pour capturer l’architecture de la canopée en trois dimensions.

Figure 1
Figure 1 : Aperçu des mesures de transitoires de fluorescence induites par la lumière (LIFT) et de réflectance spectrale pour les génotypes du soja. (A) Exemple d’image du dispositif LIFT en fonctionnement. L’entrée montre le faisceau d’excitation bleu pour induire la fluorescence de la chlorophylle (ChlF). (B) Courbes d’induction transitoires de ChlF mesurées le 27 juin 2025 pour 12 génotypes de soja (moyenne ± DS, n entre 88 et 553 par génotype, ntotal = 2 035). (C) Les spectres correspondants de réflectance foliaire mesurés le 25 juin 2025 pour les mêmes génotypes (moyenne ± SE, ntotal = 2 035). Les couleurs indiquent des génotypes individuels ; Les barres d’erreur représentent la variation entre les mesures répliquées. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2
Figure 2 : Distribution spatiale de l’efficacité quantique du photosystème II et des valeurs de l’indice de végétation différentiel (NDVI) normalisé. La distribution spatiale de l’efficacité quantique (supérieure) des valeurs du photosystème II (Fq'/Fm') et des valeurs de l’indice de différence normalisée de végétation (NDVI) (inférieure) a été mesurée sur deux champs expérimentaux de soja comprenant 120 parcelles et 36 lignées de sélection (n = 58 916). Les points représentent les emplacements de mesure, avec des couleurs indiquant la valeur observée et des formes indiquant la direction du robot : nord-ouest (NW), nord-est (NE), sud-ouest (SW) et sud-est (SE). Les lignes noires délimitent les limites des terrains. Les points noirs représentent les coordonnées du système global de navigation par satellite (GNSS) du robot de terrain. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3
Figure 3 : Efficacité quantique du photosystème II. Les boxplots montrent l’efficacité quantique du photosystème II (Fq'/F m') et le logarithme de l’irradiance incidente à 680 nm sur les heures de mesure (9 - 15 h) pour la direction du rover vers le nord-est (NE) et le sud-ouest (SW) vers le rover (nNE-ward = 14 339, nSE-ward = 25 669, ntotal = 40 008). Le robot ombrageait le point de mesure en se dirigeant vers le sud-ouest le matin et vers le nord-est l’après-midi. Chaque case représente la plage interquartile (IQR) avec la ligne horizontale et les moustaches indiquant respectivement la médiane et la limite IQR de 1,5 ×. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4
Figure 4 : Pentes de réponse photosynthétique. (A) Variation spatiale des pentes de réponse photosynthétique estimées (interaction entre le génotype et le taux de flux photonique photosynthétique (G : PPFR)) sur deux champs expérimentaux du soja, dérivée de la modélisation linéaire à effets mixtes. (B) Ajuster les moyennes et estimer les pentes de réponse photosynthétiques pour des lignées de reproduction individuelles, avec des génotypes d’intérêt mis en évidence en couleur. (C) Relation entre la PPFR incidente et l’efficacité quantique du photosystème II (Fq'/F m') pour les génotypes mis en évidence, avec des courbes de régression à racines carrées ajustées. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 5
Figure 5 : Mesure de l’architecture de la verrière par LIFT. L’architecture de la canopée de la variété de soja Gallec est montrée. (A) Les caméras rouge, verte et bleue (RGB) du dispositif transitoire de fluorescence induite par la lumière (LIFT) ont acquis des images lors du dépistage de la photosynthèse. (B, C) L’algorithme de correspondance et reconstruction 3D stéréo (MASt3R)36 a été utilisé pour reconstruire l’architecture de la verrière 3D. Les pyramides indiquent les positions estimées des caméras. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Discussion

Débit de la méthode

La méthode LIFT permet une distance de mesure beaucoup plus grande entre le capteur et les panneaux cibles que les dispositifs précédents d’échange de gaz et de mesure ChlFde type PAM 18,19, ce qui permet à son tour la réalisation de mesures automatisées à haut débit tant sur le terrain qu’en intérieur 12,32,37. Cela élimine le besoin d’interaction physique avec la canopée. Le débit de la méthode augmente avec la vitesse de conduite du robot. Pour garantir une mesure précise du rendement du ChlF dans le temps, la distance parcourue lors d’une mesure Fq'/F m’doit rester négligeable par rapport au diamètre de la zone éclairée (20 mm pour le capteur LIFT). Lorsque le robot se déplace pendant l’excitation, le point illuminé se déplace également, de sorte que le rendement de ChlF par flashlet diminue, provoquant finalement des estimations erronées de Fm’et Fq'/F m’à des vitesses excessives. À une vitesse robotique de 0,5 m s-1, seulement environ 2,4 % de la surface éclairée par le dernier flash d’excitation n’était pas déjà éclairée par le premier flashlet d’excitation, ce qui signifie que l’erreur systématique de mesure sur Fm’due au mouvement du robot sera numériquement négligeable (calcul complet sur GitHub, https://github.com/beat2keller/lift_data_processing). À une vitesse de 0,5 m s-1, nous avons mesuré 300 parcelles (1,5 × 2 m) par heure sur un champ de 40 × 36 m, correspondant à plusieurs milliers de parcelles par jour. De plus, le poids total relativement faible (200 kg) et les dimensions compactes de notre système de mesure permettent le transport par des véhicules légers, facilitant des essais multi-sites pour évaluer l’efficacité photosynthétique dansdes environnements 38.

Photosynthèse foliaire versus photosynthèse de la canopée

Les mesures LIFT dans cette méthode sont spatialement limitées à la couche supérieure la plus ensoleillée de la canopée, qui est responsable d’environ 50 % à 70 % de la photosynthèsetotale 39. De plus, la quantité de lumière que chaque feuille peut absorber dépend de manière critique de son angle par rapport au soleil, avec des feuilles plus verticales augmentant généralement l’indice de surface foliaire, améliorant la pénétration de la lumière et la photosynthèse de lacanopée 40,41. Avec l’ensemble capteur LIFT utilisé dans cette méthode, les effets de l’architecture 3D de la verrière sur la photosynthèse à feuilles simples ou entières peuvent être modélisés à l’aide des mesures de réflectance du spectromètre28 et/ou d’une reconstruction explicite de la géométrie 3D de la verrière42 basée sur les images du système stéréo de caméra RVB. De nouveaux algorithmes, tels que MASt3R36, apprennent des correspondances de caractéristiques denses et sensibles à la géométrie à l’aide de transformateurs profonds, permettant une reconstruction 3D plus robuste et précise sur des régions larges ou répétitives. Cependant, même sans ces corrections supplémentaires, l’utilité de méthodes automatisées à haut débit, telles que le LIFT, pour identifier des variétés de cultures plus productives et résilientes a étédémontrée 11,43.

Limitation du puits

La limitation de puits (sink), c’est-à-dire la régulation active à la baisse de la photosynthèse due à l’incapacité de la plante à utiliser la quantité de photosynthates qu’elle pourrait produire44,45, peut masquer les différences de εc entre les génotypes. La régulation à la baisse limitée par le puits de la photosynthèse s’accentue probablement avec l’augmentation de la concentration deCO2 dans l’atmosphère45. Notre méthode ne peut détecter la limitation de dépression que lorsqu’elle conduit également à une diminution de Fq'/F m' ; Il existe des indications que cela peut effectivement se produire46. Quoi qu’il en soit, la pertinence de la limitation du puits semble fortement dépendre de la culture et du stade de développement, le blé étant beaucoup plus affecté lors du remplissage des grains que les légumineuses45 des grains car la fixation symbiotique de l’azote de ces derniers constitue un puits supplémentairefort 1,44,46. Si la limitation des puits est censée être très pertinente pour une culture spécifique pendant la période où les mesures LIFT sont effectuées, des études supplémentaires sont nécessaires pour comparer les valeurs résultantes de Fq'/F m’avec des données d’échange gazeuses collectées simultanément et vérifier la validité de l’hypothèse selon laquelle Fq'/F m’constitue un bon indicateur pour εc.

Distance de mesure et variabilité de la hauteur de la canopée

L’ensemble capteur LIFT utilisé dans cette méthode est conçu pour effectuer des mesures à une distance d’environ 60 cm jusqu’à la canopéedes cultures 32,47. Le capteur LIFT utilisé dans la méthode est assez robuste face à de légères différences de distance de mesure, mais une distance de mesure plus grande semble généralement donner des valeurs un peu plus petites de Fq'/F m'47. Pour éviter ce biais, nous recommandons d’utiliser la réponse de Fq'/F m’à PPFR (qui est plus robuste aux variations de distance de mesure) plutôt que les valeurs absolues de F q'/F m’comme dans 12 et/ou de prendre explicitement en compte les différences de hauteur de la verrière lors de l’analyse des données.

Ombrage artificiel et involontaire des feuilles

L’augmentation de l’intensité lumineuse diminue généralement Fq'/F m'3,8,12. Ainsi, il faut éviter l’ombrage inutile par les opérateurs ou le système de mesure 3,8,12. Pour minimiser l’ombrage causé par le robot, la direction de conduite peut être soit réglée pour éviter qu’elle ne soitentièrement à 32 (au prix d’un débit réduit dû à des allers-retours improductifs), soit des mesures peuvent être prises en direction alternée puis corrigées statistiquement pour les effets d’ombrage. Dans cette étude, le terme Cap × heure dans le modèle statistique de Fq'/F m'(voir étape 4.3.10) garantit que l’ombrage des feuilles cibles par le robot est pris en compte.

Conclusion

En résumé, un capteur LIFT monté sur un robot autonome permet des mesures rapides et automatisées de l’efficacité photosynthétique dans des conditions de terrain, surmontant les limitations de débit des approches précédentes. Bien que des facteurs tels que la structure de la canopée et la limitation des puits nécessitent une attention particulière, nos résultats démontrent que des criblages de photosynthèse fiables et évolutifs lors des essais agronomiques sur le terrain et des pépinières de sélection végétale sont réalisables. L’ensemble d’un système de caméra stéréo RGB haute résolution et du LIFT comme capteur ponctuel permettra une amélioration supplémentaire de la précision : la localisation 3D des feuilles pilotée par l’IA permettra d’échantillonner des feuilles ayant une orientation similaire vers le soleil et de prendre en compte l’inclinaison foliaire spécifique au génotype. D’un point de vue de recherche, il peut être particulièrement intéressant de comparer la photosynthèse des génotypes avec une architecture de canopée variable et de réaliser des mesures de LIFT à haut débit sous enrichissement deCO2 en air libre (FACE) afin de mieux comprendre comment Fq'/F m’est affecté par les processus en aval de PS II dans des conditions de champ et des limitations potentielles de puits d’eau. Dans l’application pratique, le criblage des performances photosynthétiques et de la tolérance aux contraintes dans les pépinières d’élevage jusqu’au champ de l’agriculteur pour des applications agricoles de précision a un grand potentiel.

Déclarations de divulgation

Le robot utilisé dans cette étude a été développé par Caterra AG, une société issue du groupe de recherche en sciences des cultures de l’ETH Zurich, auquel la plupart des auteurs du présent article sont affiliés. Les auteurs, cependant, ne sont pas directement impliqués dans le développement du robot et ne déclarent aucun intérêt concurrent supplémentaire.

Remerciements

Nous remercions Caterra AG pour avoir fourni le châssis robotique, le support technique associé et l’aide à sa conversion pour nos mesures. Nous remercions Nicola Storni du groupe de recherche en sciences des cultures de l’Institut fédéral suisse de technologie de Zurich pour son soutien dans la mise en place du système de journalisation de position GNSS sur le robot. Remerciements particuliers à Christoph Barendregt du DSP Delley Seeds et à Claude-Alain Bétrix d’Agroscope pour avoir fourni le matériel végétal du partenariat Agroscope/DSP pour les essais dans le cadre du projet PhenoSoy, financé par l’Office fédéral de l’agriculture (FOAG). La méthode a été développée dans le cadre du projet Augmentation de la durabilité et de l’efficacité de l’utilisation de l’azote par l’amélioration des pois pour la rotation des cultures (ECOPRot), financé par le centre ETH World Food System grâce à un don de Bayer AG et à un prix ETH Zurich Career Seed. Les grands modèles de langage étaient en partie utilisés pour faciliter le codage et la formulation. Tous les résultats ont été vérifiés, vérifiés et finalisés par les auteurs.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Trépied de caméra--Tout type sur lequel le capteur PPFR peut être monté horizontalement fera l’affaire.
Batterie de voiture (12 V / 80 Ah)Mercedes-Benz Group AG, Stuttgart, AllemagneA 001 982 81 08-
Enregistreur de donnéesHOBO Data Loggers, Bourne, États-UnisStation HOBO U30, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/-
Client de bureau Data LoggerOnset Computer Corporation, Massachusetts, États-UnisHOBOware Version 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware-
Kit d’antenne GNSSArduSimple, Andorra la Vella, AndorraAS-STARTKIT-LR-L1L2-EUNH-00-
Client de bureau GNSS loggeru-blox AG, Thalwil, Suisseu-center GNSS, [sic] Logiciel d’évaluation Version 25.03, https://content.u-blox.com/sites/default/files/documents/u-center-25.03_ReleaseNote_UBXDOC-304424225-19688.pdf-
ordinateur portable  ;--Tout ordinateur portable fonctionnant sous une version Windows (Microsoft Corporation, Redmond, États-Unis) compatible avec les clients de bureau GNSS et data logger fera l’affaire.
Client de bureau assemblage capteur LIFTSoliense Inc., New York, États-UnisVersion.2016.04-
Ensemble capteur LIFT
(complet avec adaptateur secteur 240 V)		Soliense Inc., New York, États-UnisLIFT-REMEn plus du capteur LIFT lui-même, l’ensemble capteur LIFT intègre un système de caméra stéréo RVB composé de deux caméras Blackfly S BFS-U3-50S5C fournies par FLIR Integrated Imaging Solutions Inc. (Colombie-Britannique, Canada) [aujourd’hui Teledyne FLIR LLC, Wilsonville, États-Unis] et un spectromètre de 400 à 800 nm avec une résolution de 0,46 nm fourni par Ocean Insight, [Maintenant Ocean Optics] (Orlando, États-Unis).
  ; Le robot mesure &asymp ; 170 et fois ; 210 et fois ; 90 cm (longueur et largeur multipliée par la hauteur) et poids et asymp ; 170 kg. L’ensemble du capteur LIFT mesure &asymp ; 23 et fois ; 34 et fois ; 59 cm (longueur et largeur multipliée par la hauteur, telle que montée sur le robot).
inverseur de puissance
(12 V DC à 240 V 50 Hz AC)		Green Cell CSG S.A., Cracovie, PologneINV08-
Batterie externe--N’importe quelle batterie USB fera l’affaire.
Capteur PPFRHOBO / LI-COR, Lincoln, États-UnisS-LIA-M003-
Site web de contrôle robotCaterra AG, Opfikon, Suisse-Le lien est fourni individuellement par le fabricant du robot pour chaque client.
Prototype de robot châssis
(complet avec télécommande et
chargeur de batterie 240 V)		Caterra AG, Opfikon, SuisseFirefly (prototype, non commercialisé), https://caterra.org/en/technologie/Tout autre robot de terrain disposant d’une capacité de charge utile, d’une largeur de voie et d’une garde au sol appropriées peut faire l’affaire.
Panneau de référence blanc--Toute référence blanche ou grise fera l’affaire.

Références

  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).

Réimpressions et autorisations

Étiquettes

Robot de terrainfluorescence de la chlorophylleefficacit quantiquephotosyst me IIcapteur LIFTph notypage des culturesr flectance spectralenavigation GNSSs lection du soja
Criblage à haut débit et sur le terrain de l’efficacité photosynthétique dans les plantes agricoles à l’aide d’un robot autonome
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.