Screening ad alta produttività, in campo, dell'efficienza fotosintetica nelle piante coltivate tramite un robot autonomo

Indaghiamo la fotosintesi in condizioni di campo variabili per identificare varietà efficienti e resilienti, e per scoprire gli alleli benefici sottostanti. La fotosintesi viene valutata principalmente attraverso misurazioni manuali di PAM e scambio gasso, che richiedono molto tempo, limitando la rilevazione delle dinamiche stagionali e lo screening di un'elevata diversità genetica. Per cominciare, installa il treppiede della telecamera accanto al campo sperimentale.

Posiziona il sensore PPFR sopra il treppiede e posiziona il data logger e la power bank a terra sotto il treppiede. Ora monta il sensore LIFT sulla parte anteriore del robot, posizionandolo a un'altezza di circa 60 centimetri sopra la chioma del raccolto. Metti il computer portatile, la batteria dell'auto e l'inverter di alimentazione sopra il robot.

Collega l'inverter di alimentazione alla batteria dell'auto. Poi collega l'inverter al sensore LIFT. Poi, posiziona il kit di antenna GNSS sopra il robot.

Collega il kit antenna al computer portatile e avvia il client desktop GnssLogger e regola le impostazioni desiderate. La quantità misurata direttamente dal sensore LIFT è la resa di fluorescenza della clorofilla, ovvero l'aumento della fluorescenza totale della clorofilla dovuto al fascio di eccitazione per ogni flashlet. Per calcolare l'efficienza quantistica del fotosistema II, si usi la formula data.

Mentre la fase di eccitazione a 300 flashlet dura solo 750 microsecondi, la durata totale di una singola misurazione di fluorescenza della clorofilla, inclusa la fase di rilassamento, è di circa 21 millisecondi. Successivamente, guida manualmente il robot all'inizio della prima riga di grafici nel campo sperimentale usando il telecomando. Attiva lo script di misurazione sia per il sensore LIFT che per lo spettrometro in modalità continua.

Avvia la navigazione robotica autonoma a una velocità di 0,5 metri al secondo utilizzando il sito web di controllo robot. Durante la misurazione, si verifica periodicamente il grafico che rappresenta la resa di fluorescenza della clorofilla nel tempo nel client desktop del sensore LIFT per confermare la forma attesa. Se i segnali appaiono troppo deboli, regola di conseguenza il guadagno del sensore.

Periodicamente tieni il pannello di riferimento bianco sotto il fascio di eccitazione all'altezza della chioma del raccolto mentre il robot ruota al bordo del campo. Usa il pacchetto della tabella dati in R per leggere i dati transitori e spettrali LIFT da tutti i file che terminano in dati CSV e CSV spettrale. Leggi i dati GNSS, i dati meteorologici, le mappe grafiche GeoJSON e il file di progettazione sperimentale.

Estrarre l'efficienza quantistica del fotosistema II da ogni transiente LIFT registrato. Poi determina la rotta del robot basandosi sulle posizioni GNSS consecutive. Unisci i dati GNSS con il disegno sperimentale utilizzando gli identificatori di grafica assegnati per associare le posizioni spaziali alle informazioni di trattamento e replicazione.

Filtrare le misurazioni di riferimento bianche dal dataset di riflettanza spettrale e unire queste misurazioni con i dati PPFR usando timestamp per creare una tabella di ricerca che colleghi la riflettanza spettrale a diverse intensità di luce incidente. Ora applica correzioni ai dati grezzi di riflettanza spettrale usando la tabella di ricerca generata. Estrarre le tendenze di risposta fotosintetica specifiche per genotipo dal dataset di fluorescenza della clorofilla filtrato con il modello con outlier.

Stimare la pendenza del genotipo tramite il termine di interazione PPFR utilizzando la funzione di tendenze in R per quantificare la risposta di irradianza specifica per genotipo. Il modello include MTCI per tenere conto delle variazioni nel contenuto di clorofilla e nella struttura della chioma. Durante l'estate sono state misurate 36 linee di riproduzione di soia.

Il dataset geo-referenziato ha rivelato forti schemi spaziali sia nell'efficienza quantistica del fotosistema II sia nell'indice di vegetazione differenziale normalizzato nei campi sperimentali dovuti ai diversi genotipi coltivati nei plot e probabilmente a un'ulteriore eterogeneità del suolo e dei campi. I modelli spaziali a file erano parzialmente spiegati dalla direzione di marcia del robot da campo, che causava l'ombra delle foglie bersaglio in un momento specifico della giornata. La modellazione lineare a effetti misti delle risposte stagionali dell'efficienza quantistica del fotosistema II all'aumento del flusso di fotoni fotosintetici incidenti, o PPFR, ha rivelato una marcata eterogeneità a livello di campo, spiegando una parte sostanziale della varianza nel dataset.

Le pendenze specifiche del genotipo estratte hanno mostrato differenze nette tra le linee di riproduzione, con diverse linee che hanno mostrato curve di risposta più ripide o più piatte dell'efficienza quantistica del fotosistema II rispetto all'aumento delle intensità luminose rispetto alla media del pannello. Le ricostruzioni tridimensionali della chioma, utilizzando l'algoritmo MOSS T3R, hanno mostrato il potenziale di integrare fenotipizzazione fisiologica e strutturale. Le misurazioni automatiche del LIFT durante tutta la stagione rivelano eterogeneità fisiologica all'interno delle chiome delle parcelle e, cosa importante, efficienze fotosintetiche distinte tra i genotipi.

Il nostro approccio cattura misurazioni di fotosintesi in tempo reale in modo non invasivo e autonomo entro millisecondi, consentendo un confronto rapido delle risposte fotosintetiche tra stagioni complete e genotipi diversi. I lavori futuri integreranno LIFT con dati genomici, termici e 3D della chioma per prevedere con maggiore precisione la fotosintesi, la resilienza allo stress e la produttività delle colture.