Name: Screening ad alta produttività, in campo, dellefficienza fotosintetica nelle piante coltivate tramite un robot autonomo (Video) | JoVE Journal
Uploaded: 2026-01-09T12:30:00.000+00:00
Duration: 7 min 12 s
Description: Scopri un metodo non distruttivo ad alta produttività per misurare l'efficienza fotosintetica sul campo utilizzando un robot autonomo. Questo approccio facilita la fenotipizzazione della fotosintesi su larga scala, migliorando l'efficienza delle prove agronomiche e di selezione.

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. Installazione del sensore PPFR e del data logger
<ol>
	<li>Collega il sensore PPFR e il powerbank al data logger. Collega il data logger al computer portatile e avvia il data logger utilizzando il client desktop del data logger.</li>
	<li>Installa il treppiede della telecamera accanto al campo sperimentale con il sensore PPFR sopra e il data logger e il powerbank a terra sottostante. NOTA: Assicurati che il sensore PPFR sia in posizione verticale e non sia ombreggiato o influenzato da oggetti vicini. Il sensore PPFR avrebbe bisogno di un gimbal se montato direttamente sul robot per misurare valori PPFR accurati.</li>
</ol>
2. Configurazione del robot e dell'assemblaggio sensore LIFT
<ol>
	<li>Carica le coordinate dei waypoint (formato .geojson) per la misurazione sul robot. Possono essere gli stessi utilizzati per la semina guidata GNSS del processo.</li>
	<li>Montare l'insieme sensore LIFT sulla parte anteriore del robot a un'altezza di circa 60 cm sopra la chioma del raccolto (vedi Figura 1A).</li>
	<li>Posiziona il computer portatile, la batteria dell'auto e l'inverter di potenza sopra il robot e collega l'inverter alla batteria dell'auto e al sensore LIFT. ATTENZIONE: Il fascio di eccitazione del sensore LIFT è pericoloso per gli occhi. Guardare direttamente nel fascio di eccitazione deve essere strettamente evitato.</li>
	<li>Posiziona il kit di antenna GNSS sopra il robot, collegalo al computer portatile e avvia il client desktop GNSS logger.</li>
	<li>Collega il sensore LIFT al computer portatile e avvia il client desktop LIFT con le seguenti impostazioni: Sensore SOLLEVAMENTO: potenza di eccitazione = 40.000 μmol fotoni m&gt;-2 s-1; lunghezza del flashlet = 1,6 μs; numero di flashlet di eccitazione per singola misura = 300; numero di flashlet di rilassamento = 80; tempo tra i flashlet di eccitazione = 2,5 μs; Tempo tra i flashlet di rilassamento: ji = 101,28 + 0,0215 × i μs, dove ji è la lunghezza dell'intervallo del iesimo flashlet; guadagno del sensore = 10 o 25; intervallo di misura = 0 s. Spettrometro: tempo di integrazione spettrale = 100 ms, intervallo spettrale da 400 a 800 nm. Telecamere RGB: esposizione = automatica; otturatore = automatico; guadagno = automatico; luminosità = 0; frame rate = 20 s-1; modalità di attivazione = consentita (attiva la telecamera ad ogni misurazione LIFT). NOTA: La quantità misurata direttamente dal sensore LIFT è la resa di ChlF (aumento totale di ChlF dovuto al fascio di eccitazione per ogniflashlet 20). Poi, calcola Fq'/F m' come 
	Fq'/F m' = (Fm' - F') / Fm' 26 dove F' è definito come la resa ChlF delprimo flashlet e Fm' come la media delle resate ChlF dei flashlet 301e 302 flashlet28. La durata totale di una misurazione di ChlF (inclusa la fase di rilassamento) è di circa 21 ms, ma la durata della cruciale fase di eccitazione a 300 flashlet è solo 750 μs.</li>
</ol>
3. Esecuzione di misurazioni LIFT
<ol>
	<li>Guida manualmente il robot all'inizio della prima fila di tracce nel campo sperimentale usando il telecomando.</li>
	<li>Attiva lo script di misurazione per il sensore LIFT e lo spettrometro in modalità continua.</li>
	<li>Avvia la navigazione robotica autonoma a una velocità s-1 di 0,5 m utilizzando il sito web di controllo robot.</li>
	<li>Durante la misurazione, controllare periodicamente il grafico che rappresenta la resa ChlF nel tempo nel client desktop dell'assemblaggio sensore LIFT per confermare che abbia la forma attesa ( vedi Figura 1B). Regola il guadagno del sensore se i segnali sono troppo deboli.</li>
	<li>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.</li>
</ol>
4. Integrazione e preelaborazione dei dati
NOTA: Il codice R è disponibile su GitHub (https://github.com/beat2keller/lift_data_processing)
<ol>
	<li>Leggi i dati transitori e spettrali LIFT da tutti i dati *_data.csv e *_spectral.csv usando il pacchettodatatable 34 di R.</li>
	<li>Leggi i dati GNSS e meteorologici insieme alle mappe del grafico .geojson e al disegno sperimentale.</li>
	<li>Combinare i dataset ed eseguire un'analisi statistica, ad esempio, come descritto nel12 o di seguito.<ol>
		<li>Estrarre Fq'/F m' da ogni transiente registrato.</li>
		<li>Unisci ogni punto GNSS al suo grafico corrispondente basato sui poligoni .geojson usando il contenimento spaziale. Non dimenticare di tenere conto della distanza tra l'assemblaggio del sensore LIFT e l'antenna GNSS sul robot.</li>
		<li>Determina la rotta del robot da posizioni consecutive. Unisci il disegno sperimentale con i dati GNSS tramite gli identificatori di grafica assegnati. NOTA: Questo passaggio collega ogni posizione spaziale alle rispettive informazioni di trattamento (ad esempio, genotipo) e replicazione (ad esempio, blocco).</li>
		<li>Combinare i dati ad alta risoluzione del sensore PPFR con i dati PPFR a bassa risoluzione provenienti dalla stazione meteorologica più vicina per produrre una serie temporale PPFR incidente fusa (opzionale). NOTA: I dati meteorologici a bassa risoluzione per la Svizzera possono essere derivati dalla rete agrometeo.ch (https://agrometeo.ch/de) come descritto nel35.</li>
		<li>Filtrare le misurazioni di riferimento bianco dal dataset di riflettanza spettrale e unirle con i dati PPFR usando timestamp per creare una tabella di ricerca per la riflettanza spettrale sotto diverse intensità di luce incidente come descritto in28.</li>
		<li>Correggi i dati grezzi sulla riflettanza spettrale basandoti sulla tabella di ricerca.</li>
		<li>Calcola l'indice di clorofilla terrestre MERIS (MTCI) e l'indice di vegetazione a differenza normalizzata (NDVI) dai dati corretti sulla riflettanza spettrale utilizzando le formule 
		<img alt="Equazione 1" src="/files/ftp_upload/69530/69530eq1v2.jpg" style="margin:0;" data-altupdatedat="1783400419000" data-alt="Equation 1"> dove Rλ indica la riflessione media alla lunghezza d'onda λ nm.</li>
		<li>Unisci i dati ChlF, posizione/progettazione sperimentale GNSS e PPFR/riflettanza spettrale eseguendo una join di vicino più prossimo con una finestra di tolleranza definita (ad esempio, 1 ms) basata sui timestamp.</li>
		<li>Identifica e rimuovi le righe con valori anomali in F q'/F m' dal dataset.</li>
		<li>Estrarre le tendenze specifiche della risposta fotosintetica per genotipo (G: PPFR) dai dati corretti per ChlF per valori anomali adattandosi al modello 
		Fq'/F m' = β0 + β1 Data + β2 (Intestazione x Ora) + β3 (Genotipo × PPFR) + β4 MTCI + β5 PPFR + ε al dataset filtrato da outlier.</li>
		<li>Stimare la pendenza (β3) del termine predittivo (Genotype × PPFR) utilizzando tendenze marginali stimate (tendenze in R) per ottenere una misura quantitativa della risposta specifica del genotipo all'irradianza. L'inclusione dell'MTCI nel modello tiene conto delle differenze nel contenuto di clorofilla e nello stato della chioma che influenzano Fq'/F m' come descrittoin precedenza 12. NOTA: Heading indica la direzione di guida del robot (derivata dai cuscinetti GNSS nel passo 4.3.3) per tenere conto dei potenziali effetti direzionali durante le misurazioni.</li>
	</ol>
	</li>
</ol>

<table><tbody><tr><td>Treppiede con fotocamera</td><td>-</td><td>-</td><td>Qualsiasi tipo su cui il sensore PPFR possa essere montato orizzontalmente va bene.</td></tr><tr><td>Batteria auto (12 V / 80 Ah)</td><td>Mercedes-Benz Group AG, Stoccarda, Germania</td><td>A 001 982 81 08</td><td>-</td></tr><tr><td>Data logger</td><td>HOBO Data Loggers, Bourne, USA</td><td>Stazione HOBO U30, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/</td><td>-</td></tr><tr><td>Data Logger Desktop Client</td><td>Onset Computer Corporation, Massachusetts, USA</td><td>HOBOware Versione 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware</td><td>-</td></tr><tr><td>Kit antenna GNSS</td><td>ArduSimple, Andorra la Vella, Andorra</td><td>AS-STARTKIT-LR-L1L2-EUNH-00</td><td>-</td></tr><tr><td>Client desktop GNSS logger</td><td>u-blox AG, Thalwil, Svizzera</td><td>u-center GNSS, [sic] Software di Valutazione Versione 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>computer portatile&nbsp;</td><td>-</td><td>-</td><td>Qualsiasi computer portatile compatibile con i client desktop GNSS e data logger va bene.</td></tr><tr><td>Client desktop assembly sensori LIFT</td><td>Soliense Inc., New York, USA</td><td>Versione.2016.04</td><td>-</td></tr><tr><td>Assemblaggio sensori LIFT (completo di adattatore di rete 240 V)</td><td>Soliense Inc., New York, USA</td><td>LIFT-REM</td><td>Oltre al vero sensore LIFT, l'insieme sensore LIFT incorpora un sistema di telecamere stereo RGB composto da due fotocamere Blackfly S BFS-U3-50S5C fornite da FLIR Integrated Imaging Solutions Inc. (British Columbia, Canada) [ora Teledyne FLIR LLC, Wilsonville, USA] e uno spettrometro da 400 a 800 nm con una risoluzione di 0,46 nm fornito da Ocean Insight, [ora Ottiche Oceaniche] (Orlando, USA). &nbsp; Il robot misura &asimpp; 170 e volte; 210 e volte; 90 cm (lunghezza e larghezza e altezza moltimetticola) e peso e asinto; 170 kg. L'insieme sensori LIFT misura &asymp; 23 e più volte; 34 e volte; 59 cm (lunghezza, larghezza e altezza, come montato sul robot).</td></tr><tr><td>inverter di potenza (12 V DC a 240 V 50 Hz AC)</td><td>Green Cell CSG S.A., Cracovia, Polonia</td><td>INV08</td><td>-</td></tr><tr><td>Powerbank</td><td>-</td><td>-</td><td>Qualsiasi powerbank USB va bene.</td></tr><tr><td>Sensore PPFR</td><td>HOBO / LI-COR, Lincoln, USA</td><td>S-LIA-M003</td><td>-</td></tr><tr><td>Sito web di controllo robot</td><td>Caterra AG, Opfikon, Svizzera</td><td>-</td><td>Il collegamento è fornito dal produttore del robot individualmente per ogni cliente.</td></tr><tr><td>Prototipo robotico di telaio (completo di telecomando e caricabatterie di rete da 240 V)</td><td>Caterra AG, Opfikon, Svizzera</td><td>Firefly (prototipo, non commercializzato), https://caterra.org/en/technologie/</td><td>Qualsiasi altro robot da campo con capacità di carico utile, larghezza di cingoli e altezza da terra adeguate può andare bene.</td></tr><tr><td>Pannello di riferimento bianco</td><td>-</td><td>-</td><td>Qualsiasi riferimento bianco o grigio va bene.</td></tr></tbody></table>

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

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

In totale, sono state acquisite 91.205 misurazioni transitorie di ChlF su 36 linee di riproduzione di soia (Glycine max (L.) Merr.) in 7 giorni di misurazione dal 12 al 27 giugno 2025. 74.927 punti dati potevano essere georeferenziati ai grafici, e 58.916 erano stati filtrati per la qualità dei dati e abbinati con successo a dati spettrali e meteorologici. Una panoramica della configurazione della misurazione e dei dati rappresentativi è mostrata nella Figura 1, inclusa un'immagine dello strumento in funzione (Figura 1A), la cinetica di induzione ChlF su 12 genotipi di soia (Figura 1B) e le corrispondenti curve di riflettanza spettrale (Figura 1C).
I dati georeferenziati hanno rivelato una marcata variazione spaziale sia in Fq'/Fm' che in NDVI tra i due campi sperimentali (Figura 2). Questi schemi spaziali erano in parte associati alla direzione di guida del robot (Figura 3), che è stata quindi considerata nella modellazione successiva per ridurre i potenziali effetti dell'ombreggiatura sulle foglie bersaglio.
La modellizzazione lineare a effetti misti delle risposte di Fq'/F m' alla PPFR incidente (Figura 4A) spiegava una proporzione sostanziale della varianza (R<img alt="Equazione 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="Equazione 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). Le pendenze specifiche per genotipo estratte (Risposta G: PPFR) hanno mostrato differenze chiare tra le linee di riproduzione (Figura 4B), con diverse linee che hanno mostrato curve di risposta più ripide o più piatte rispetto alla media del pannello (Figura 4C).
Infine, le ricostruzioni 3D a livello di baldacchino derivate dall'imaging RGB e dall'algoritmo Matching And Stereo 3D Reconstruction (MASt3R)36 (Figura 5) hanno dimostrato il potenziale di integrare misurazioni fisiologiche basate su LIFT con fenotipizzazione strutturale per catturare l'architettura della candacchia in tre dimensioni.
<img alt="Figura 1" class="xfigimg" src="/files/ftp_upload/69530/69530fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 1"> 
Figura 1: Panoramica delle misurazioni di transitori di fluorescenza (LIFT) e di riflettanza spettrale indotte dalla luce per i genotipi della soia. (A) Immagine di esempio del dispositivo LIFT in funzione. L'ingresso mostra il fascio di eccitazione blu per indurre la fluorescenza della clorofilla (ChlF). (B) Curve di induzione ChlF transitorie misurate il 27 giugno 2025 per 12 genotipi di soia (media ± SD, n tra 88 e 553 per genotipo, ntotale = 2.035). (C) Spettri corrispondenti di riflettanza fogliare misurati il 25 giugno 2025 per gli stessi genotipi (media ± SE, n totale = 2.035). I colori indicano i singoli genotipi; Le barre di errore rappresentano la variazione tra le misurazioni replicate. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig1large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figura 2" class="xfigimg" src="/files/ftp_upload/69530/69530fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
Figura 2: Distribuzione spaziale dell'efficienza quantistica del fotosistema II e valori dell'indice di vegetazione differenziale normalizzato (NDVI). La distribuzione spaziale dell'efficienza quantistica (superiore) dei valori del fotosistema II (Fq'/Fm') e dei valori dell'indice di differenza normalizzata di vegetazione (NDVI) (inferiore) è stata misurata in due campi sperimentali di soia comprendenti 120 lotti e 36 linee di riproduzione (n = 58.916). I punti rappresentano le posizioni di misurazione, con colori che indicano il valore osservato e forme che indicano la direzione del robot: nord-ovest (NW), nord-est (NE), sud-ovest (SW) e sud-est (SE). Le linee nere delimitano i confini dei ploti di campo. I punti neri rappresentano le coordinate del sistema globale di navigazione satellitare (GNSS) del robot da campo. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig2large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figura 3" class="xfigimg" src="/files/ftp_upload/69530/69530fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
Figura 3: Efficienza quantistica del fotosistema II. I boxplot mostrano l'efficienza quantistica del fotosistema II (Fq'/F m') e il logaritmo dell'irradianza incidente a 680 nm attraverso le ore di misura (9 - 15 h) sia per la direzione di rotta del rover verso nord-est (NE) che verso sud-ovest (SW) (nNE-ward = 14.339, nSE-ward = 25.669, n totale = 40.008). Il robot stava ombreggiando il punto di misura mentre si dirigeva verso sud-ovest al mattino e verso nord-est nel pomeriggio. Ogni riquadro rappresenta l'intervallo interquartile (IQR) con la linea orizzontale e i baffi che indicano rispettivamente il limite mediano e 1,5 × IQR. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig3large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figura 4" class="xfigimg" src="/files/ftp_upload/69530/69530fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 4"> 
Figura 4: Pene di risposta fotosintetica. (A) Variazione spaziale nelle stime pendenze di risposta fotosintetiche (interazione tra genotipo e tasso di flusso fotonico fotosintetico (G: PPFR)) tra due campi sperimentali sulla soia, derivata da modellazione a effetti misti lineari. (B) Aggiustamento delle medie e stimazioni modellari delle pendenze di risposta fotosintetiche per singole linee di riproduzione, con i genotipi di interesse evidenziati nel colore. (C) Relazione tra PPFR incidente e l'efficienza quantistica del fotosistema II (Fq'/F m') per i genotipi evidenziati, con curve di regressione a radice quadrata adattate. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig4large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figura 5" class="xfigimg" src="/files/ftp_upload/69530/69530fig5v2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 5"> 
Figura 5: Misurazione dell'architettura della tendoia tramite LIFT. È mostrata l'architettura della chioma della varietà di soia Gallec. (A) Le fotocamere rossa, verde e blu (RGB) del dispositivo LIFT (light-induced fluorescence transient) acquisivano immagini durante lo screening per la fotosintesi. (B, C) L'algoritmo di matching and stereo 3D reconstruction (MASt3R)36 è stato utilizzato per ricostruire l'architettura 3D del baldacchino. Le piramidi indicano le posizioni stimate delle telecamere. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig5large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>

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

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

Ricerca

JoVE Journal

Biology

Biologia

Riportiamo un metodo per l'introduzione, il monitoraggio e l'analisi quantitativa di espressione GFP nelle cellule vegetali. Questo metodo utilizza un sistema progettato su misura per la robotica semi-continua raccolta di immagini da un gran numero di campioni, nel corso del tempo. Abbiamo anche dimostrare l'uso di ImageJ e ImageReady per l'analisi delle serie di immagini.

Robotica e Image Analysis dinamica per gli Studi di espressione genica nei tessuti vegetali

Questo protocollo descrive un procedimento per la rapida raccolta di immagini di piantine di Arabidopsis rispondono ad uno stimolo gravità utilizzando commercialmente disponibili scanner piani. Il metodo consente di poco costoso, ad alto volume cattura di immagini ad alta risoluzione possono essere sindacate per algoritmi di analisi a valle.

Utilizzo di Scanner Flatbed per la raccolta ad alta risoluzione e ritardi Immagini della Arabidopsis Root gravitropica risposta

Una metodologia high-throughput, la produzione di protoplasti di tabacco automatizzata e la trasformazione è descritto. Il sistema robotico consente l'espressione genica massicciamente parallelo e la scoperta nel sistema modello BY-2 che dovrebbe essere traducibile di colture non-modello.

Una piattaforma robotica per high-throughput Protoplast Isolamento e Trasformazione

Una schermata di throughput elevato di piccole molecole sintetiche è stato condotto su specie modello, Arabidopsis thaliana. Questo protocollo, sviluppato per un robot di manipolazione dei liquidi, aumenta la velocità degli schermi genetica chimica avanti, accelerando la scoperta di nuove molecole piccole che riguardano la fisiologia vegetale.

Ottimizzare l'utilizzo di un Robot di manipolazione liquido per condurre un alto Throughput avanti chimica genetica schermo di Arabidopsis thaliana

I nodi robot distribuiti forniscono sequenze di stimoli alla luce blu per orientare le traiettorie di crescita delle piante rampicanti. Attivando il fototropismo naturale, i robot guidano le piante attraverso le decisioni binarie sinistra-destra, facendole crescere in modelli predefiniti che invece non sono possibili quando i robot sono domeggiati.

Rilevamento robotico e fornitura di stimoli per la crescita guidata delle piante

Il protocollo introduce un metodo ad alto rendimento per misurare il rilassamento della tempra non fotochimica mediante fluorometria clorofilliana modulata in ampiezza di impulso. Il metodo viene applicato alla glicina max coltivata sul campo e può essere adattato ad altre specie per lo screening della diversità genetica o delle popolazioni riproduttive.

Analisi ad alto rendimento della tempra non fotochimica nelle colture utilizzando la fluorometria clorofilla modulata con ampiezza di impulso

Descriviamo un approccio per misurare i cambiamenti nell'efficienza fotosintetica nelle piante dopo il trattamento con bassa CO2 utilizzando la fluorescenza della clorofilla.

Valutazione dell'efficienza fotosintetica nei mutanti fotorespiratori mediante analisi di fluorescenza clorofilliana

Riportiamo procedure dettagliate per un metodo di stima della biomassa vegetale invasiva che utilizza i dati ottenuti dal telerilevamento di veicoli aerei senza pilota (UAV) per valutare la biomassa e catturare la distribuzione spaziale delle specie invasive. Questo approccio si rivela estremamente utile per condurre la valutazione dei pericoli e l'allerta precoce delle piante invasive.

Stima della biomassa basata sulla visione artificiale per impianti invasivi

In questo articolo, descriviamo uno strumento avanzato progettato per il monitoraggio della biosintesi della clorofilla durante le prime fasi di de-eziolamento delle piantine di Arabidopsis . La nuova metodologia fornisce immagini non invasive in tempo reale della fluorescenza della clorofilla ad alta risoluzione spaziale e temporale.

Test non invasivo per la determinazione della cinetica della biosintesi della clorofilla durante le prime fasi della deeziolazione dell'Arabidopsis

Abbiamo progettato un protocollo di fenotipizzazione basato su immagini per determinare le risposte morfologiche e fisiologiche a trattamenti singoli e combinati di calore, siccità e ristagno idrico. Questo approccio ha permesso di identificare le risposte precoci, tardive e di recupero a livello di intero impianto, in particolare le parti fuori terra, e ha evidenziato la necessità di utilizzare più sensori di imaging.

Fenotipizzazione basata su immagini ad alta produttività per determinare le risposte morfologiche e fisiologiche a stress singoli e combinati nella patata

Viene presentato un metodo per l'imaging a basso costo delle piante per misurare i fenotipi, insieme alle migliori pratiche per l'acquisizione delle immagini e una pipeline di analisi delle immagini per quantificare i tratti delle piante. Questi metodi sono stati applicati per misurare i fenotipi del mais (Zea mays) in condizioni di caldo, siccità e stress abiotico combinato.

Imaging e analisi per la quantificazione dei fenotipi di stress abiotico del mais (Zea mays)

Scopri un metodo non distruttivo ad alta produttività per misurare l'efficienza fotosintetica sul campo utilizzando un robot autonomo. Questo approccio facilita la fenotipizzazione della fotosintesi su larga scala, migliorando l'efficienza delle prove agronomiche e di selezione.

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

Esplora altri video