Artykuł metodologiczny

Wysokoprzepustowe, terenowe badania wydajności fotosyntetycznej roślin uprawnych z wykorzystaniem autonomicznego robota

1K wyświetleń

⸱

DOI:

10.3791/69530

⸱

9 stycznia 2026

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

W tym artykule

Podsumowanie

Niniejszy manuskrypt opisuje niedestrukcyjne, wysokoprzepustowe podejście do autonomicznych pomiarów terenowych o wydajności kwantowej fotosystemu II, odbiciu spektralnym oraz architekturze roślin, umożliwiając wielkoskalowe fenotypowanie fotosyntezy korony w próbach polowych agronomicznych i hodowlanych.

Streszczenie

Fotosynteza dostarcza energii nie tylko do produkcji biomasy roślinnej, ale także do procesów symbiotycznych, takich jak wiązanie azotu (N). Chociaż potencjał dalszych genetycznych wzrostów wydajności głównych upraw dzięki poprawie wskaźnika przechwytywania światła i zbiorów został w dużej mierze wyczerpany, naturalnie występująca lub wywołana zmienność genetyczna cech fotosyntetycznych nadal oferuje znaczny potencjał do dalszej poprawy plonów. Jednakże, ponieważ fotosynteza jest bardzo dynamiczna w warunkach zmiennych pól, trudno jest przeprowadzić ukierunkowaną selekcję dla wydajności fotosyntezycznej, jeśli nie są dostępne dane o wysokiej rozdzielczości przestrzennej i czasowej. Aby zniwelować tę lukę, zainstalowaliśmy urządzenie przejściowe indukowane światłem (LIFT) na autonomicznym robocie polowym, aby zmierzyć kwantową efektywność fotosystemu II (Fq'/Fm'), która wykazano jako dobrze skorelowana z ogólną wydajnością fotosyntetyczną. Metoda LIFT wykorzystuje błyski subnasycone z szybką powtarzalnością, aby indukować maksymalną fluorescencję, umożliwiając pomiary w odległości krócej niż 1 ms z odległości do 1 m. Robot porusza się z prędkością 0,5 m s-1, autonomicznie nawigując po całym polu na podstawie współrzędnych globalnego systemu nawigacyjnego satelitarnego (GNSS). Pomiary spektralne oraz stereo kamery czerwone, zielone i niebieskie (RGB) dostarczają dodatkowych informacji o trójwymiarowych (3D) cechach związanych z architekturą roślin, takich jak kąt liścia i natężenie światła na docelowym liściu. Uzyskane w efekcie mapy o wysokiej rozdzielczości przestrzenno-czasowej o wydajności fotosyntezy dostarczają szczegółowych informacji o wydajności wzrostu roślin w próbach polowych lub szkółkach hodowlanych.

Wprowadzenie

Fotosynteza dostarcza roślinom nie tylko podstawy energetyczne do produkcji biomasy i utrzymania własnego metabolizmu, ale także do wiązania azotu (N) u roślinstrączkowych 1 oraz innych procesów symbiotycznych2. Potencjał plonu każdej uprawy zależy od proporcji przepływu fotosyntezy fotonowej (PPFR) przechwytywanego przez koronę (εi), proporcji tego promieniowania faktycznie wykorzystywanego w fotosyntezie i przekształcanej w biomasę (εc) oraz proporcji energii biomasy rozdzielanej na produkt zebrany (εp)3. εp można ustawić równie indeksowi zbiorów (HI), jeśli ten ostatni zdefiniujemy jako biomasę zebranego produktu podzieloną przez całkowitą biomasę pędów i korzeni3. Dotychczasowe wysiłki hodowlane koncentrowały się głównie na zwiększaniu εi εc i były w tym bardzo skuteczne.3: Na przykład współczesne genotypy roślin strączkowych i zbożowych mogą osiągać εi rzędu 90% i i rzędu 60%3,4, pozostawiając niewielkie perspektywy na dalszy wzrost εi i ε p3, 5. Dla porównania, wartości εc obserwowane w uprawach C3 iC 4 rzadko przekraczają 1/3 teoretycznego maksimum wynoszącego odpowiednio 9,4% i 12,3%. Wskazuje to na duży potencjał dalszego zwiększenia wydajności upraw, jeśli εc zostanie zwiększone poprzez selekcję opartą na naturalnej zmienności genetycznej i/lub ukierunkowaną optymalizację elementów aparatu fotosyntezowego, takich jak enzym rybuloza-1,5-bisfosforan karboksylaza/oksygenaza (RuBisCO), poprzez inżynierię genetyczną 3,5,6,7. Jednak wykazano, że i) wydajność fotosyntezy jest bardzo dynamiczna w warunkach polowych, ponieważ rośliny stale adaptują się do zmieniającego się światła i innych zmiennych wariantów środowiskowych 8,9 ii) cechy fotosyntetyczne mierzone w warunkach stacjonarnych (np. w komorach wzrostu wewnętrznych ze sztucznym oświetleniem10) wykazują inne wzorce dziedziczności niż fotosynteza niestacjonarna obserwowana w terenie11. Ogranicza to użyteczność fenotypowania fotosyntezy wewnętrznej do wyboru bardziej wydajnych genotypów podstawowych roślin spożywczych, które w praktyce są zazwyczaj uprawiane na zewnątrz w polu. W rezultacie trudno jest przeprowadzić ukierunkowaną selekcję cech fotosyntetycznych, jeśli nie dostępne są dane o wysokiej rozdzielczości przestrzennej i czasowej z dużej liczby genotypów upraw 6,12.

Dotychczasowe próby przeprowadzania niedestrukcyjnych pomiarów fotosyntezy w terenie w dużej mierze opierały się na ręcznych urządzeniach pomiarowych wymiany gazowej 13,14,15 lub fluorescencji chlorofilowej typu ChlF)16,17 z modulacją impulsowo-amplitudową (PAM). Te podejścia mają wspólną wadę, że liście, na których należy wykonać pomiary, muszą być ręcznie przycinane lub umieszczone w komorze pomiarowej18,19. Ponadto pomiary wymiany gazowej w terenie zajmują kilka minut, aby zapewnić równowagę w komorze pomiarowej. To sprawia, że pomiary są żmudne i powolne, co powoduje duże trudności w osiągnięciu wystarczającej przepustowości do badania regulacji fotosyntezy w warunkach zmiennych ogólnie, a szczególnie w sensownym przesiewaniu setek, a nawet tysięcy genotypów w programach hodowlanych19. Podobnie jak wspomniane wcześniej urządzenia pomiarowe PAM ChlF17, metoda przejściowej fluorescencji indukowanej światłem (LIFT)20 wykorzystuje fakt, że i) energia światła docierająca do chlorofilu w fotosystemie II (PS II) może być wykorzystana do fotosyntezy, rozpraszana jako ciepło w procesie zwanym niefotochemicznym wygaszaniem (NPQ) lub przez ChlF i ii) blokując szlak fotosyntezy przez nasycenie silnym impulsem świetlnym, co powoduje redukcję akceptorów elektronów po PS II, spowoduje odpowiedni wzrost ChlF. Na podstawie tej indukowanej zmiennej ChlF możemy obliczyć fotosyntetyczną sprawność kwantową PS II (Fq'/Fm') w warunkach oświetlenia otoczenia lub maksymalną sprawność kwantową PS II (Fv/F m) jeśli liście były przechowywane w ciemności przed pomiarami.

Parametr Fv/Fm został ustanowiony na początku lat 80. XX wieku przez Kitajimę i Butlera21, Butlera22 oraz Björkmana i Demmiga23, którzy zgłosili optymalną wartość ≈ 0,83 w liściach niestresowanych w różnych gatunkach. Rozwój Fq'/Fm' (ΦPS II) jako diagnostyki wydajności fotosyntezy rozpoczął się od Genty i in.24, którzy wykazali niemal liniowy związek z asymilacjąCO2 w warunkach niestresowanych. Maxwell i Johnson,25 lat, oraz Baker, 26 lat, przedstawili praktyczne ramy do stosowania Fq'/Fm', Fv/Fm oraz NPQ, podkreślając ich wrażliwość na stres środowiskowy oraz ich wartość w identyfikacji objawów uszkodzeń, takich jak fotohamowanie. Murchie iLawson, 27 lat, podkreślili potencjał (i ograniczenia) Fq'/Fm' w zakresie fenotypowania polowego i poprawy upraw. Niedawno Long i in.8 podkreślili, że fotosynteza w uprawach zachodzi pod wpływem zmiennego światła, gdzie dynamiczne zmiany wydajności PS II i regulacja NPQ silnie wpływają na przyrost węgla, podkreślając potrzebę interpretacji parametrów fluorescencji w odniesieniu do zmienności środowiskowej czasowej.

Jak już wspomniano w28, Fq'/F m' mierzone stacjonarnym czujnikiem LIFT dobrze korelują z pomiarami PAM (R2 = 0,89) i tempa asymilacjiCO2 (R2 = 0,89)29,30,31. W związku z tym modelowanie odpowiedzi Fq/F m' w sezonach polowych pozwala na dobre prognozy εc, wydajności upraw12,32 oraz tolerancji na stres33. Jednak urządzenia pomiarowe typu PAM ChlF wykorzystują pojedynczy błysk światła (impuls nasycający) do hamowania szlaku fotosyntezy oraz słabsze błyski do pomiaru minimalnego i maksymalnego ChlF (impulsu pomiarowego), co zajmuje łącznie około 1 s i dlatego nie nadaje się do bardzo dużej przepustowości. Dla porównania, sensor LIFT generuje szybką sekwencję 300 błysków o wysokiej intensywności (z 40 000 μmol fotonów m-2 s-1), aby osiągnąć stopniowe nasycenie szlaku fotosyntezy w zakresie 750 μs (= 0,00075 s), podczas gdy wydajność ChlF jest dyskretnie mierzonajako 20. Pozwala to na większą odległość między urządzeniem pomiarowym a listem19 celu oraz umożliwia szybkie, wysokoprzepustowe pomiary za pomocą autonomicznego pojazdu transportowego, na którym czujnik jest sztywno zamontowany32. Wcześniejsze badania (np. 32) często miały ograniczoną przepustowość w warunkach terenowych lub ograniczały się do eksperymentów szklarniowych. Chociaż te podejścia skutecznie zidentyfikowały geny kandydatów do regulacji fotosyntezy12, prawdopodobnie pominęły ważne procesy regulacyjne zachodzące w warunkach terenowych. Dlatego zakładamy, że czujnik LIFT zamontowany na autonomicznym robocie stanowi odpowiednie narzędzie do pomiaru Fq'/F m' dużej liczby genotypów (kilka pomiarów na sekundę na tysiącach roślin lub działek dziennie) w terenie.

Protokół

1. Konfiguracja czujnika PPFR i rejestratora danych

  1. Podłącz czujnik PPFR i powerbank do rejestratora danych. Podłącz logger danych do laptopa i uruchom go za pomocą desktopowego klienta logera.
  2. Zainstaluj statyw kamery obok pola eksperymentalnego z czujnikiem PPFR na górze oraz rejestratorem danych i powerbankiem na ziemi poniżej.
    UWAGA: Upewnij się, że czujnik PPFR jest ustawiony pionowo i nie jest zacieniony ani w inny sposób dotknięty przez pobliski obiekt. Czujnik PPFR potrzebowałby gimbala, jeśli był zamontowany bezpośrednio na robocie, aby precyzyjnie mierzyć wartości PPFR.

2. Ustawienie robota i zespołu czujnika LIFT

  1. Załaduj współrzędne punktu nawigacyjnego (w formacie .geojson) do pomiaru na robota. Mogą być takie same jak te używane do wysiewu sterowanego GNSS w próbie.
  2. Zamontuj zespół czujnika LIFT z przodu robota na wysokości około 60 cm nad osłoną upraw (patrz Rysunek 1A).
  3. Umieść laptopa, akumulator samochodowy i inwerter mocy na robocie, a przetwornik podłącz do akumulatora samochodowego i zespołu czujnika LIFT.
    UWAGA: Wiązka wzbudzona czujnika LIFT jest niebezpieczna dla oczu. Należy ściśle unikać bezpośredniego patrzenia w wiązkę wzbudzenia.
  4. Umieść zestaw antenowy GNSS na górze robota, podłącz go do laptopa i uruchom klienta logera GNSS na komputerze stacjonarnym.
  5. Podłącz czujnik LIFT do laptopa i uruchom klienta LIFT na komputerze stacjonarnym z następującymi ustawieniami:
    Czujnik LIFT: moc wzbudzenia = 40 000 μmol fotonów m>-2 s-1; długość błysku = 1,6 μs; liczba błysków wzbudzających na pojedynczy pomiar = 300; liczba flashletów relaksacyjnych = 80; czas między błyskami wzbudzenia = 2,5 μs; czas między flashletami relaksacyjnymi: ji = 101,28 + 0,0215 × i μs, gdzie ji to długość interwału i-tego fleka; wzmocnienie czujnika = 10 lub 25; przedział pomiarowy = 0 s.
    Spektrometr: czas całkowania spektralnego = 100 ms, zakres spektralny od 400 do 800 nm.
    Aparaty RGB: ekspozycja = automatyczna; migawka = automatyczna; wzmocnienie = automatyczny; jasność = 0; Płynność = 20 s-1; tryb wyzwalania = dozwolony (wyzwala kamerę przy każdym pomiarze LIFT).
    UWAGA: Wartość bezpośrednio mierzona przez czujnik LIFT to wydajność ChlF (wzrost całkowitej ChlF z powodu wiązki wzbudzającej dla każdego błysku20). Następnie oblicz Fq'/Fm' jako
    Fq'/Fm' = (Fm' - F') / Fm' 26
    gdzie F' definiuje się jako wydajność ChlF 1. sekcji, a F' jako średnią ChlF wynosów 301i 302flekły 28. Całkowity czas trwania jednego pomiaru ChlF (wliczając fazę relaksacyjną) wynosi około 21 ms, natomiast czas kluczowej fazy wzbudzenia o długości 300 fleszków wynosi tylko 750 μs.

3. Przeprowadzanie pomiarów LIFT

  1. Ręcznie przesuń robota na początek pierwszego rzędu wykresów w polu eksperymentalnym za pomocą pilota.
  2. Aktywuj skrypt pomiarowy dla czujnika LIFT i spektrometru w trybie ciągłym.
  3. Rozpocznij autonomiczną nawigację robota z prędkością 0,5 m s-1, korzystając ze strony internetowej o kontroli robota.
  4. Podczas pomiaru okresowo sprawdzaj wykres przedstawiający wydajność ChlF w czasie w kliencie desktopowym zespołu czujników LIFT, aby potwierdzić, że ma on oczekiwany kształt (patrz rysunek 1B). Reguluj wzmocnienie czujnika, jeśli sygnały są zbyt słabe.
  5. Okresowo trzymaj biały panel odniesienia pod wiązką wzbudzającą na wysokości korony uprawy, podczas gdy robot obraca się na granicy pola.

4. Integracja i wstępne przetwarzanie danych

UWAGA: Kod R jest dostępny na GitHub (https://github.com/beat2keller/lift_data_processing)

  1. Odczytaj dane przejściowe i spektralne LIFT ze wszystkich *_data.csv i *_spectral.csv używając pakietu R data.table34.
  2. Przeczytaj dane GNSS i pogodę wraz z mapami wykresów .geojson i projektem eksperymentalnym.
  3. Połącz zbiory danych i przeprowadź analizę statystyczną, np. opisaną w12 lub niżej.
    1. Wyodrębnij Fq'/Fm' z każdego zarejestrowanego zjawiska przejściowego.
    2. Dołącz każdy punkt GNSS do odpowiadającego mu wykresu na podstawie wielokątów .geojson, używając przestrzennego zawierania. Nie zapomnij uwzględnić odległości między zespołem czujnika LIFT a anteną GNSS w robocie.
    3. Określ kurs robota na podstawie kolejnych pozycji. Połącz projekt eksperymentu z danymi GNSS za pomocą przypisanych identyfikatorów wykresów.
      UWAGA: Ten krok łączy każdą pozycję przestrzenną z odpowiednimi informacjami o leczeniu (np. genotypie) i replikacji (np. bloku).
    4. Połącz dane o wysokiej rozdzielczości z czujnika PPFR z danymi PPFR o niskiej rozdzielczości z najbliższej stacji meteorologicznej, aby uzyskać połączony cykl czasu incydentu PPFR (opcjonalnie).
      UWAGA: Dane meteorologiczne o niskiej rozdzielczości dla Szwajcarii można uzyskać z sieci agrometeo.ch (https://agrometeo.ch/de), opisanej wartykule 35.
    5. Przefiltruj pomiary odniesienia białego z zestawu odbicia spektralnego i połącz je z danymi PPFR za pomocą znaczników czasu, aby stworzyć tabelę przeszukiwającą odbicie spektralne przy różnych intensywnościach światła padającego, jak opisano w28.
    6. Poprawiaj surowe dane o odbiciu spektralnym na podstawie tabeli wyszukiwania.
    7. Oblicz MERIS naziemny indeks chlorofilu (MTCI) oraz znormalizowany różnicowy wskaźnik roślinności (NDVI) na podstawie skorygowanych danych spektralnych za pomocą wzorów
      Równanie 1
      gdzie Rλ oznacza średnie odbicie przy długości fali λ nm.
    8. Połącz dane ChlF, pozycje GNSS/projektu eksperymentalnego oraz PPFR/odbicia spektralnego, wykonując łączenie najbliższego sąsiada z określonym oknem tolerancyjnym (np. 1 ms) na podstawie znaczników czasu.
    9. Zidentyfikuj i usuń wiersze z odstającymi w Fq'/Fm' ze zbioru danych.
    10. Wyodrębniaj specyficzne dla genotypu trendy fotosyntetyczne (G: PPFR) z danych ChlF skorygowanych przez odstępstwa, dopasowując model
      Fq'/Fm' = β0 + β1 Data + β2 (kurs x godzina) + β3 (genotyp × PPFR) + β4 MTCI + β5 PPFR + ε
      do zbioru danych filtrowanego przez odstające wartości.
    11. Oszacuj nachylenie (β3) składnika predyktora (genotyp × PPFR), wykorzystując szacowane trendy marginalne (emtrendy w R), aby uzyskać ilościową miarę specyficznej dla genotypu odpowiedzi na naświetlenie. Włączenie MTCI do modelu uwzględnia różnice w zawartości chlorofilu i stanie korona, które wpływają na Fq'/Fm', jak opisano wcześniej12.
      UWAGA: Kurs oznacza kierunek jazdy robota (wyprowadzony z łożysk GNSS w kroku 4.3.3), aby uwzględnić potencjalne efekty kierunkowe podczas pomiarów.

Wyniki

Łącznie wykonano 91 205 pomiarów przejściowych ChlF 36 linii hodowlanych soi (Glycine max (L.) Merr.) w ciągu 7 dni pomiarowych w okresie od 12 do 27 czerwca 2025 roku. 74 927 punktów danych można było georeferencować do wykresów, a 58 916 przefiltrowano pod kątem jakości danych i skutecznie dopasowano do danych spektralnych i pogodowych. Przegląd konfiguracji pomiarowej i reprezentatywnych danych przedstawiono na Rysunku 1, w tym obraz działającego instrumentu (Rysunek 1A), kinetykę indukcyjną ChlF dla 12 genotypów soi (Rysunek 1B) oraz odpowiadające krzywe spektralnej refleksji (Rysunek 1C).

Dane georeferencowane wykazały wyraźną zmienność przestrzenną zarówno w Fq'/Fm', jak i NDVI w obu dziedzinach eksperymentalnych (Rysunek 2). Te wzorce przestrzenne były częściowo powiązane z kierunkiem jazdy robota (Rysunek 3), co zostało uwzględnione w kolejnych modelowaniach, aby zmniejszyć potencjalne skutki cieniowania na docelowych liściach.

Liniowe modelowanie mieszanych efektów odpowiedzi Fq'/Fm' na incydentny PPFR (Rysunek 4A) wyjaśniło znaczną część wariancji (RRównanie 10 = 0,45, RRównanie 11 = 0,60). Wyodrębnione nachylenia specyficzne dla genotypu (Odpowiedź G: PPFR) wykazały wyraźne różnice między liniami hodowlanymi (Rysunek 4B), przy czym kilka linii wykazywało bardziej strome lub płaskie krzywe odpowiedzi w porównaniu do średniej panelowej (Rysunek 4C).

Wreszcie, rekonstrukcje 3D na poziomie korony, pochodzące z obrazowania RGB oraz algorytmu Matching And Stereo 3D Reconstruction (MASt3R)36 (Rysunek 5), wykazały potencjał integracji pomiarów fizjologicznych opartych na LIFT z fenotypowaniem strukturalnym, aby uchwycić architekturę korony w trzech wymiarach.

Rysunek 1
Rysunek 1: Przegląd pomiarów fluorescencji przejściowej indukowanej światłem (LIFT) i spektralnej refleksji dla genotypów soi. (A) Przykładowe zdjęcie urządzenia LIFT w pracy. Wlot pokazuje niebieską wiązkę wzbudzenia indukującą fluorescencję chlorofilową (ChlF). (B) Przejściowe krzywe indukcji ChlF zmierzone 27 czerwca 2025 dla 12 genotypów soi (średnia ± SD, n między 88 a 553 na genotyp, n łącznie = 2 035). (C) Odpowiadające spektra odbicia liści zmierzone 25 czerwca 2025 dla tych samych genotypów (średnia ± SE, n łącznie = 2 035). Kolory wskazują na poszczególne genotypy; paski błędu reprezentują zmienność między pomiarami replikowanymi. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 2
Rysunek 2: Przestrzenny rozkład efektywności kwantowej wartości fotosystemu II oraz znormalizowanego indeksu różnicowego roślinności (NDVI). Rozkład przestrzenny (górnej) efektywności kwantowej wartości fotosystemu II (Fq'/Fm') oraz (dolny) normalizowanego wskaźnika różnicy roślinności (NDVI) został zmierzony na dwóch eksperymentalnych polach soi, obejmujących 120 podziałów i 36 linii hodowlanych (n = 58 916). Punkty oznaczają miejsca pomiarowe, kolory wskazują obserwowaną wartość, a kształty wskazują kierunek kursu robota: północny zachód (NW), północny wschód (NE), południowy zachód (SW) i południowy wschód (SE) w kierunku kierunku. Czarne linie wyznaczają granice działek terenowych. Czarne kropki symbolizują współrzędne globalnego systemu nawigacyjnego satelitarnego (GNSS) robota terenowego. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 3
Rysunek 3: Sprawność kwantowa fotosystemu II. Wykresy pudełkowe pokazują kwantową efektywność fotosystemu II (Fq'/Fm') oraz logarytm padającego promieniowania na 680 nm przez godziny pomiarowe (9 - 15 godzin) zarówno dla kierunku kursu łazika północno-wschodniego (NE) i południowo-zachodniego (SW) (nw kierunku NE = 14 339, nw kierunku SE-= 25 669, łącznie n = 40 008). Robot zacieniał miejsce pomiaru, kierując się rano na południowy zachód, a po południu na północny wschód. Każde pole reprezentuje zakres interkwartylowy (IQR), a linia pozioma i wąsy wskazują odpowiednio medianę i 1,5 × IQR. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 4
Rysunek 4: Nachylenia odpowiedzi fotosyntetycznej. (A) Przestrzenne zmienności szacowanych nachyleń odpowiedzi fotosyntetycznej (interakcja między genotypem a strumieniem fotosyntezujących fotonów (G: PPFR)) na dwóch obszarach eksperymentalnych soi, wyprowadzone z liniowego modelowania efektów mieszanych. (B) Skorygowane średnie i modelowo szacowane nachylenia odpowiedzi fotosyntetycznej dla poszczególnych linii hodowlanych, z wyróżnieniem interesujących genotypów w kolorze. (C) Zależność między padającymi PPFR a kwantową efektywnością fotosystemu II (Fq'/Fm') dla zaświetlonych genotypów, z dopasowanymi krzywymi regresji pierwiastkowej. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 5
Rysunek 5: Pomiar architektury osłony według LIFT. Przedstawiona jest architektura korony soi Gallec. (A) Kamery czerwono-zielona i niebieska (RGB) urządzenia LIFT (LIFT) pobierały obrazy podczas przesiewania fotosyntezy. (B, C) Algorytm dopasowywania i stereo rekonstrukcji 3D (MASt3R)36 został użyty do rekonstrukcji architektury 3D canopy. Piramidy wskazują szacowane pozycje kamer. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Dyskusja

Przepustowość metody

Metoda LIFT pozwala na znacznie większą odległość pomiarową między czujnikiem a opuszczaniem celu niż wcześniejsze urządzenia wymiany gazowej i PAM-typu ChlF, 18,19, co z kolei umożliwia automatyczne pomiary o wysokiej przepustowości wykonywane zarówno w terenie, jak i w pomieszczeniach(12,32,37 . Eliminuje to potrzebę fizycznej interakcji z zadaszeniem drzew. Przepustowość metody wzrasta wraz z prędkością jazdy robotów. Aby zapewnić dokładny pomiar wydajności ChlF w czasie, odległość pokonana podczas jednego pomiaru Fq'/F m' musi pozostać pomijalna w porównaniu do średnicy oświetlonego obszaru (20 mm dla czujnika LIFT). Gdy robot porusza się podczas wzbudzania, podświetlona plama również się przesuwa, przez co wydajność ChlF na fleszk maleje, co ostatecznie prowadzi do błędnych szacunków Fm' i Fq'/Fm' przy nadmiernych prędkościach. Przy prędkości robota 0,5 m s-1 tylko około 2,4% obszaru oświetlonego ostatnim błyskiem wzbudzającym nie było już oświetlone przez pierwszy błysk wzbudzający, co oznacza, że systematyczny błąd pomiaru na Fm' spowodowany ruchem robota będzie numerycznie pomijalny (pełne obliczenia na GitHub, https://github.com/beat2keller/lift_data_processing). Przy prędkości 0,5 m s-1 mierzyliśmy 300 wykresów (1,5 × 2 m) na polu o wymiarach 40 × 36 m, co odpowiada kilku tysiącom wykresów dziennie. Ponadto stosunkowo niska całkowita masa (200 kg) i kompaktowe wymiary naszego zestawu pomiarowego umożliwiają transport lekkimi pojazdami, co ułatwia wielostanowiskowe testy oceniające efektywność fotosyntezy w środowiskach38.

Fotosynteza liści kontra korona koron

Pomiary LIFT w tej metodzie są ograniczone przestrzennie do najwyższej, nasłonecznionej warstwy korony, która odpowiada za około 50% do 70% całkowitej fotosyntezy. Ponadto ilość światła, które każdy liść może pochłonąć, zależy krytycznie od kąta względem słońca, przy czym bardziej pionowe liście zazwyczaj zwiększają wskaźnik powierzchni liści, poprawiając przenikanie światła i fotosyntezę korony40,41. Dzięki zastosowaniu zespołu czujnika LIFT w tej metodzie, efekty architektury 3D osłony na fotosyntezę jednolistową lub całokoronową można modelować za pomocą pomiarów odbicia ze spektrometru28 i/lub jawnej rekonstrukcji geometrii 3D osłony42 na podstawie obrazów stereo systemu kamer RGB. Nowe algorytmy, takie jak MASt3R36, uczą się gęstych, geometrycznie świadomych korespondencji cech za pomocą głębokich transformatorów, umożliwiając bardziej odporną i dokładną rekonstrukcję 3D na szerokich lub powtarzalnych obszarach. Jednak nawet bez takich dodatkowych korekt użyteczność zautomatyzowanych, wysokoprzepustowych metod, takich jak LIFT, do identyfikacji bardziej produktywnych i odpornych odmian upraw, została udowodniona11,43.

Ograniczenie pochłaniaczy

Ograniczenie pochłaniacza, czyli aktywne obniżenie fotosyntezy spowodowane niezdolnością rośliny do wykorzystania ilości fotosyntetów, które mogła wytworzyć (44,45), może maskować różnice w εc między genotypami. Ograniczenie w obniżenie fotosyntezy w pochłanianiu prawdopodobnie nasila się wraz ze wzrostem stężeniaCO2 w atmosferze45. Nasza metoda może wykryć ograniczenie pochłaniania tylko wtedy, gdy prowadzi ono również do spadku Fq'/Fm'; Istnieją przesłanki, że faktycznie może to się zdarzyć46. W każdym razie znaczenie ograniczenia pochłaniania wydaje się silnie zależeć od uprawy i etapu rozwoju, przy czym pszenica podczas napełniania ziarna jest znacznie bardziej dotknięta niż rośliny strączkowe45, ponieważ symbiotyczne wiązanie azotu tych ostatnich stanowi silny dodatkowy pochłaniacz 1,44,46. Jeśli ograniczenie zapadania ma duże znaczenie dla konkretnej uprawy w okresie pomiarów LIFT, konieczne są dalsze badania, aby porównać uzyskane wartości Fq'/Fm' z jednocześnie zbieranymi danymi wymiany gazowej oraz sprawdzić trafność założenia, że Fq'/Fm' stanowi dobry wskaźnik εc.

Odległość pomiarowa i zmienność wysokości osłony

Zespół czujników LIFT używany w tej metodzie został zaprojektowany do pomiarów z odległości około 60 cm do korona upraw32,47. Sensor LIFT używany w tej metodzie jest dość odporny na drobne różnice w odległości pomiarowej, ale większa odległość pomiarowa zazwyczaj daje nieco mniejsze wartości Fq'/Fm'47. Aby zapobiec takim błędom, zalecamy stosowanie odpowiedzi Fq'/Fm' na PPFR (która jest bardziej odporna na zmiany odległości pomiarowej) zamiast wartości bezwzględnych Fq'/Fm' jak12 i/lub do wyraźnego uwzględnienia różnic wysokości korony podczas analizy danych.

Niezamierzone, sztuczne cieniowanie liści

Zwiększona intensywność światła zazwyczaj zmniejsza Fq'/Fm'3,8,12. Dlatego należy unikać niepotrzebnego cieniowania przez operatorów lub układ pomiarowy 3,8,12. Aby zminimalizować cieniowanie przez robota, kierunek jazdy można ustawić tak, aby całkowicie go uniemożliwić (kosztem zmniejszenia przepustowości spowodowanej nieefektywnymi powrotami), albo pomiary można wykonywać w naprzemiennych kierunkach i statystycznie korygować pod kątem efektów cieniowania. W tym badaniu termin Kurs × godzinę w modelu statystycznym Fq'/Fm' (patrz krok 4.3.10) zapewnia, że zacieniowanie opuszczanych przez robota jest uwzględnione.

Podsumowanie

Podsumowując, czujnik LIFT zamontowany na autonomicznym robocie umożliwia szybkie i zautomatyzowane pomiary wydajności fotosyntezy w warunkach polowych, przezwyciężając ograniczenia przepustowości poprzednich podejść. Podczas gdy czynniki takie jak struktura korony i ograniczenia zagłębiania wymagają starannego rozważenia, nasze wyniki pokazują, że wiarygodne i skalowalne przesiewanie fotosyntezy w agronomicznych próbach polowych i szkółkach roślin jest wykonalne. Zespół wysokiej rozdzielczości stereo kamery RGB oraz LIFT jako czujnika punktowego pozwoli na dalszy wzrost precyzji: oparta na AI lokalizacja liści 3D umożliwi pobieranie próbek liści o podobnej orientacji względem słońca i uwzględnianiu specyficznych dla genotypu nachyleń liści. Z perspektywy badawczej szczególnie interesujące może być porównanie fotosyntezy genotypów z różną architekturą korona oraz przeprowadzenie pomiarów wysokoprzepustowych LIFT przy wzbogacaniu CO2 w swobodnym powietrzu (FACE), aby lepiej zrozumieć, jak Fq'/F m' jest wpływane przez procesy poniżej PS II w warunkach terenowych i potencjalnych ograniczeniach zagłębienia. W praktyce przesiewanie wydajności fotosyntezy i tolerancji na stres w szkółkach hodowlanych aż do pola rolnika dla zastosowań w rolnictwie precyzyjnym ma ogromny potencjał.

Oświadczenia

Robot użyty w tym badaniu został opracowany przez Caterra AG, firmę wywodzącą się z grupy badawczej ETH Zurich Crop Science, z którą związana jest większość autorów niniejszego artykułu. Autorzy jednak nie są bezpośrednio zaangażowani w rozwój robota i nie deklarują dodatkowych konkurujących interesów.

Podziękowania

Dziękujemy Caterra AG za dostarczenie podwozia robota, powiązane wsparcie techniczne oraz pomoc w konwersji na nasze pomiary. Dziękujemy Nicoli Storni z grupy badawczej Crop Science Szwajcarskiego Federalnego Instytutu Technologii w Zurychu za wsparcie w uruchomieniu systemu logowania pozycji GNSS na robocie. Szczególne podziękowania należą się Christophowi Barendregtowi z DSP Delley Seeds oraz Claude-Alainowi Bétrix z Agroscope za dostarczenie materiału roślinnego w ramach partnerstwa Agroscope/DSP do prób w ramach projektu PhenoSoy, finansowanego przez Federalny Urząd ds. Rolnictwa (FOAG). Metoda została opracowana w ramach projektu Increasing sustainability and nitro utility efficiency by improving peas for crop rotation (ECOPRot), finansowanego przez ETH World Food System Center dzięki darowiźnie Bayer AG oraz nagrodzie ETH Zurich Career Seed Award. Duże modele językowe były częściowo wykorzystywane do wspomagania kodowania i formułowania. Wszystkie wyniki zostały sprawdzone, zweryfikowane i sfinalizowane przez autorów.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Statyw kamerowy--Każdy typ, na którym czujnik PPFR można zamontować poziomo, będzie odpowiedni.
akumulator samochodowy (12 V / 80 Ah)Mercedes-Benz Group AG, Stuttgart, NiemcyA 001 982 81 08-
Rejestrator danychRejestratorzy danych HOBO, Bourne, USAStacja HOBO U30, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/-
Klient desktopowy logera danychOnset Computer Corporation, Massachusetts, USA.HOBOware wersja 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware-
Zestaw antenowy GNSSArduSimple, Andorra la Vella, AndorraAS-STARTKIT-LR-L1L2-EUNH-00-
Klient desktopowy logera GNSSu-blox AG, Thalwil, Szwajcariau-center GNSS, [sic] Oprogramowanie ewaluacyjne wersja 25.03, https://content.u-blox.com/sites/default/files/documents/u-center-25.03_ReleaseNote_UBXDOC-304424225-19688.pdf-
Laptop & nbsp;--Każdy laptop z wersją Windows (Microsoft Corporation, Redmond, USA) kompatybilną z klientami desktopowymi GNSS i loggerem danych będzie odpowiedni.
Klient desktopowy LIFT sensor assemblySoliense Inc., Nowy Jork, USAVersion.2016.04-
Zespół czujnika LIFT
(z adapterem sieciowym 240 V)		Soliense Inc., Nowy Jork, USALIFT-REMOprócz samego czujnika LIFT, zespół czujnika LIFT zawiera system kamer stereo RGB, składający się z dwóch kamer Blackfly S BFS-U3-50S5C dostarczonych przez FLIR Integrated Imaging Solutions Inc. (Kolumbia Brytyjska, Kanada) [obecnie Teledyne FLIR LLC, Wilsonville, USA] oraz spektrometr 400–800 nm o rozdzielczości 0,46 nm dostarczony przez Ocean Insight, [Teraz Ocean Optics] (Orlando, USA).
  Robot mierzy i asymp; 170 i razy; 210 i razy; 90 cm (długość & razy; szerokość & razy; wysokość) oraz waga ≈ 170 kg. Zespół czujników LIFT mierzy i asymp; 23 & razy; 34 & razy; 59 cm (długość i czasy; szerokość i czasy; wysokość, zamontowana na robocie).
Inwerter mocy
(12 V DC do 240 V 50 Hz AC)		Green Cell CSG S.A., Kraków, PolskaINV08-
Powerbank--Każdy powerbank USB się nada.
Czujnik PPFRHOBO / LI-COR, Lincoln, USAS-LIA-M003-
Strona internetowa o kontroli robotówCaterra AG, Opfikon, Szwajcaria-Link jest dostarczany indywidualnie przez producenta robota dla każdego klienta.
prototyp robota podwozia
(wyposażony w zdalny sterownik i
ładowarkę zasilaną sieciową 240 V)		Caterra AG, Opfikon, SzwajcariaFirefly (prototyp, nie sprzedawany), https://caterra.org/en/technologie/Każdy inny robot terenowy o odpowiedniej ładowności, szerokości toru i przeświecie może się nadać.
Biały panel referencyjny--Każda biała lub szara referencja się nada.

Bibliografia

  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).

Przedruki i uprawnienia

Tagi

Robot polowyfluorescencja chlorofiluwydajno kwantowafotosystem IIczujnik LIFTfenotypowanie ro lin uprawnychodbicie spektralnenawigacja GNSShodowla soi
Wysokoprzepustowe, terenowe badania wydajności fotosyntetycznej roślin uprawnych z wykorzystaniem autonomicznego robota
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.