Name: Wysokoprzepustowe, terenowe badania wydajności fotosyntetycznej roślin uprawnych z wykorzystaniem autonomicznego robota (Wideo) | JoVE Journal
Uploaded: 2026-01-09T12:30:00.000+00:00
Duration: 7 min 12 s
Description: Poznaj metodę wysokoprzepustowego pomiaru fotosyntezy roślin uprawnych w terenie z wykorzystaniem autonomicznego robota. To podejście umożliwia szybkie fenotypowanie wydajności fotosyntetycznej w badaniach agronomicznych.

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

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.

1. Konfiguracja czujnika PPFR i rejestratora danych
<ol>
	<li>Podłącz czujnik PPFR i powerbank do rejestratora danych. Podłącz logger danych do laptopa i uruchom go za pomocą desktopowego klienta logera.</li>
	<li>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.</li>
</ol>
2. Ustawienie robota i zespołu czujnika LIFT
<ol>
	<li>Załaduj współrzędne punktu nawigacyjnego (w formacie .geojson) do pomiaru na robota. Mogą być takie same jak te używane do wysiewu sterowanego GNSS w próbie.</li>
	<li>Zamontuj zespół czujnika LIFT z przodu robota na wysokości około 60 cm nad osłoną upraw (patrz Rysunek 1A).</li>
	<li>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.</li>
	<li>Umieść zestaw antenowy GNSS na górze robota, podłącz go do laptopa i uruchom klienta logera GNSS na komputerze stacjonarnym.</li>
	<li>Podłącz czujnik LIFT do laptopa i uruchom klienta LIFT na komputerze stacjonarnym z następującymi ustawieniami: Czujnik LIFT: moc wzbudzenia = 40 000 μmol fotonów m&gt;-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.</li>
</ol>
3. Przeprowadzanie pomiarów LIFT
<ol>
	<li>Ręcznie przesuń robota na początek pierwszego rzędu wykresów w polu eksperymentalnym za pomocą pilota.</li>
	<li>Aktywuj skrypt pomiarowy dla czujnika LIFT i spektrometru w trybie ciągłym.</li>
	<li>Rozpocznij autonomiczną nawigację robota z prędkością 0,5 m s-1, korzystając ze strony internetowej o kontroli robota.</li>
	<li>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.</li>
	<li>Okresowo trzymaj biały panel odniesienia pod wiązką wzbudzającą na wysokości korony uprawy, podczas gdy robot obraca się na granicy pola.</li>
</ol>
4. Integracja i wstępne przetwarzanie danych
UWAGA: Kod R jest dostępny na GitHub (https://github.com/beat2keller/lift_data_processing)
<ol>
	<li>Odczytaj dane przejściowe i spektralne LIFT ze wszystkich *_data.csv i *_spectral.csv używając pakietu R data.table34.</li>
	<li>Przeczytaj dane GNSS i pogodę wraz z mapami wykresów .geojson i projektem eksperymentalnym.</li>
	<li>Połącz zbiory danych i przeprowadź analizę statystyczną, np. opisaną w12 lub niżej.<ol>
		<li>Wyodrębnij Fq'/Fm' z każdego zarejestrowanego zjawiska przejściowego.</li>
		<li>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.</li>
		<li>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).</li>
		<li>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.</li>
		<li>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.</li>
		<li>Poprawiaj surowe dane o odbiciu spektralnym na podstawie tabeli wyszukiwania.</li>
		<li>Oblicz MERIS naziemny indeks chlorofilu (MTCI) oraz znormalizowany różnicowy wskaźnik roślinności (NDVI) na podstawie skorygowanych danych spektralnych za pomocą wzorów 
		<img alt="Równanie 1" src="/files/ftp_upload/69530/69530eq1v2.jpg" style="margin:0;" data-altupdatedat="1783400419000" data-alt="Equation 1"> gdzie Rλ oznacza średnie odbicie przy długości fali λ nm.</li>
		<li>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.</li>
		<li>Zidentyfikuj i usuń wiersze z odstającymi w Fq'/Fm' ze zbioru danych.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
</ol>

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.

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.

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.

<table><tbody><tr><td>Statyw kamerowy</td><td>-</td><td>-</td><td>Każdy typ, na którym czujnik PPFR można zamontować poziomo, będzie odpowiedni.</td></tr><tr><td>akumulator samochodowy (12 V / 80 Ah)</td><td>Mercedes-Benz Group AG, Stuttgart, Niemcy</td><td>A 001 982 81 08</td><td>-</td></tr><tr><td>Rejestrator danych</td><td>Rejestratorzy danych HOBO, Bourne, USA</td><td>Stacja HOBO U30, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/</td><td>-</td></tr><tr><td>Klient desktopowy logera danych</td><td>Onset Computer Corporation, Massachusetts, USA.</td><td>HOBOware wersja 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware</td><td>-</td></tr><tr><td>Zestaw antenowy GNSS</td><td>ArduSimple, Andorra la Vella, Andorra</td><td>AS-STARTKIT-LR-L1L2-EUNH-00</td><td>-</td></tr><tr><td>Klient desktopowy logera GNSS</td><td>u-blox AG, Thalwil, Szwajcaria</td><td>u-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</td><td>-</td></tr><tr><td>Laptop & nbsp;</td><td>-</td><td>-</td><td>Każdy laptop z wersją Windows (Microsoft Corporation, Redmond, USA) kompatybilną z klientami desktopowymi GNSS i loggerem danych będzie odpowiedni.</td></tr><tr><td>Klient desktopowy LIFT sensor assembly</td><td>Soliense Inc., Nowy Jork, USA</td><td>Version.2016.04</td><td>-</td></tr><tr><td>Zespół czujnika LIFT (z adapterem sieciowym 240 V)</td><td>Soliense Inc., Nowy Jork, USA</td><td>LIFT-REM</td><td>Oprócz 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). &nbsp; Robot mierzy i asymp; 170 i razy; 210 i razy; 90 cm (długość & razy; szerokość & razy; wysokość) oraz waga &asymp; 170 kg. Zespół czujników LIFT mierzy i asymp; 23 & razy; 34 & razy; 59 cm (długość i czasy; szerokość i czasy; wysokość, zamontowana na robocie).</td></tr><tr><td>Inwerter mocy (12 V DC do 240 V 50 Hz AC)</td><td>Green Cell CSG S.A., Kraków, Polska</td><td>INV08</td><td>-</td></tr><tr><td>Powerbank</td><td>-</td><td>-</td><td>Każdy powerbank USB się nada.</td></tr><tr><td>Czujnik PPFR</td><td>HOBO / LI-COR, Lincoln, USA</td><td>S-LIA-M003</td><td>-</td></tr><tr><td>Strona internetowa o kontroli robotów</td><td>Caterra AG, Opfikon, Szwajcaria</td><td>-</td><td>Link jest dostarczany indywidualnie przez producenta robota dla każdego klienta.</td></tr><tr><td>prototyp robota podwozia (wyposażony w zdalny sterownik i ładowarkę zasilaną sieciową 240 V)</td><td>Caterra AG, Opfikon, Szwajcaria</td><td>Firefly (prototyp, nie sprzedawany), https://caterra.org/en/technologie/</td><td>Każdy inny robot terenowy o odpowiedniej ładowności, szerokości toru i przeświecie może się nadać.</td></tr><tr><td>Biały panel referencyjny</td><td>-</td><td>-</td><td>Każda biała lub szara referencja się nada.</td></tr></tbody></table>

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

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

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.

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 (R<img alt="Równanie 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="Równanie 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). 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.
<img alt="Rysunek 1" class="xfigimg" src="/files/ftp_upload/69530/69530fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig1large.jpg" target="_blank">Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.</a>
<img alt="Rysunek 2" class="xfigimg" src="/files/ftp_upload/69530/69530fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig2large.jpg" target="_blank">Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.</a>
<img alt="Rysunek 3" class="xfigimg" src="/files/ftp_upload/69530/69530fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig3large.jpg" target="_blank">Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.</a>
<img alt="Rysunek 4" class="xfigimg" src="/files/ftp_upload/69530/69530fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig4large.jpg" target="_blank">Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.</a>
<img alt="Rysunek 5" class="xfigimg" src="/files/ftp_upload/69530/69530fig5v2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig5large.jpg" target="_blank">Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.</a>

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.

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

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

Badamy fotosyntezę w zmiennych warunkach terenowych, aby zidentyfikować wydajne i odporne odmiany oraz odkryć leżące u podstaw korzystne allele. Fotosynteza jest głównie oceniana za pomocą czasochłonnych ręcznych pomiarów PAM i wymiany gazowej, które ograniczają wykrywanie dynamiki sezonowej oraz przesiewowe badania wysokiej różnorodności genetycznej. Na początek zainstaluj statyw kamery obok pola eksperymentalnego.Umieść czujnik PPFR na statywie i ustaw rejestrator danych oraz power bank na ziemi pod statywem. Teraz zamontuj zespół czujnika LIFT z przodu robota, ustawiając go na wysokości około 60 centymetrów nad osłoną upraw. Umieść laptopa, akumulator samochodowy i przemiennik mocy na robocie.Podłącz inwerter mocy do akumulatora samochodowego. Następnie podłącz falownik do zespołu czujnika LIFT. Następnie umieść zestaw antenowy GNSS na górze robota.Podłącz zestaw antenowy do laptopa, uruchom klienta desktopowego GnssLogger i dostosuj pożądane ustawienia. Wartość bezpośrednio mierzona przez czujnik LIFT to wydajność fluorescencji chlorofilu, czyli wzrost całkowitej fluorescencji chlorofilowej spowodowany wiązką wzbudzającą dla każdego błysku. Niech do obliczenia sprawności kwantowej fotosystemu II użyjmy podane formuły.Podczas gdy faza wzbudzenia 300 fleszków trwa tylko 750 mikrosekund, całkowity czas trwania pojedynczego pomiaru fluorescencji chlorofilowej, wliczając fazę relaksacji, wynosi około 21 milisekund. Następnie ręcznie przesunąć robota na początek pierwszego rzędu wykresów w polu eksperymentalnym za pomocą pilota. Aktywuj skrypt pomiarowy zarówno dla czujnika LIFT, jak i spektrometru w trybie ciągłym.Rozpocznij autonomiczną nawigację robota z prędkością 0,5 metra na sekundę, korzystając ze strony internetowej o kontroli robota. Podczas pomiaru okresowo sprawdzaj wykres przedstawiający wydajność fluorescencji chlorofilu w czasie w kliencie desktopowym czujnika LIFT, aby potwierdzić przewidywany kształt. Jeśli sygnały wydają się zbyt słabe, odpowiednio dostosuj wzmocnienie czujnika.Okresowo trzymaj biały panel odniesienia pod wiązką wzbudzającą na wysokości korony uprawy, podczas gdy robot obraca się na granicy pola. Użyj pakietu tabeli danych w języku R, aby wczytać dane przejściowe i spektralne LIFT ze wszystkich plików kończących się na dane CSV i spektralne CSV. Przeczytaj dane GNSS, dane pogodowe, mapy wykresów GeoJSON oraz plik projektu eksperymentalnego.Wyodrębniaj efektywność kwantową fotosystemu II z każdego zarejestrowanego przejściowego LIFT. Następnie określ kierunek robota na podstawie kolejnych pozycji GNSS. Połącz dane GNSS z projektem eksperymentalnym, używając przypisanych identyfikatorów wykresów, aby powiązać lokalizacje przestrzenne z informacjami o leczeniu i replikacji.Przefiltruj białe pomiary referencyjne z zestawu danych o refleksyjności spektralnej i połącz te pomiary z danymi PPFR za pomocą znaczników czasu, tworząc tabelę wyszukiwania łączącą odbicie spektralne z różnymi natężeniami światła padającego. Teraz zastosuj korekty do surowych danych o odbiciu spektralnym, korzystając z wygenerowanej tabeli wyszukiwania. Wyodrębniaj specyficzne dla genotypowych trendów fotosyntetycznych z zestawu fluorescencji chlorofilowej z modelem filtrowanym przez odstęp.Oszacuj nachylenie genotypu za pomocą wyrazu interakcji PPFR, używając funkcji emtrendów w R, aby ilościowo określić specyficzną dla genotypu reakcję napromieniowania. Model uwzględnia MTCI, aby uwzględnić zmiany w zawartości chlorofilu i strukturze korony. Latem zmierzono 36 linii hodowlanych soi.Zbiór danych georeferencyjny ujawnił silne wzorce przestrzenne zarówno w efektywności kwantowej fotosystemu II, jak i w znormalizowanym indeksie różnicowej roślinności na polach eksperymentalnych, ze względu na różne genotypy uprawiane na pogłębiach oraz prawdopodobną dodatkową heterogeniczność gleby i pola. Wzorce przestrzenne w rzędach były częściowo wyjaśniane kierunkiem kursu robota polowego, co powodowało zacienienie liści celu o określonej porze dnia. Liniowe modelowanie efektów mieszanych przez cały sezon odpowiedzi efektywności kwantowej fotosystemu II na rosnącą szybkość przepływu fotosyntezy padającej, czyli PPFR, wykazało wyraźną heterogeniczność na poziomie pola, wyjaśniając znaczną część wariancji w zbiorze danych.Wyodrębnione specyficzne dla genotypu nachylenia wykazały wyraźne różnice między liniami hodowlanymi, przy czym kilka linii wykazywało bardziej strome lub płaskie krzywe odpowiedzi o efektywności kwantowej fotosystemu II do rosnącej natężenia światła w porównaniu do średniej panelowej. Trójwymiarowe rekonstrukcje koron, wykorzystujące algorytm MOSS T3R, wykazały potencjał integracji fenotypowania fizjologicznego i strukturalnego. Automatyczne pomiary LIFT w trakcie sezonu ujawniają fizjologiczną heterogeniczność w kroniach działek oraz, co ważne, wyraźne efektywności fotosyntetyczne między genotypami.Nasze podejście rejestruje pomiary fotosyntezy w czasie rzeczywistym nieinwazyjne i autonomicznie w ciągu milisekund, umożliwiając szybkie porównanie reakcji fotosyntetycznych w całych sezonach i różnorodnych genotypach. Przyszłe prace będą integrować LIFT z danymi genomicznymi, termicznymi i 3D z koronami, aby dokładniej przewidywać fotosyntezę, odporność na stres i wydajność upraw.

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

Research

JoVE Journal

Biology

Biologia

Opisujemy metodę wprowadzania, śledzenia i ilościowej analizy ekspresji GFP w komórkach roślinnych. Metoda ta wykorzystuje specjalnie zaprojektowany system robotyczny do półciągłego zbierania obrazów z dużej liczby próbek w czasie. Demonstrujemy również zastosowanie programów ImageJ i ImageReady do analizy serii obrazów.

Robotyka i dynamiczna analiza obrazu w badaniach ekspresji genów w tkankach roślinnych

Ten protokół opisuje proces szybkiego zbierania obrazów sadzonek rzodkiewnika reagujących na bodziec grawitacyjny za pomocą dostępnych na rynku skanerów płaskich.  Metoda ta pozwala na niedrogie, wysokonakładowe przechwytywanie obrazów o wysokiej rozdzielczości, które można poddać dalszym algorytmom analizy.

Używanie skanerów płaskich do zbierania poklatkowych obrazów o wysokiej rozdzielczości odpowiedzi grawitropowej korzenia rzodkiewnika

Opisana jest wysokoprzepustowa, zautomatyzowana metodologia produkcji i przetwarzania protoplastów tytoniu. Zrobotyzowany system umożliwia masowo równoległą ekspresję i odkrywanie genów w modelowym systemie BY-2, które powinno być możliwe do przełożenia na uprawy niemodelowe.

Zrobotyzowana platforma do wysokowydajnej izolacji i transformacji protoplastów

Przeprowadzono wysokoprzepustowe badanie przesiewowe syntetycznych małych cząsteczek na modelowym gatunku rośliny, Arabidopsis thaliana. Protokół ten, opracowany dla robota do obsługi cieczy, zwiększa szybkość badań przesiewowych genetyki chemicznej, przyspieszając odkrywanie nowych małych cząsteczek wpływających na fizjologię roślin.

Optymalizacja wykorzystania robota do obsługi cieczy w celu przeprowadzenia wysokoprzepustowego badania przesiewowego genetyki chemicznej Arabidopsis thaliana

Rozproszone węzły robotów dostarczają sekwencje bodźców niebieskiego światła, aby sterować trajektoriami wzrostu roślin pnących. Aktywując naturalny fototropizm, roboty prowadzą rośliny przez binarne decyzje lewo-prawo, rozwijając je w predefiniowane wzorce, które w przeciwieństwie do nich nie są możliwe, gdy roboty są uśpione.

Zrobotyzowane wykrywanie i dostarczanie bodźców do sterowanego wzrostu roślin

Protokół wprowadza wysokoprzepustową metodę pomiaru relaksacji niefotochemicznego wygaszania za pomocą modulowanej amplitudą impulsów fluorometrii chlorofilu. Metodę tę stosuje się do Glycine max uprawianej na polu i można ją dostosować do innych gatunków w celu przeprowadzenia badań przesiewowych pod kątem różnorodności genetycznej lub populacji hodowlanych.

Wysokoprzepustowa analiza niefotochemicznego hartowania w uprawach przy użyciu fluorometrii chlorofilu z modulacją amplitudy impulsów

Opisujemy podejście do pomiaru zmian w wydajności fotosyntezy w roślinach po traktowaniu niskim poziomemCO2 za pomocą fluorescencji chlorofilu.

Ocena efektywności fotosyntezy w mutantach fotooddechowych za pomocą analizy fluorescencji chlorofilu

Raportujemy szczegółowe procedury dla metody szacowania biomasy roślin inwazyjnych, która wykorzystuje dane uzyskane z teledetekcji bezzałogowych statków powietrznych (UAV) do oceny biomasy i uchwycenia przestrzennego rozmieszczenia gatunków inwazyjnych. Takie podejście okazuje się bardzo korzystne w przeprowadzaniu oceny zagrożeń i wczesnym ostrzeganiu przed roślinami inwazyjnymi.

Szacowanie biomasy w oparciu o wizję komputerową dla roślin inwazyjnych

Tutaj opisujemy zaawansowane narzędzie przeznaczone do monitorowania biosyntezy chlorofilu podczas wczesnych etapów deetiolacji siewek rzodkiewnika. Nowatorska metodologia umożliwia nieinwazyjne obrazowanie fluorescencji chlorofilu w czasie rzeczywistym w wysokiej rozdzielczości przestrzennej i czasowej.

Nieinwazyjny test do oznaczania kinetyki biosyntezy chlorofilu we wczesnych stadiach deetiolacji rzodkiewnika

Zaprojektowaliśmy protokół fenotypowania oparty na obrazach, aby określić morfologiczne i fizjologiczne reakcje na pojedyncze i skojarzone zabiegi upałów, suszy i podlewania. Podejście to umożliwiło identyfikację wczesnych, późnych i regeneracyjnych reakcji na poziomie całego zakładu, w szczególności części nadziemnych, a także podkreśliło konieczność stosowania wielu czujników obrazowania.

Wysokoprzepustowe fenotypowanie oparte na obrazie w celu określenia morfologicznych i fizjologicznych odpowiedzi na pojedyncze i połączone stresy u ziemniaka

Przedstawiono metodę taniego obrazowania roślin do pomiaru fenotypów, wraz z najlepszymi praktykami przechwytywania obrazów i potokiem analizy obrazu do ilościowego określania cech roślin. Metody te zastosowano do pomiaru fenotypów kukurydzy (Zea mays) w warunkach upałów, suszy i połączonego stresu abiotycznego.

Obrazowanie i analiza w celu ilościowego określenia fenotypów stresu abiotycznego kukurydzy (Zea mays)

Poznaj metodę wysokoprzepustowego pomiaru fotosyntezy roślin uprawnych w terenie z wykorzystaniem autonomicznego robota. To podejście umożliwia szybkie fenotypowanie wydajności fotosyntetycznej w badaniach agronomicznych.

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

Przeglądaj więcej filmów