Name: Triagem de alta produtividade em campo da eficiência fotossintética em plantas agrícolas usando um robô autônomo (Vídeo) | JoVE Journal
Uploaded: 2026-01-09T12:30:00.000+00:00
Duration: 7 min 12 s
Description: Aprenda a medir a eficiência fotossintética em campo usando um robô autônomo equipado com sensores LIFT. Este método não destrutivo permite triagem em larga escala de genótipos de culturas agrícolas.

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. Configuração do sensor PPFR e do registrador de dados
<ol>
	<li>Conecte o sensor PPFR e o powerbank ao registrador de dados. Conecte o registrador de dados ao computador portátil e inicie o registrador usando o cliente desktop do registrador de dados.</li>
	<li>Instale o tripé da câmera ao lado do campo experimental com o sensor PPFR em cima e o registrador de dados e powerbank no chão abaixo. NOTA: Certifique-se de que o sensor PPFR esteja na posição vertical e não sombreado ou afetado por objetos próximos. O sensor PPFR precisaria de um gimbal se montado diretamente no robô para medir valores PPFR precisos.</li>
</ol>
2. Configuração do robô e do conjunto sensor LIFT
<ol>
	<li>Carregue as coordenadas do waypoint (formato .geojson) para a medição no robô. Elas podem ser as mesmas usadas para a semeadura guiada por GNSS do ensaio.</li>
	<li>Monte o conjunto do sensor LIFT na frente do robô, a uma altura de cerca de 60 cm acima da copa da plantação (ver Figura 1A).</li>
	<li>Coloque o laptop, a bateria do carro e o inversor de energia em cima do robô e conecte o inversor de energia à bateria do carro e ao conjunto do sensor LIFT. ATENÇÃO: O feixe de excitação do sensor LIFT é perigoso para os olhos. Olhar diretamente para o feixe de excitação deve ser estritamente evitado.</li>
	<li>Posicione o kit de antena GNSS sobre o robô, conecte-o ao laptop e inicie o cliente desktop GNSS logger.</li>
	<li>Conecte o sensor LIFT ao laptop e inicie o cliente desktop LIFT com as seguintes configurações: Sensor LIFT: potência de excitação = 40.000 μmol fótons m&gt;-2 s-1; comprimento do flashlet = 1,6 μs; número de flashlets de excitação por medição única = 300; número de flashlets de relaxamento = 80; tempo entre flashlets de excitação = 2,5 μs; Tempo entre flashlets de relaxamento: ji = 101,28 + 0,0215 × i μs, onde ji é o comprimento do intervalo do i-ésimo flashlet; ganho do sensor = 10 ou 25; intervalo de medição = 0 s. Espectrômetro: tempo de integração espectral = 100 ms, alcance espectral de 400 a 800 nm. Câmeras RGB: exposição = automática; obturador = automático; ganho = automático; brilho = 0; taxa de quadros = 20 s-1; modo de disparo = permitido (aciona a câmera a cada medição LIFT). NOTA: A quantidade medida diretamente pelo sensor LIFT é o rendimento de ChlF (aumento no total de ChlF devido ao feixe de excitação para cada flash20). Depois, calcule Fq'/F m' como 
	Fq'/F m' = (Fm' - F') / Fm' 26 onde F' é definido como o rendimento ChlF do1º flashlet e Fm' como a média dos rendimentos ChlF dos 301st e 302nd flashlets28. A duração total de uma medição de ChlF (incluindo a fase de relaxamento) é de cerca de 21 ms, mas a duração da fase crucial de excitação do flashlet 300 é de apenas 750 μs.</li>
</ol>
3. Realização de medições de LIFT
<ol>
	<li>Conduza manualmente o robô até o início da primeira fileira de plots no campo experimental usando o controle remoto.</li>
	<li>Ative o script de medição do sensor LIFT e do espectrômetro em modo contínuo.</li>
	<li>Inicie a navegação autônoma do robô a 0,5 m de velocidade s-1 usando o site de controle do robô.</li>
	<li>Durante a medição, verifique periodicamente o gráfico que representa o rendimento do ChlF ao longo do tempo no cliente de desktop do conjunto do sensor LIFT para confirmar que ele possui a forma esperada ( veja a Figura 1B). Ajuste o ganho do sensor se os sinais estiverem muito fracos.</li>
	<li>Periodicamente, segure o painel de referência branco sob o feixe de excitação na altura da copa da colheita enquanto o robô gira na borda do campo.</li>
</ol>
4. Integração de dados e pré-processamento
NOTA: O código R está disponível no GitHub (https://github.com/beat2keller/lift_data_processing)
<ol>
	<li>Leia os dados transitórios e espectrais do LIFT de todos os dados *_data.csv e *_spectral.csv usando o pacote Rdatatable 34.</li>
	<li>Leia os dados GNSS e meteorológicos junto com os mapas gráficos .geojson e o desenho experimental.</li>
	<li>Combine os conjuntos de dados e realize análises estatísticas, por exemplo, conforme descrito no12, ou abaixo.<ol>
		<li>Extraia Fq'/F m' de cada transiente registrado.</li>
		<li>Junte cada ponto GNSS ao seu gráfico correspondente com base em polígonos .geojson usando contenção espacial. Não se esqueça de considerar a distância entre o conjunto do sensor LIFT e a antena GNSS do robô.</li>
		<li>Determine o rumo do robô a partir de posições consecutivas. Misture o desenho experimental com os dados GNSS pelos identificadores de plot atribuídos. NOTA: Esta etapa vincula cada posição espacial às respectivas informações de tratamento (por exemplo, genótipo) e replicação (por exemplo, bloco).</li>
		<li>Combine os dados de alta resolução do sensor PPFR com dados PPFR de baixa resolução da estação meteorológica mais próxima para produzir uma série temporal PPFR incidente fundida (opcional). NOTA: Dados meteorológicos de baixa resolução para a Suíça podem ser derivados da rede agrometeo.ch (https://agrometeo.ch/de) conforme descrito no35.</li>
		<li>Filtre as medições de referência branca do conjunto de dados de reflectância espectral e miste-as com os dados PPFR usando carimbos de tempo para criar uma tabela de consulta para a reflectância espectral sob diferentes intensidades de luz incidente, conforme descrito em28.</li>
		<li>Corrija os dados brutos de reflectância espectral com base na tabela de consulta.</li>
		<li>Calcule o índice de clorofila terrestre do MERIS (MTCI) e o índice de vegetação de diferença normalizada (NDVI) a partir dos dados corrigidos de reflectância espectral usando as fórmulas 
		<img alt="Equação 1" src="/files/ftp_upload/69530/69530eq1v2.jpg" style="margin:0;" data-altupdatedat="1783400419000" data-alt="Equation 1"> onde Rλ denota a reflexão média no comprimento de onda λ nm.</li>
		<li>Misture os dados de ChlF, posição/design experimental GNSS e PPFR/reflectância espectral realizando uma junção de vizinho mais próximo com uma janela de tolerância definida (por exemplo, 1 ms) baseada em carimbos de tempo.</li>
		<li>Identifique e remova linhas com valores atípicos em Fq'/F m' do conjunto de dados.</li>
		<li>Extraia tendências de resposta fotossintética específicas do genótipo (G: PPFR) dos dados corrigidos por valores atípicos de ChlF ajustando o modelo 
		Fq'/F m' = β0 + β1 Data + β2 (Cabeçalho x Hora) + β3 (Genótipo × PPFR) + β4 MTCI + β5 PPFR + ε para o conjunto de dados filtrado por outliers.</li>
		<li>Estimar a inclinação (β3) do termo preditor (Genótipo × PPFR) usando tendências marginais estimadas (tendências em R) para obter uma medida quantitativa da resposta específica do genótipo à irradiância. Incluir o MTCI no modelo leva em conta as diferenças no conteúdo de clorofila e no status do dossel que influenciam Fq'/F m', conforme descritoanteriormente, 12. NOTA: Rumo indica a direção de condução do robô (derivada dos rolamentos GNSS na etapa 4.3.3) para levar em conta os potenciais efeitos direcionais durante as medições.</li>
	</ol>
	</li>
</ol>

<table><tbody><tr><td>Tripé de câmera</td><td>-</td><td>-</td><td>Qualquer tipo em que o sensor PPFR possa ser montado horizontalmente serve.</td></tr><tr><td>Bateria de carro (12 V / 80 Ah)</td><td>Mercedes-Benz Group AG, Stuttgart, Alemanha</td><td>A 001 982 81 08</td><td>-</td></tr><tr><td>Registrador de dados</td><td>Registradores de Dados HOBO, Bourne, EUA.</td><td>Estação HOBO U30, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/</td><td>-</td></tr><tr><td>Cliente de Desktop Data Logger</td><td>Onset Computer Corporation, Massachusetts, EUA</td><td>HOBOware Versão 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware</td><td>-</td></tr><tr><td>Kit de antena GNSS</td><td>ArduSimple, Andorra la Vella, Andorra</td><td>AS-STARTKIT-LR-L1L2-EUNH-00</td><td>-</td></tr><tr><td>Cliente desktop GNSS logger</td><td>u-blox AG, Thalwil, Suíça</td><td>u-center GNSS, [sic] Software de Avaliação Versão 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>computador portátil&nbsp;</td><td>-</td><td>-</td><td>Qualquer laptop rodando uma versão Windows (Microsoft Corporation, Redmond, EUA) compatível com os clientes GNSS e desktop registradores de dados serve.</td></tr><tr><td>Cliente desktop assembly sensor LIFT</td><td>Soliense Inc., Nova York, EUA</td><td>Versão.2016.04</td><td>-</td></tr><tr><td>Conjunto do sensor LIFT (completo com adaptador de rede de 240 V)</td><td>Soliense Inc., Nova York, EUA</td><td>LIFT-REM</td><td>Além do sensor LIFT propriamente dito, o conjunto do sensor LIFT incorpora um sistema de câmera estéreo RGB composto por duas câmeras Blackfly S BFS-U3-50S5C fornecidas pela FLIR Integrated Imaging Solutions Inc. (Colômbia Britânica, Canadá) [atualmente Teledyne FLIR LLC, Wilsonville, EUA] e um espectrômetro de 400 a 800 nm com resolução de 0,46 nm fornecida pela Ocean Insight, [Agora Ocean Optics] (Orlando, EUA). &nbsp; O robô mede &assínpio; 170 e mais vezes; 210 e horas; 90 cm (comprimento e vezes largura e altura) e peso & assíncima; 170 kg. O conjunto do sensor LIFT mede &assínpio; 23 e mais vezes; 34 e mais vezes; 59 cm (comprimento e largura e altura, conforme montado no robô).</td></tr><tr><td>inversor de potência (12 V DC a 240 V 50 Hz CA)</td><td>Green Cell CSG S.A., Cracóvia, Polônia</td><td>INV08</td><td>-</td></tr><tr><td>Powerbank</td><td>-</td><td>-</td><td>Qualquer powerbank USB serve.</td></tr><tr><td>Sensor PPFR</td><td>HOBO / LI-COR, Lincoln, EUA</td><td>S-LIA-M003</td><td>-</td></tr><tr><td>Site de controle robótico</td><td>Caterra AG, Opfikon, Suíça</td><td>-</td><td>O link é fornecido pelo fabricante do robô individualmente para cada cliente.</td></tr><tr><td>Chassi protótipo de robô (completo com controle remoto e carregador de bateria de 240 V)</td><td>Caterra AG, Opfikon, Suíça</td><td>Firefly (protótipo, não comercializado), https://caterra.org/en/technologie/</td><td>Qualquer outro robô de campo com capacidade de carga útil, largura de trilho e altura ao solo adequadas pode servir.</td></tr><tr><td>Painel de Referência Branco</td><td>-</td><td>-</td><td>Qualquer referência branca ou cinza serve.</td></tr></tbody></table>

triagem de alta produtividade em campo da eficiência fotossintética em plantas agrícolas usando um robô autônomo

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

No total, foram obtidas 91.205 medições transitórias de ChlF de 36 linhagens de reprodução de soja (Glycine max (L.) Merr.) em 7 dias de medição de 12 a 27 de junho de 2025. 74.927 pontos de dados puderam ser georreferenciados para gráficos, e 58.916 foram filtrados quanto à qualidade dos dados e foram combinados com dados espectrais e meteorológicos. Uma visão geral do sistema de medição e dados representativos é mostrada na Figura 1, incluindo uma imagem do instrumento em operação (Figura 1A), cinética de indução de ChlF em 12 genótipos de soja (Figura 1B) e as correspondentes curvas de reflectância espectral (Figura 1C).
Os dados georreferenciados revelaram variação espacial pronunciada tanto em Fq'/Fm' quanto em NDVI entre os dois campos experimentais (Figura 2). Esses padrões espaciais estavam parcialmente associados à direção de condução do robô (Figura 3), que foi considerada em modelagens posteriores para reduzir os potenciais efeitos do sombreamento nas folhas alvo.
A modelagem linear de efeitos mistos das respostas de Fq'/F m' a PPFR incidente (Figura 4A) explicou uma proporção substancial da variância (R<img alt="Equação 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="Equação 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). As inclinações específicas do genótipo extraídas (Resposta G: PPFR) mostraram diferenças claras entre as linhas de reprodução (Figura 4B), com várias linhas apresentando curvas de resposta mais íngremes ou mais planas em comparação com a média do painel (Figura 4C).
Por fim, reconstruções 3D em nível de dossel derivadas da imagem RGB e do algoritmo Matching And Stereo 3D Reconstruction (MASt3R)36 (Figura 5) demonstraram o potencial de integrar medições fisiológicas baseadas em LIFT com fenotipagem estrutural para capturar a arquitetura da copa em três dimensões.
<img alt="Figura 1" class="xfigimg" src="/files/ftp_upload/69530/69530fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 1"> 
Figura 1: Visão geral das medições de transientes de fluorescência induzidas pela luz (LIFT) e refletância espectral para genótipos de soja. (A) Imagem de exemplo do dispositivo LIFT em operação. A entrada mostra o feixe de excitação azul para induzir a fluorescência da clorofila (ChlF). (B) Curvas de indução transitória de ChlF medidas em 27 de junho de 2025 para 12 genótipos de soja (média ± DS, n entre 88 e 553 por genótipo, ntotal = 2.035). (C) Espectros correspondentes de reflectância foliar medidos em 25 de junho de 2025 para os mesmos genótipos (média ± SE, ntotal = 2.035). As cores indicam genótipos individuais; Barras de erro representam variação entre medições replicadas. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig1large.jpg" target="_blank">Por favor, clique aqui para ver uma versão ampliada desta figura.</a>
<img alt="Figura 2" class="xfigimg" src="/files/ftp_upload/69530/69530fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
Figura 2: Distribuição espacial da eficiência quântica do fotosistema II e valores normalizados do índice de vegetação diferencial (NDVI). A distribuição espacial dos valores de eficiência quântica (superior) do fotosistema II (Fq'/Fm') e dos valores do índice de diferença normalizada de vegetação (NDVI) (inferior) foi medida em dois campos experimentais de soja compreendendo 120 parcelas e 36 linhas de reprodução (n = 58.916). Os pontos representam locais de medição, com cores indicando o valor observado e formas indicando a direção do robô: noroeste (NO), nordeste (NE), sudoeste (SW) e sudeste (SE). Linhas pretas delimitam os limites dos campos de campo. Pontos pretos representam as coordenadas do sistema global de navegação por satélite (GNSS) do robô de campo. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig2large.jpg" target="_blank">Por favor, clique aqui para ver uma versão ampliada desta figura.</a>
<img alt="Figura 3" class="xfigimg" src="/files/ftp_upload/69530/69530fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
Figura 3: Eficiência quântica do fotosistema II. Diagramas de caixa mostram a eficiência quântica do fotosistema II (Fq'/F m') e o logaritmo da irradiância incidente a 680 nm ao longo das horas de medição (9 - 15 h) tanto para a direção nordeste (NE) quanto para sudoeste (SW) para o rumo do rover (nNE-ward = 14.339, nSE-ward = 25.669, n total = 40.008). O robô estava sombreando o ponto de medição enquanto seguia para o sudoeste pela manhã e para o leste à tarde. Cada caixa representa o intervalo interquartil (IQR), com a linha horizontal e os bigodes indicando, respectivamente, os limites mediano e 1,5 × IQR. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig3large.jpg" target="_blank">Por favor, clique aqui para ver uma versão ampliada desta figura.</a>
<img alt="Figura 4" class="xfigimg" src="/files/ftp_upload/69530/69530fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 4"> 
Figura 4: Inclinações de resposta fotossintéticas. (A) Variação espacial nas inclinações estimadas de resposta fotossintética (interação entre genótipo e taxa de fluxo de fótons fotossintéticos (G: PPFR)) em dois campos experimentais de soja, derivada de modelagem linear de efeitos mistos. (B) Ajustou médias e estimou modelos as inclinações de resposta fotossintética para linhas individuais de reprodução, com genótipos de interesse destacados em cor. (C) Relação entre PPFR incidente e a eficiência quântica do fotossistema II (Fq'/F m') para os genótipos destacados, com curvas de regressão de raiz quadrada ajustadas. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig4large.jpg" target="_blank">Por favor, clique aqui para ver uma versão ampliada desta figura.</a>
<img alt="Figura 5" class="xfigimg" src="/files/ftp_upload/69530/69530fig5v2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 5"> 
Figura 5: Medição da arquitetura do dossel por LIFT. A arquitetura do dossel da variedade de soja Gallec é mostrada. (A) As câmeras vermelha, verde e azul (RGB) do dispositivo transiente de fluorescência induzida pela luz (LIFT) adquiriram imagens durante a triagem para fotossíntese. (B, C) O algoritmo de correspondência e reconstrução 3D estéreo (MASt3R)36 foi usado para reconstruir a arquitetura de dossel 3D. As pirâmides indicam as posições estimadas das câmeras. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig5large.jpg" target="_blank">Por favor, clique aqui para ver uma versão ampliada desta figura.</a>

Triagem de alta produtividade em campo da eficiência fotossintética em plantas agrícolas usando um robô autônomo

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

JoVE Journal

Biology

Biologia

Apresentamos um método para a introdução, acompanhamento e análise quantitativa de expressão GFP em células vegetais. Este método utiliza um design personalizado sistema de robótica para semi-contínua coleção de imagens de um grande número de amostras, ao longo do tempo. Nós também demonstrar o uso de ImageJ e ImageReady para análise de séries de imagens.

Robótica e Análise de Imagem Dinâmica de Estudos de Expressão Gênica em Tecidos Vegetais

Este protocolo descreve um processo para cobrança rápida de imagens de plântulas de Arabidopsis que respondem a um estímulo gravidade usando scanners de mesa disponíveis comercialmente. O método permite a baixo custo, a captura de grandes volumes de imagens de alta resolução passíveis de algoritmos de análise a jusante.

Usando scanners de mesa para coletar imagens de alta resolução tempo decorrido da Arabidopsis Root gravitrópico Response

A metodologia de alto rendimento, automatizada, produção e transformação de protoplastos de tabaco é descrito. O sistema robótico permite a expressão do gene massivamente paralelo e descoberta no sistema modelo BY-2 que podem ser traduzidas para as culturas não-modelo.

A plataforma robótica de alta capacidade de protoplastos Isolamento e Transformação

Realizou-se uma tela de alta taxa de transferência de moléculas pequenas sintéticas sobre espécies a planta modelo Arabidopsis thaliana. Este protocolo, desenvolvido para um robô de manipulação de líquidos, aumenta a velocidade das telas de genética de química para a frente, acelerando a descoberta de novas moléculas pequenas, que afetam a fisiologia vegetal.

Otimizando o uso de um robô de manipulação líquidos para conduzir a uma alta taxa de transferência para a frente química genética tela de Arabidopsis thaliana

Os nós de robôs distribuídos fornecem sequências de estímulos de luz azul para orientar as trajetórias de crescimento das plantas de escalada. Ao ativar o fototropismo natural, os robôs orientam as plantas através de decisões binárias de esquerda-direita, crescendo-as em padrões predefinidos que, por contraste, não são possíveis quando os robôs estão inativos.

Sensoriamento robótico e provisão de estímulos para crescimento de plantas guiadas

O protocolo introduz um método de alta produtividade para medir o relaxamento da extinção não fotoquímica por fluorometria modulada de clorofila modulada de pulso. O método é aplicado ao max glycine cultivado em campo e pode ser adaptado a outras espécies para testar a diversidade genética ou populações de reprodução.

Análise de alta produtividade da extinção não fotoquímica nas culturas usando fluorometria modulada de clorofila modulada de pulso

Descrevemos uma abordagem para medir mudanças na eficiência fotossintética em plantas após tratamento com baixo CO2 usando fluorescência de clorofila.

Avaliação da Eficiência Fotossintética em Mutantes Fotorrespiratórios por Análise de Fluorescência de Clorofila

Relatamos procedimentos detalhados para um método de estimativa de biomassa de plantas invasoras que utiliza dados obtidos de sensoriamento remoto de veículos aéreos não tripulados (UAV) para avaliar a biomassa e capturar a distribuição espacial de espécies invasoras. Essa abordagem é altamente benéfica para a realização de avaliação de perigos e alerta precoce de plantas invasoras.

Estimativa de biomassa baseada em visão computacional para plantas invasoras

Aqui, descrevemos uma ferramenta avançada projetada para o monitoramento da biossíntese de clorofila durante os estágios iniciais da desetiolação de plântulas de Arabidopsis . A nova metodologia fornece imagens não invasivas de fluorescência da clorofila em tempo real com alta resolução espacial e temporal.

Ensaio Não Invasivo para Determinação da Cinética de Biossíntese de Clorofila durante os Estágios Iniciais da Desetiolação de Arabidopsis

Projetamos um protocolo de fenotipagem baseado em imagem para determinar as respostas morfológicas e fisiológicas a tratamentos únicos e combinados de calor, seca e alagamento. Essa abordagem permitiu a identificação de respostas precoces, tardias e de recuperação em todo o nível da planta, particularmente nas partes acima do solo, e destacou a necessidade de usar vários sensores de imagem.

Fenotipagem baseada em imagem de alto rendimento para determinar respostas morfológicas e fisiológicas a estresses únicos e combinados em batata

Um método é apresentado para imagens de baixo custo de plantas para medir fenótipos, juntamente com as melhores práticas para captura de imagens e um pipeline de análise de imagens para quantificar as características das plantas. Esses métodos foram aplicados para medir os fenótipos do milho (Zea mays) sob condições de calor, seca e estresse abiótico combinado.

Imagem e análise para quantificar fenótipos de estresse abiótico de milho (Zea mays)

Aprenda a medir a eficiência fotossintética em campo usando um robô autônomo equipado com sensores LIFT. Este método não destrutivo permite triagem em larga escala de genótipos de culturas agrícolas.

Triagem de alta produtividade em campo da eficiência fotossintética em plantas agrícolas usando um robô autônomo

Explorar mais vídeos