Name: Otonom bir robot kullanılarak ürün bitkilerinde fotosentetik verimliliğin yüksek verimli ve sahada taraması (Video) | JoVE Journal
Uploaded: 2026-01-09T12:30:00.000+00:00
Duration: 7 min 12 s
Description: Öğrenin otonom robot kullanarak ürün bitkilerinde fotosentetik verimliliği yüksek verimli ve sahada taramayı. Bu yöntem, fotosistem II kuantum verimliliğini hızlı ve tahribatsız ölçerek ıslah çalışmalarını hızlandırır.

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. PPFR sensörü ve veri kaydedicisinin kurulumu
<ol>
	<li>PPFR sensörünü ve güç bankasını veri kaydediciye bağlayın. Veri kaydedicisini dizüstü bilgisayara bağlayın ve veri kaydedicisi masaüstü istemcisiyle başlatın.</li>
	<li>Kamera tripodunu deney alanının yanında, PPFR sensörü üstte, veri kaydedici ve güç bankasını ise yere yerleştirin. NOT: PPFR sensörünün dik konumda olduğundan ve gölgelenmediğinden veya yakındaki herhangi bir nesneden etkilenmediğinden emin olun. PPFR sensörü, doğrudan robota monte edildiğinde doğru PPFR değerlerini ölçmek için bir gimbal gerektirir.</li>
</ol>
2. Robot ve LIFT sensör montajının kurulumu
<ol>
	<li>Ölçüm için yol noktası koordinatlarını (.geojson formatı) robota yükleyin. Bunlar, denemenin GNSS rehberli ekimi için kullanılan kişilerle aynı olabilir.</li>
	<li>LIFT sensör montajını robotun önüne, tarla örtülü örtüsünden yaklaşık 60 cm yükseklikte monte edin (bkz. Şekil 1A).</li>
	<li>Dizüstü bilgisayarı, araba bataryasını ve güç invertörünü robotun üstüne yerleştirin ve güç invertörü araba bataryasına ve LIFT sensör montajına bağlayın. DIKKAT: LIFT sensörünün uyarılma ışını gözler için tehlikelidir. Uyarı ışınına doğrudan bakmaktan kesinlikle kaçınmak gerekir.</li>
	<li>GNSS anten kitini robotun üstüne yerleştirin, dizüstü bilgisayara bağlayın ve GNSS logger masaüstü istemcisini başlatın.</li>
	<li>LIFT sensörünü dizüstü bilgisayara bağlayın ve aşağıdaki ayarlarla LIFT masaüstü istemcisini başlatın: LIFT sensörü: uyarılma gücü = 40.000 μmol foton m&gt;-2 s-1; flaşlet uzunluğu = 1,6 μs; tek ölçüm başına uyarılma flaş sayısı = 300; gevşetme flaşları sayısı = 80; uyarılma flaşları arasındaki süre = 2,5 μs; gevşeme flaşletleri arasındaki zaman: ji = 101.28 + 0.0215 × i μs, burada ji i. flaşletin aralık uzunluğudur; sensör kazancı = 10 veya 25; ölçüm aralığı = 0 s. Spektrometre: spektral entegrasyon süresi = 100 ms, spektral aralık 400 ila 800 nm arasındadır. RGB kameralar: pozlama = otomatik; deklanşör = otomatik; kazanç = otomatik; parlaklık = 0; kare hızı = 20 s-1; tetikleme modu = izin verilir (her LIFT ölçümünde kamerayı tetikler). NOT: LIFT sensörü tarafından doğrudan ölçülen miktar, ChlF vericidir (her flaşlet20 için uyarılma ışını nedeniyle toplam ChlF artışı). Sonra, Fq'/Fm' olarak hesaplayın 
	Fq'/Fm' = (Fm' - F') / Fm' 26 burada F', 1. flaşletin ChlF verimi olarak tanımlanır ve Fm' ise 301. flaşletin ChlF verimlerinin ortalaması olarak tanımlanır ve 302.flaşletler 28'in ChlF verimlerinin ortalaması olarak tanımlanır. Bir ChlF ölçümünün toplam süresi (gevşemasyon evzi dahil) yaklaşık 21 ms'dir, ancak kritik 300 flaşlet uyarılma aşamasının süresi sadece 750 μs'dir.</li>
</ol>
3. LIFT ölçümlerinin yapılması
<ol>
	<li>Uzaktan kumanda kullanarak robotu deneysel alandaki ilk çizgi grafiklerin başına manuel olarak yönlendirin.</li>
	<li>LIFT sensörü ve spektrometre için ölçüm besini sürekli modda etkinleştirin.</li>
	<li>Otonom robot navigasyonunu robot kontrol web sitesini kullanarak 0,5 m s-1 hızda başlatın.</li>
	<li>Ölçüm sırasında, LIFT sensör montajı masaüstü istemcisinde zaman içindeki ChlF verimini temsil eden grafiki periyodik olarak kontrol ederek beklenen şekli aldığından emin olun ( bkz. Şekil 1B). Sinyaller çok zayıfsa sensör kazancını ayarlayın.</li>
	<li>Robot tarla sınırında dönerken beyaz referans panelini, ekin örtüsünün yüksekliğindeki uyarı ışınının altında periyodik olarak tutun.</li>
</ol>
4. Veri entegrasyonu ve ön işleme
NOT: R kodu GitHub'da (https://github.com/beat2keller/lift_data_processing) mevcuttur
<ol>
	<li>Tüm *_data.csv ve *_spectral.csv verilerinden LIFT geçici ve spektral verilerini R data.tablepaketi 34 kullanarak okuyun.</li>
	<li>GNSS ve hava verilerini, .geojson grafik haritaları ve deneysel tasarımla birlikte okuyun.</li>
	<li>Veri setlerini birleştirin ve örneğin12'de veya aşağıda açıklandığı gibi istatistiksel analiz yapın.<ol>
		<li>Her kaydedilmiş geçiciden Fq'/Fm' çıkar.</li>
		<li>Her GNSS noktasını, mekânsal muhafaza kullanarak .geojson çokgenlerine dayalı ilgili grafikle birleştirin. LIFT sensör montajı ile robotun GNSS antenine arasındaki mesafeyi hesaba katmayı unutmayın.</li>
		<li>Robotun gidişini ardışık pozisyonlardan belirleyin. Deneysel tasarımı, atanan grafik tanımlayıcılarla GNSS verileriyle birleştirin. NOT: Bu adım, her mekansal konumu ilgili tedavi (örneğin genotip) ve replikasyon (örneğin, blok) bilgileriyle bağlar.</li>
		<li>PPFR sensöründen gelen yüksek çözünürlüklü verileri, en yakın hava durumu istasyonundan gelen düşük çözünürlüklü PPFR verileriyle birleştirerek sigortalı gelen PPFR zaman serisi (isteğe bağlı) oluşturulur. NOT: İsviçre için düşük çözünürlüklü meteorolojik veriler,35'te tanımlandığı gibi agrometeo.ch (https://agrometeo.ch/de) ağından türetilebilir.</li>
		<li>Spektral yansıtma veri setinden beyaz referans ölçümlerini filtreleyin ve PPFR verileriyle birleştirin; zaman damgaları kullanarak,28'de açıklandığı gibi farklı gelen ışık yoğunluklarında spektral yansıtma için bir arama tablosu oluşturulur.</li>
		<li>Ham spektral yansıtma verilerini arama tablosuna göre düzeltin.</li>
		<li>Düzeltilmiş spektral yansıtma verilerinden MERIS karasal klorofil indeksi (MTCI) ve normalleştirilmiş fark bitki örtüsü indeksi (NDVI) formüller kullanılarak hesaplayın 
		<img alt="Denklem 1" src="/files/ftp_upload/69530/69530eq1v2.jpg" style="margin:0;" data-altupdatedat="1783400419000" data-alt="Equation 1"> burada Rλ , dalga boyu λ nm ortalama yansımayı gösterir.</li>
		<li>ChlF, GNSS konum/deneysel tasarım ve PPFR/spektral yansıtma verilerini, zaman damgalarına dayalı olarak tanımlanmış bir tolerans penceresi (örneğin, 1 ms) ile en yakın komşu birleşimi gerçekleştirerek birleştirin.</li>
		<li>Fq'/Fm' içindeki outlier'li satırları veri setinden tespit edin ve çıkarın.</li>
		<li>Modele uyarak genotipe özgü fotosentetik yanıt eğilimlerini (G: PPFR) çıkarmak 
		Fq'/Fm' = β0 + β1 Tarih + β2 (Başlık x Saat) + β3 (Genotip × PPFR) + β4 MTCI + β5 PPFR + ε Outlier filtreli veri setine doğru.</li>
		<li>(Genotip × PPFR) tahmin edici teriminin eğimi (β3) tahmini marjinal eğilimler (R eğilimleri) kullanılarak genotipe özgü ışıklandırmaya karşı yanıtın nicel bir ölçütü elde edilmesi. MTCI'nin modele dahil edilmesi, daha önce açıklandığı gibi Fq'/Fm' etkileri olan klorofil içeriği ve örtü durumundaki farklılıklarıaçıklar. 12. NOT: Başlık, robotun sürüş yönünü (4.3.3.3 adımındaki GNSS rulmanlarından türetilmiştir) ve ölçümler sırasında olası yön etkilerini hesaba katar.</li>
	</ol>
	</li>
</ol>

<table><tbody><tr><td>Kamera tripodu</td><td>-</td><td>-</td><td>PPFR sensörünün yatay olarak monte edilebildiği herhangi bir tip yeterli olur.</td></tr><tr><td>araba aküsü (12 V / 80 Ah)</td><td>Mercedes-Benz Group AG, Stuttgart, Almanya</td><td>A 001 982 81 08</td><td>-</td></tr><tr><td>veri kaydedici</td><td>HOBO Veri Kayıtçıları, Bourne, ABD</td><td>HOBO U30 İstasyonu, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/</td><td>-</td></tr><tr><td>Data logger Desktop istemcisi</td><td>Onset Computer Corporation, Massachusetts, ABD</td><td>HOBOware Sürüm 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware</td><td>-</td></tr><tr><td>GNSS anten kiti</td><td>ArduSimple, Andorra la Vella, Andorra</td><td>AS-STARTKIT-LR-L1L2-EUNH-00</td><td>-</td></tr><tr><td>GNSS logger desktop client</td><td>u-blox AG, Thalwil, İsviçre</td><td>u-center GNSS, [sic] Değerlendirme Yazılımı Sürüm 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>dizüstü bilgisayar&nbsp;</td><td>-</td><td>-</td><td>Windows (Microsoft Corporation, Redmond, ABD) sürümü çalıştıran ve GNSS ile uyumlu olan herhangi bir dizüstü bilgisayar ve veri kaydedici masaüstü istemcileri için uygundur.</td></tr><tr><td>LIFT sensör montajı masaüstü istemcisi</td><td>Soliense Inc., New York, ABD.</td><td>Version.2016.04</td><td>-</td></tr><tr><td>LIFT sensör montajı (240 V ana adaptörü ile birlikte)</td><td>Soliense Inc., New York, ABD.</td><td>LIFT-REM</td><td>Gerçek LIFT sensörüne ek olarak, LIFT sensör montajı, FLIR Integrated Imaging Solutions Inc. (British Colombia, Kanada) [şimdi Teledyne FLIR LLC, Wilsonville, ABD] tarafından sağlanan iki Blackfly S BFS-U3-50S5C kameradan oluşan RGB stereo kamera sistemini ve Ocean Insight tarafından sağlanan 0,46 nm çözünürlüğe sahip 400 ila 800 nm spektrometreyi içerir. [Şimdi Ocean Optics] (Orlando, ABD). &nbsp; Robot ölçür & asymp; 170 & Times; 210 & Times; 90 cm (uzunluk & zaman; genişlik ve çarpım; yükseklik) ve ağırlık & assimpati; 170 kg. LIFT sensör montajı &asymp; 23 & Times; 34 & Times; 59 cm (robota monte edildiği sürece uzunluğu & çarpımı; genişliği ve yüksekliği).</td></tr><tr><td>güç invertörü (12 V DC'den 240 V 50 Hz AC'ye kadar)</td><td>Green Cell CSG S.A., Krakov, Polonya</td><td>INV08</td><td>-</td></tr><tr><td>Powerbank</td><td>-</td><td>-</td><td>Herhangi bir USB powerbank yeterli olur.</td></tr><tr><td>PPFR sensörü</td><td>HOBO / LI-COR, Lincoln, ABD</td><td>S-LIA-M003</td><td>-</td></tr><tr><td>Robot Kontrol Web Sitesi</td><td>Caterra AG, Opfikon, İsviçre</td><td>-</td><td>Bağlantı, robotun üreticisi tarafından her müşteri için ayrı ayrı sağlanır.</td></tr><tr><td>robot prototip şasi (uzaktan kumanda ve 240 V ana batarya şarj cihazı ile birlikte)</td><td>Caterra AG, Opfikon, İsviçre</td><td>Firefly (prototip, pazarlanmadı), https://caterra.org/en/technologie/</td><td>Uygun yük kapasitesi, ray genişliği ve yer yüksekliğine sahip diğer herhangi bir saha robotu da uygun olabilir.</td></tr><tr><td>beyaz referans paneli</td><td>-</td><td>-</td><td>Herhangi bir beyaz veya gri referans yeterli olur.</td></tr></tbody></table>

otonom bir robot kullanılarak ürün bitkilerinde fotosentetik verimliliğin yüksek verimli ve sahada taraması

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

Toplamda, 12-27 Haziran 2025 tarihleri arasında 7 ölçüm gününde 36 soya fasulyesi (Glycine max (L .) Merr.) üreme hattından 91.205 ChlF geçici ölçümü alındı. 74.927 veri noktası grafiklere coğrafi referans verilebildi ve 58.916 veri kalitesi için filtrelenerek spektral ve hava durumu verileriyle başarıyla eşleştirildi. Ölçüm kurulumu ve temsil eden verilerin genel bir görünümü Şekil 1'de gösterilmiştir; bu da cihazın çalışırken olduğu görüntü (Şekil 1A), 12 soya fasulyesi genotipi boyunca ChlF indüksiyon kinetiği (Şekil 1B) ve ilgili spektral yansıtma eğrileri (Şekil 1C) yer alır.
Coğrafi referanslı veriler, iki deneysel alanda hem Fq'/Fm' hem de NDVI'de belirgin mekânsal varyasyon gösterdi (Şekil 2). Bu mekansal desenler kısmen robotun sürüş yönüyle ilişkilendirildi (Şekil 3), bu nedenle sonraki modellemelerde gölgelenmenin hedef yapraklar üzerindeki potansiyel etkilerini azaltmak için hesaba katıldı.
F q'/Fm' tepkilerinin PPFR'ye doğrusal karışık etkiler modellemesi (Şekil 4A), varyansın önemli bir kısmını açıkladı (R<img alt="Denklem 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="Denklem 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). Çıkarılan genotipe özgü eğimler (Yanıt G: PPFR), üreme hatları arasında açık farklar gösterdi (Şekil 4B), birkaç çizgi panel ortalamasına kıyasla daha dik veya daha düz yanıt eğrileri gösterdi (Şekil 4C).
Son olarak, RGB görüntüleme ve Matching And Stereo 3D Reconstruction (MASt3R)algoritması 36 (Şekil 5) üzerinden türetilen kanopi düzeyindeki 3D rekonstrüksiyonlar, LIFT tabanlı fizyolojik ölçümlerin yapısal fenotiplemeyle entegre edilmesinin potansiyelini göstererek kanopi mimarisini üç boyutta yakalamayı göstermiştir.
<img alt="Şekil 1" class="xfigimg" src="/files/ftp_upload/69530/69530fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 1"> 
Şekil 1: Soya fasulyesi genotipleri için ışıkla indüklenen floresans geçiciliği (LIFT) ve spektral yansıtma ölçümlerinin genel görünümü. (A) LIFT cihazının çalışırken örnek görüntüsü. Giriş, klorofil floresansını (ChlF) indükleyen mavi uyarılma ışınını gösterir. (B) 27 Haziran 2025'te 12 soya fasulyesi genotipi için ölçülen geçici ChlF indüksiyon eğrileri (ortalama ± SD, n genotip başına 88 ile 553 arasında, ntoplam = 2.035). (C) Aynı genotipler için 25 Haziran 2025'te ölçülen karşılık gelen yaprak yansıtma spektrumları (ortalama ± SE, ntoplam = 2.035). Renkler bireysel genotipleri gösterir; Hata çubukları, tekrarlanan ölçümler arasındaki varyasyonu temsil eder. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig1large.jpg" target="_blank">Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.</a>
<img alt="Şekil 2" class="xfigimg" src="/files/ftp_upload/69530/69530fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
Şekil 2: Fotosistem II'nin kuantum verimliliğinin mekânsal dağılımı ve normalize fark bitki örtüsünün indeksi (NDVI) değerleri. Fotosistem II (Fq'/Fm') ve (alt) normalize edilmiş fark bitki örtüsünün (NDVI) değerlerinin (üst) kuantum verimliliğinin mekânsal dağılımı, 120 parsel ve 36 üreme hattından oluşan iki deneysel soya tarlasında ölçüldü (n = 58.916). Noktalar ölçüm yerlerini temsil eder; renkler gözlemlenen değeri, şekiller ise robotun yönünü gösterir: kuzeybatı (NW), kuzeydoğu (NE), güneybatı (SW) ve güneydoğu (SE)-yönüne doğru. Siyah çizgiler alan grafik sınırlarını belirler. Siyah noktalar, saha robotunun küresel navigasyon uydu sistemi (GNSS) koordinatlarını temsil eder. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig2large.jpg" target="_blank">Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.</a>
<img alt="Şekil 3" class="xfigimg" src="/files/ftp_upload/69530/69530fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
Şekil 3: Fotosistemin kuantum verimliliği II. Kutu grafikleri, fotosistem II'nin kuantum verimliliğini (Fq'/Fm') ve 680 nm'de ölçüm saatlerinde (9 - 15 saat) gelen ışıklandırma logaritmasını hem kuzeydoğu (NE) hem de güneybatı (SW) yön yönü için gösterir (nkuzeydoğu yönüne = 14.339, ngüneydoğu yönü = 25.669, ntoplam = 40.008). Robot, sabah güney-güney-yüzü, öğleden sonra ise kuzey-yönüne giderken ölçüm noktasını gölgeliyordu. Her kutu, yatay çizgi ve bıyıklar sırasıyla medyan ve 1,5 × IQR sınırlarını gösterirken, çeyreklerarası aralığı (IQR) temsil eder. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig3large.jpg" target="_blank">Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.</a>
<img alt="Şekil 4" class="xfigimg" src="/files/ftp_upload/69530/69530fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 4"> 
Şekil 4: Fotosentetik yanıt eğimleri. (A) İki soya fasulyesi deney alanında (Genotip ile fotosentetik foton akısı oranı (G: PPFR) arasındaki etkileşim) tahmini fotosentetik yanıt eğimlerinde mekansal değişim, doğrusal karışık etkiler modellemesinden türetilmiştir. (B) Bireysel üreme hatları için ayarlanmış ortalamalar ve model tarafından tahmin edilen fotosentetik yanıt eğimleri, ilgi çekici genotiplerin renk olarak gösterilmesi. (C) Vurgulanan genotipler için gelen PPFR ile fotosistem II'nin kuantum verimliliği (Fq'/Fm') arasındaki ilişki, uyumlu karekök regresyon eğrileriyle. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig4large.jpg" target="_blank">Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.</a>
<img alt="Şekil 5" class="xfigimg" src="/files/ftp_upload/69530/69530fig5v2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 5"> 
Şekil 5: LIFT ile kanopi mimarisi ölçümü. Soya çeşidi Gallec'in örtük mimarisi gösterilmektedir. (A) Işık kaynaklı floresans geçici (LIFT) cihazının kırmızı, yeşil ve mavi (RGB) kameraları, fotosentez taraması sırasında görüntüler elde etti. (B, C) Eşleştirme ve stereo 3D yeniden yapılandırma (MASt3R)algoritması 36 , 3D kanopi mimarisini yeniden inşa etmek için kullanıldı. Piramitler tahmini kamera konumlarını gösterir. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig5large.jpg" target="_blank">Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.</a>

Otonom bir robot kullanılarak ürün bitkilerinde fotosentetik verimliliğin yüksek verimli ve sahada taraması

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

Biyoloji

Biz giriş, izleme ve bitki hücrelerinde GFP ifade kantitatif analizi için bir yöntem raporu. Bu yöntem, zaman içinde, çok sayıda örneklerin yarı-sürekli bir resim koleksiyonu için özel olarak tasarlanmış bir robotik sistem kullanır. Ayrıca görüntü serisi analizi için ImageJ ve ImageReady kullanımını göstermek.

Bitkisel Dokular Gen İfade Araştırmalar Robotik ve Dinamik Görüntü Analizi

Bu protokol, ticari olarak temin edilebilen düz yataklı tarayıcı kullanılarak bir yerçekimi uyarana yanıt Arabidopsis fide görüntülerin hızla toplanması için bir işlemi tarif etmektedir. Yöntem aşağı analiz algoritmaları için mükellef yüksek çözünürlüklü görüntüleri, ucuz, yüksek hacimli yakalamak için izin verir.

Arabidopsis Kök Gravitropic Müdahale Yüksek çözünürlüklü Zaman lapsed Resim Toplama Masaüstü Tarayıcılar kullanma

Bir yüksek verimlilik, otomatik, tütün protoplast üretim ve dönüşüm metodolojisi açıklanmıştır. Robotik sistem dışı bir model ürünlere çevrilebilir olmalıdır modeli BY-2 sistemde güçlü paralel gen ifadesi ve keşif sağlar.

Yüksek verim Protoplast İzolasyonu ve Dönüşüm için Robotik Platformu

Sentetik küçük moleküllerin yüksek üretilen iş ekran modeli bitki türleri, Arabidopsis thalianayapılmıştır. Sıvı işleme robot için geliştirilen bu iletişim kuralı, ileri kimyasal genetik ekranlar, Bitki fizyolojisi etkileyen roman küçük moleküller keşfi hızlanan hızını artırır.

Sıvı işleme bir yüksek üretilen iş ileri kimyasal genetik ekran Arabidopsis thaliana yapmak için Robot kullanımı en iyi duruma getirme

Dağıtılmış robot düğümleri, tırmanma bitkilerin büyüme yörüngeleri yönlendirmek için mavi ışık uyaranlara dizileri sağlar. Robotların doğal fototropizm aktive ederek, ikili sol-sağ kararlar ile bitkiler rehberlik, önceden tanımlanmış desenler içine onları büyüyen aksine robotlar uykuda olduğunda mümkün değildir.

Güdümlü bitki büyümesi için robotik algılama ve stimuli hükmü

Protokol, fotokimyasal olmayan söndürmenin gevşemesini darbe genliği modülasyonlu klorofil florometri ile ölçmek için yüksek verimli bir yöntem sunmaktadır. Yöntem, tarlada yetiştirilen Glisin max'a uygulanır ve genetik çeşitliliği veya üreme popülasyonlarını taramak için diğer türlere uyarlanabilir.

Darbe Genliği Modülasyonlu Klorofil Florometrisi Kullanılarak Mahsullerde Fotokimyasal Olmayan Söndürmenin Yüksek Verimli Analizi

Klorofil floresansı kullanılarak düşük CO2 ile muamele edildikten sonra bitkilerde fotosentetik verimlilikteki değişiklikleri ölçmek için bir yaklaşım tanımladık.

Fotorespiratuar Mutantlarda Fotosentetik Etkinliğin Klorofil Floresan Analizi ile Değerlendirilmesi

Biyokütleyi değerlendirmek ve istilacı türlerin mekansal dağılımını yakalamak için insansız hava aracı (İHA) uzaktan algılamasından elde edilen verileri kullanan istilacı bir bitki biyokütle tahmin yöntemi için ayrıntılı prosedürleri rapor ediyoruz. Bu yaklaşım, istilacı bitkilerin tehlike değerlendirmesi ve erken uyarısı için oldukça faydalı olduğunu kanıtlamaktadır.

İstilacı Bitkiler için Bilgisayarlı Görü Tabanlı Biyokütle Tahmini

Burada, Arabidopsis fide de-etiolasyonunun erken aşamalarında klorofil biyosentezinin izlenmesi için tasarlanmış gelişmiş bir aracı açıklıyoruz. Yeni metodoloji, yüksek uzamsal ve zamansal çözünürlükte non-invaziv gerçek zamanlı klorofil floresan görüntüleme sağlar.

Arabidopsis De-etiolasyonunun Erken Aşamalarında Klorofil Biyosentez Kinetiğinin Belirlenmesi için Non-İnvaziv Test

Tek ve birleşik ısı, kuraklık ve su basması tedavilerine morfolojik ve fizyolojik yanıtları belirlemek için görüntü tabanlı bir fenotipleme protokolü tasarladık. Bu yaklaşım, erken, geç ve geri kazanım tepkilerinin tüm tesis düzeyinde, özellikle yer üstü kısımlarda tanımlanmasını sağladı ve birden fazla görüntüleme sensörünün kullanılması gerekliliğini vurguladı.

Patateste Tek ve Kombine Streslere Morfolojik ve Fizyolojik Tepkileri Belirlemek için Yüksek Verimli Görüntü Tabanlı Fenotipleme

Fenotipleri ölçmek için bitkilerin düşük maliyetli görüntülenmesi için bir yöntemin yanı sıra, görüntü yakalama için en iyi uygulamalar ve bitki özelliklerini ölçmek için bir görüntü analiz hattı sunulmaktadır. Bu yöntemler sıcaklık, kuraklık ve kombine abiyotik stres koşulları altında mısır (Zea mays) fenotiplerini ölçmek için uygulanmıştır.

Mısır (Zea mays) Abiyotik Stres Fenottiplerinin Miktarının Belirlenmesi için Görüntüleme ve Analiz

Öğrenin otonom robot kullanarak ürün bitkilerinde fotosentetik verimliliği yüksek verimli ve sahada taramayı. Bu yöntem, fotosistem II kuantum verimliliğini hızlı ve tahribatsız ölçerek ıslah çalışmalarını hızlandırır.

Otonom bir robot kullanılarak ürün bitkilerinde fotosentetik verimliliğin yüksek verimli ve sahada taraması

Daha fazla video keşfet