不结球白菜生长发育过程中表型变化AgriPheno订阅号专注于持续更新植物生理生态、植物表型组学和基因组学、基因分型、智能化育种及应用、激光雷达探测技术及数据分析等领域，国内外最新资讯、战略与政策导读。本文节选了2020年7月-2020年9月推送的代表性文章，以供大家参阅。
植物逆境研究
本文提出了一种新的基于深度卷积神经网络（DCNN）的方法，该方法可以使用高空间分辨率的高光谱图像（通过无人机捕获）来自动检测作物病害。
本研究使用VIS-NIR本研究使用高通量植物表型分析系统，结合RGB和高光谱相机，来量化木本植物幼苗的生长和发育，并评估它们在受控环境下对干旱胁迫的响应。
本研究的目的是评估搭载消费级数码相机的低成本表型分析系统是否可以用于鉴定抗旱种质。
本研究利用各种成像技术获取和分析水稻抗旱突变体osphyb的表型数据，建立水稻抗旱性的早期和定量筛选平台。
• Review: 用于抗旱/耐旱品种筛选的高通量表型方法比较
本文综述了近年来发展起来的用于抗旱/耐旱品种筛选的高通量表型方法和平台。
植物根系研究
本研究利用X射线CT技术开发了水稻根系构型三维可视化的高通量处理流程。
Shovelomics技术是一种简单、廉价的作物田间高通量根系表型研究方法，可用于评价根系系统及其对环境变化的响应。
本文认为菌根真菌通常是决定植物种群和群落动态的关键因子。菌根真菌对植物种群和群落生物学有很强的影响，菌根类型对种子散布、幼苗建立、土壤生态位分化、种间和种内竞争以及植物多样性都有影响。
本文测量了表层土壤（0-10 cm）和亚表层土壤（20-30 cm）前五级细根各根序级的生物量、解剖结构、形态、化学和生理功能属性，以期揭示上述功能属性和生物量分配对与土层深度增加相关的资源可利用性变化的响应。
植物表型研究方法/方案
• 多年生黑麦草氮利用效率的快速筛选：基于图像的高通量表型分析
本研究的目的是建立一种基于图像的多年生黑麦草NUE快速筛选方法，并探讨在低N（0.5 mM）和中N（5 mM）水平下黑麦草育种群体中NUE的遗传变异。
本文旨在对果树表型研究技术进行全面而深入的综述，包括VIS-NIR光谱、数字摄影、多光谱和高光谱成像、热成像和激光雷达（LiDAR）等技术，并从结构参数、色素和营养成分、水分胁迫、果实生化参数、病害检测等方面总结了这些技术的应用。
本文对三种不同作物（马铃薯、甜菜和冬小麦）进行了无人机激光雷达数据采集，并评估作物生物量和作物高度的潜力。
本文综述了使用具有成本效益的商用无人机平台（低于5000美元）进行表型分析的各种方法和应用。
光谱技术
本文通过比较三台高光谱相机和一台非成像光谱仪，评估了高光谱成像和非成像传感器对小麦叶片中N含量的估算能力。
本文概述了热成像技术的理论和基本原理，探讨了热成像技术在评估种子质量参数方面的潜在应用，包括种子活力的估计、病虫害的检测、种子损伤和杂质的检测、种子分类和品种鉴定等。
本文研究了不同光谱组成对红掌切花低温贮藏性能的影响。
本文研究了拉曼光谱在植物氮元素状态的早期诊断与管理中的应用。
本研究的目的是利用无人机RGB和多光谱图像来预测能源甘蔗新种质的产量和总纤维素含量（total cellulosic content, TCC）。
新观点/新技术
本文综述了不同类型的等离子体处理对植物早期生长过程中种子表面环境（种子损伤和病原菌灭活）和生理过程（增强的抗氧化系统和激活的防御反应）的影响及其应用前景。
本实验利用Ampha Z32花粉活力分析仪（IFC法）测试了采自多个国家的1000份番茄花粉的活性。
• 南京农大周济教授团队成功研发高通量作物种子发芽表型监测平台
本文对自主开发的自动化表型采集和分析平台SeedGerm如何完成作物种子发芽的自动化时序拍摄、基于图像的表型分析和基于监督式的机器学习、针对不同作物类型的高通量性状分析进行了详细的介绍。
• GrowScreen-Agar：琼脂培养基中小植株根和芽表型分析的自动化平台
为了缩小表型差异，Nagel K A等开发了一个自动化的表型平台GrowScreen-Agar，用于透明琼脂培养基中小植株根系和芽性状的无损表型分析。
在本文中，Borra-Serrano I等采集大豆田间试验的高时间分辨率无人机RGB图像，并从中提取冠层盖度和冠层高度数据；采用Gompertz函数和Beta函数分别拟合冠层盖度和冠层高度数据，得益于数据的高时间分辨率，拟合的生长曲线精度大于 90％。
植物生理生态研究
• PAM-2500测量诱导曲线（IC）和快速光曲线（LC）的FAQ
• 如何用PAM-2500叶绿素荧光仪测量慢速荧光诱导动力学曲
• PAM-2500测量诱导曲线和快速光曲线的数据提取和筛选
本文通过对番茄叶片光合作用相关光谱的综合分析，揭示土壤盐分诱导番茄叶片抵抗干旱胁迫的光合机制。
• 利用简易NIR敏感RGB相机和机器学习方法精确估算NDVI
基于机器学习的理念，本文提出了一种利用RGBN相机成像系统（Ncam）估算NDVI的低成本方法。
本研究的主要目标是开发一个基于无人机的表型分析工具，以评估和预测白云杉幼苗群体的光合作用物候。
人工智能/机器学习
本文提出了一个完整的图像处理和机器学习流程，用于监测幼苗的生长。
本文利用定制的Python应用程序和PostgreSQL数据库为田间高通量植物表型平台开发了一个数据工作流程。
本文提出了一种改进和扩展的方法：（i）将小波振幅作为基于Laws纹理能量的神经网络的输入，而不是原始的灰度图像；（ii）通过将神经网络预测结果与Frangi滤波图像相结合来抑制非穗结构（如叶片）。
其他
这本小册子旨在介绍PAM荧光法，并提供一系列练习和实验，讲授如何使用这项技术研究光合作用的行为和光合作用机理。
这是一份来自德国小镇Effeltrich的实时在线数据，它的发送者是德国WALZ公司于2019年秋季推出的最新产品MICRO-PAM。
本书编写人员通过对国内生态站及主要生态仪器销售厂商的走访、调查，以及大量文献资料的查阅，基于测定指标与传感器类型、原理，对不同用途的传感器优缺点及使用环境进行了筛选，同时，选择推荐了不同环境下使用的仪器型号，为研究中做什么、市场有什么、选什么提供参考。
感谢各位老师、同学的关注、推荐与积极转发，Agripheno将不忘初心，坚持把国内外最新资讯、战略与政策导读分享给大家，以支持到大家的研究工作。作为开放公众平台，我们欢迎大家撰写各自已发表文章的介绍投稿，分享最新研究成果。此外，如您有最新的业内信息需要推送，我们也乐意效劳。