Даолян Ли 1,2,3,4,5*, Чаоцюнь Цюань 1,2,3,4,5, Чжаоян Сун 1,2,3,4,5, Сян Ли 6, Гуанхуэй Юй 1,2,3,4,5, Чэн Ли 1,2,3,4,5 и Ахтер Мухаммад 1,5

1 Национальный инновационный центр цифрового рыболовства, Китайский сельскохозяйственный университет, Пекин, Китай, 2 Пекинский инженерно-технологический исследовательский центр Интернета вещей в сельском хозяйстве, Китайский сельскохозяйственный университет, Пекин, Китай, 3 Китайско-ЕС Центр информационных и коммуникационных технологий в сельском хозяйстве, Китайский сельскохозяйственный университет, Пекин, Китай, 4 Ключевая лаборатория технологий сбора сельскохозяйственной информации, Министерство сельского хозяйства, Китайский сельскохозяйственный университет, Пекин, Китай, 5 Колледж информации и электротехники, Китайский сельскохозяйственный университет, Пекин, Китай, 6 Кафедра факультет психологии, Педагогический колледж, Университет Хубэй, Ухань, Китай

АННОТАЦИЯ

Нехватка продовольствия, рост населения и глобальное изменение климата привели к росту урожайности сельскохозяйственных культур, обусловленному высокопроизводительным фенотипированием, в эпоху больших данных. Однако доступ к крупномасштабным фенотипическим данным теперь стал критическим барьером, который феномика должна срочно преодолеть. К счастью, высокопроизводительная платформа фенотипирования растений (ВПФР), использующая передовые датчики и системы сбора данных, может в полной мере использовать преимущества неразрушающих и высокопроизводительных методов для мониторинга, количественного определения и оценки конкретных фенотипов для крупномасштабных сельскохозяйственных экспериментов, а также эффективно выполнять фенотипические задачи, которые традиционное фенотипирование не под силу. Таким образом, ВПФР являются новыми и мощными инструментами, для которых в последнее время во все большем количестве внедряются различные коммерческие, специализированные и даже самостоятельно разработанные инструменты. Здесь мы рассматриваем эти ВПФР почти за 7 лет, от теплиц и камер выращивания до полевых условий, от наземного проксимального фенотипирования до крупномасштабного дистанционного зондирования с воздуха. Подробно и наглядно описаны конфигурации платформ, новинки, режимы работы, текущие разработки, а также сильные и слабые стороны различных типов ВПФР. Затем впервые систематически представлены различные комбинации ВПФР для сравнительной проверки и всестороннего анализа. Наконец, мы рассматриваем текущие фенотипические проблемы и представляем свежий взгляд на будущие тенденции развития ВПФР. Цель этого обзора — предоставить идеи, мысли и знания для оптимального выбора, использования и использования ВПФР и тем самым проложить путь к преодолению текущих узких мест фенотипирования в ботанике.

Ключевые слова: улучшение сельскохозяйственных культур, высокая производительность, феномика, платформа фенотипирования, науки о растениях, дистанционное зондирование, датчики.

ОБЗОР. Опубликовано: 13 января 2021 г. DOI: 10.3389/fbioe.2020.623705

Под редакцией: Фан-Хао Ван, Китайская академия сельскохозяйственных наук, Китай.

Рецензенты: Yu Jiang, Корнеллский университет, США; Haiyan Cen, Чжэцзянский университет, Китай

*Для корреспонденции: Daoliang Li, dliangl@cau.edu.cn

Тематический раздел: статья представлена в раздел «Биологическая безопасность и биозащищённость» журнала Frontiers in Bioengineering andBiotechnology.

Поступила: 30 октября 2020 г. Принята: 15 декабря 2020 г. Опубликована: 13 января 2021 г.

Библиографическая ссылка: Li D, Quan C, Song Z, Li X, Yu G, Li C and Muhammad A (2021). High-Throughput Plant Phenotyping Platform (ВПФР) as a Novel Tool for Estimating Agronomic Traits From the Lab to the Field. Front. Bioeng. Biotechnol. 8:623705. doi: 10.3389/fbioe.2020.623705

Рост и развитие растений, включая процессы фотосинтеза, транспирации, цветения и плодоношения, являются основой жизни на Земле и поддерживают жизнь 7,5 миллиардов человек (Pieruschka and Schurr, 2019). К сожалению, сельское хозяйство, поддерживающее человечество, сейчас сталкивается одновременно с тремя серьезными проблемами: изменением климата, истощением ресурсов и ростом населения (Kim, 2020). Ожидается, что в ближайшие 30 лет население мира вырастет на 25% и достигнет 10 миллиардов человек (Hickey et al., 2019). Одной из величайших задач XXI века будет быстрое расширение растениеводства для удовлетворения растущего спроса на продукты питания, одежду и топливо. Засоление и эрозия сельскохозяйственных земель по всему миру в сочетании с сокращением запасов фосфатов представляют серьезную угрозу для роста мирового производства сельскохозяйственных культур. 21 апреля 2020 года Всемирная продовольственная программа (ВПП) объявила, что по мере распространения новой пандемии коронавируса и нанесения ущерба мировой экономике число людей, столкнувшихся с серьезным продовольственным кризисом в мире, может увеличиться до 265 миллионов в течение года. За последнее десятилетие более дешевые и быстрые методы секвенирования способствовали увеличению урожайности сельскохозяйственных культур и привели к огромному увеличению объемов геномных данных растений. Затраты на секвенирование резко упали: с 0,52 доллара за Мб последовательности ДНК в 2010 году до всего лишь 0,010 доллара в 2019 году, а стоимость секвенирования генома размером с человеческий снизилась с 46 774 долларов до относительно ничтожных 942 долларов (Национальный институт исследований человека). Хотя высокопроизводительное генотипирование расширяется в геометрической прогрессии, сбор и обработка фенотипов растений ограничивают наши возможности анализа генетики количественных признаков и ограничивают использование селекции для повышения урожайности сельскохозяйственных культур (Mccouch et al., 2013). Фенотип возникает в результате взаимодействия генотипа и окружающей среды (Hickey et al., 2019), а суть заключается во временном проявлении генной карты растений в характерных географических регионах (Zhao, 2019). Фенотипирование применяет специальные методы и протоколы для измерения морфологических структурных признаков, физиологических функциональных особенностей и характеристик содержания компонентов клеток, тканей, органов, кроны, целых растений или даже популяций. Однако традиционные селекционеры проводят искусственное фенотипирование на основе внешнего вида, вкуса и ощущения урожая, что, несомненно, является трудоемким, трудоемким и даже разрушительным методом, который требует огромных человеческих ресурсов для отбора проб из большой популяции сельскохозяйственных растений. Ограничение эффективности фенотипирования все чаще признается ключевым сдерживающим фактором прогресса в прикладной генетике, особенно временной интервал для приобретения признаков в различных средах (Guzman et al., 2015). Кроме того, традиционные методы фенотипирования также затрудняют определение физиологических и биохимических фенотипов на уровне основных механизмов растений, которые раскрывают закономерности генетики и биологии. Итак, чтобы устранить это узкое место, с 2000 года были разработаны различные платформы фенотипирования, которые сейчас являются обычными инструментами в коммерческих или исследовательских группах (Granier and Vile, 2014). Высокопроизводительная платформа фенотипирования на основе изображений (ВПФР) определяется как платформа, которая может ежедневно отображать по меньшей мере сотни растений (Fahlgren et al., 2015b). Учитывая, что некоторые ВПФР в настоящее время основаны не только на изображениях, но и на контакте (хотя и неразрушающем), здесь определяется «ВПФР».

Как платформу, которая может собирать огромные объемы фенотипических данных от сотен растений каждый день с высокой степенью автоматизации. ВПФР — это новый и мощный инструмент, позволяющий нам отслеживать и количественно определять рост сельскохозяйственных культур и связанные с производством фенотипические признаки неразрушающим, быстрым и высокопроизводительным способом, а затем осуществлять селекцию с помощью геномики (GAB) с помощью геномных подходов картирования локусов количественных признаков (QTL), отбора с помощью маркеров (MAS), геномной селекции (GS) и полногеномных исследований ассоциаций (GWAS), тем самым помогая производителям сельскохозяйственных культур адаптироваться к изменение климатических условий и рыночного спроса на урожай. Когда геномика и высокопроизводительные фенотипические данные будут прочно связаны друг с другом, это объединение также будет в значительной степени способствовать развитию фенотипирования. Кроме того, как показано на рисунке 1, различные типы ВПФР способствуют фенотипированию морфологической структуры, физиологических функций и фракционного состава растений, а также могут способствовать дальнейшему развитию мультиомики и выявлению регуляторных сетей и биологических закономерностей роста и развития растений. Тем не менее, поскольку крупные платформы фенотипирования в основном разрабатываются профессиональными коммерческими компаниями, базовое оборудование и программное обеспечение защищены патентами, поэтому их нельзя модифицировать для удовлетворения конкретных исследовательских потребностей (Czedik-Eysenberg et al., 2018). Следовательно, постоянно появляется разнообразный спектр коммерческих платформ фенотипирования, а также платформ, адаптированных или самостоятельно разработанных. В этом контексте в этой статье рассматриваются ВПФР (без учета фенотипирования корней) в трех сценариях: (1) теплицы и камеры выращивания в строго контролируемых условиях; (2) наземное проксимальное фенотипирование в полевых условиях; (3) крупномасштабное воздушное дистанционное зондирование с упором на новинки платформ, конфигурации датчиков, режимы работы и приложения. Затем мы новаторски предлагаем способы объединения ВПФР для их сравнительной проверки или всестороннего анализа. Наконец, мы обсуждаем некоторые преобладающие проблемы современного высокопроизводительного фенотипирования, а также подчеркиваем перспективы будущего развития ВПФР. Мы надеемся, что этот обзор позволит исследователям фенотипирования растений сделать более осознанный выбор при использовании ВПФР, предоставит свежие идеи и мысли бесстрашным разработчикам ВПФР и в конечном итоге ускорит следующую зеленую революцию в селекции сельскохозяйственных культур.

Высокопроизводительное фенотипирование растений в камере выращивания или теплице предполагает точный контроль факторов окружающей среды — температуры, влажности, концентрации газа, объема воздуха, скорости ветра, интенсивности света, спектрального диапазона, фотопериода и содержания питательных веществ — а также высокопроизводительный, неразрушающий, высокоповторяемый, быстрый и точный захват реакции растения на конкретную среду. Это можно сделать, используя модельные культуры или репрезентативные растения в качестве объектов исследования, анализируя структуру, физиологию и биохимические характеристики растений.

РИСУНОК 1 | ВПФР, используемые для оценки фенотипических признаков растений по взаимодействиям генотипа, окружающей среды и управления (G×E×M), улучшают феномику; платформы секвенирования, используемые для исследования генотипов и транскриптов, помогают в геномике и транскриптомике; платформы масс-спектрометрии, используемые для исследования белков и метаболитов, способствуют развитию протеомики и метаболомики; Платформы -омики способствуют дальнейшему развитию мультиомики в системной биологии.

С помощью ВПФР можно выявить адаптивные механизмы, связанные с сигналами окружающей среды, с целью в конечном итоге выяснить их генетический контроль. Учитывая механическую структуру платформы и режим движения между датчиками и растениями, комнатный ВПФР можно отнести к настольному или конвейерному типу. В таблице 1 показаны конкретные примеры и подробности этих двух типов ВПФР. Независимо от типа, платформа фенотипирования объединяет общие камеры, дополнительные источники света, устройства автоматического полива и взвешивания для автоматического сбора фенотипических данных растений. Доступные камеры включают камеры, способные захватывать изображения RGB, инфракрасного (IR), флуоресцентного (FLUO), ближнего инфракрасного (NIR), мультиспектрального или гиперспектрального изображения. Например, имидж-сканер FLUO используется для получения характеристик, связанных с хлорофиллом или фотосинтезом (Choudhury et al., 2019). Гиперспектральная визуализация, в частности, обеспечивает доступ к важным показателям, таким как фотосинтез, содержание хлорофилла и азота. На рисунке 2 представлена ​​подробная информация о различных датчиках, доступных в настоящее время для мониторинга, количественного определения и оценки ключевых агрономических характеристик.

По сравнению с полевыми условиями, хотя эксперименты в помещении не могут обеспечить аутентичность почвенной системы и сложность биологического и абиотического стресса для растений, цель эксперимента ВПФР в помещении состоит в качественном или количественном изучении реакции репрезентативных или интересных растений на конкретную окружающую среду. Платформа экологического контроля позволяет избежать непредсказуемых фенотипических вариаций, вызванных взаимодействием генотипа и природной среды (G × E). Таким образом, учитывая неконтролируемые факторы в полевых условиях, ВПФР, развернутый в теплице или камере выращивания, широко используется для изучения реакции растений на конкретные условия роста и точного определения фенотипических показателей морфологического структурного, физиологического функционального или компонентного содержания.

Конвейерная ВПФР для помещений Конвейерный тип ВПФР работает в режиме «растение-к-датчику». Горшечные растения транспортируются в комнату для визуализации с камерами, проходя через автоматическую дверь на конвейере, который контролируется компьютером для автоматической визуализации, после чего растения возвращаются в исходное положение роста. Камеры обычно устанавливаются сверху и сбоку.

ТАБЛИЦА 1 | Обзор ВПФР, используемых в теплицах и камерах выращивания в условиях контролируемой окружающей среды.

РИСУНОК 2 | Доступные в настоящее время датчики для мониторинга, количественной оценки и оценки ключевых морфологических структурных характеристик (например, высоты растения, биомассы, покрытия кроны, полегания), физиологических функциональных характеристик (например, FAPAR, сохранения зелёной окраски/старения, эффективности использования света, болезней/вредителей) и характеристик содержания компонентов (например, содержания хлорофилла, содержания азота, содержания воды) в растениях.

Темную комнату для выполнения этой визуализации и/или растения поворачивают для сбора данных. Автоматическая дверь исключает помехи окружающего света, а для освещения имеются галогенные лампы. Scanalyzer 3D, типичный ВПФР конвейерного типа, разработанный LemnaTec GmbH (Аахен, Германия), был принят некоторыми международными организациями и включает следующие версии (Yang et al., 2020). Акселератор растений Австралийского центра феномики растений (APPF) — ведущее международное исследовательское учреждение по фенотипированию растений. Его конвейер ВПФР может обрабатывать 2400 растений и оснащен несколькими станциями визуализации (RGB, NIR, FLUO и

Гиперспектральный), и это успешно использовалось для изучения дефицита питательных веществ сельскохозяйственных культур (Neilson et al., 2015) и солеустойчивости нута (Atieno et al., 2017). Четыре камеры визуализации разделены и функционируют независимо друг от друга. Недавно Брюнинг и др. (2019) использовали всего два гиперспектральных сканера в своей комнате для гиперспектральной визуализации, чтобы оценить концентрацию и пространственное распределение содержания воды и уровня азота в пшенице. В другом примере ленточная конвейерная система в «Умном доме» (APPF, Университет Аделаиды) использовалась для изучения воздействия цинка (Zn) и арбускулярного микоризного гриба на томаты (Brien et al., 2020).

Аналогичным образом Scanalyzer 3D в Центре тепличных инноваций Университета Небраски-Линкольн позволяет фенотипировать 672 растения высотой до 2,5 м, имея возможность собирать RGB, FLUO, IR, NIR и гиперспектральные изображения растений сверху и сбоку (Choudhury et al., 2016). Каждая камера для визуализации оснащена вращающимся лифтом, который позволяет просматривать данное растение на 360 градусов сбоку (Choudhury et al., 2018). Имеются три поливочные станции с весами, которые могут осуществлять полив в соответствии с заданным весом горшка или в определенном объеме, для чего фиксируется количество добавленной воды. Поскольку камера визуализации является автономной, этот блок ВПФР позволяет настраивать используемые датчики в соответствии с исследовательскими потребностями. Например, камеры RGB, NIR и FLUO используются для анализа пространственно-временного накопления биомассы ячменя в условиях засухи (Neumann et al., 2015). Изучая кукурузу, Ge et al. (2016) использовали комнаты RGB и гиперспектральной визуализации для анализа роста этой культуры и динамики использования воды, а также для количественной оценки содержания воды в ее листьях. Чтобы измерить концентрацию питательных веществ и содержание воды в растениях, Панди и др. (2017) полагались исключительно на комнату гиперспектральной визуализации Scanalyzer 3D, и это был первый случай, когда гиперспектральные данные были использованы для определения содержания питательных веществ в живых растениях invivo. Кроме того, Мяо и др. (2020) сегментировали сгенерированные гиперспектральные изображения сорго и кукурузы на уровне органов, чтобы выявить генетические ассоциации, которые позволяют им измерять свойства растений в более широком смысле. Передовая платформа фенотипирования в Научном центре растений Дональда Данфорта, включающая камеру выращивания Convion(Виннипег, Канада) и станцию ​​визуализации (LemnaTec Scanalyzer) (Fahlgren et al., 2015a). Штрих-коды растений на горшках используются для радиочастотной идентификации (RFID) для сопоставления данных изображения с метаданными. Конвейерная система длиной 180 м может вместить 1140 растений, которые транспортируются на станции визуализации FLUO, VIS и NIR через каналы адаптации к темноте. Интересно, что эта конвейерная система разделена на четыре модуля, которые могут работать независимо или как единое целое, что увеличивает гибкость исследований и объем потенциальных экспериментов. Подводя итог, Scanalyzer 3D, как широко распространенный ленточный конвейер ВПФР для крупногабаритных растений, эффективен в исследованиях биологии растений и селекции растений. Целью теплицы является создание однородной, контролируемой среды. Но поскольку большинству конвейерных ВПФР часто приходится транспортировать растения в конкретную комнату для визуализации, эта микроклиматическая гетерогенность, вероятно, влияет на рост растений и реакцию на изменения окружающей среды, делая собранные фенотипические данные неточными. К счастью, ВПФР, созданный Университетом Пердью, преодолевает это влияние дифференциального микроклимата (Ma et al., 2019), поскольку растения выращиваются на циклических конвейерных лентах на протяжении всего цикла роста, таким образом подвергая их одинаковым тепловым и радиационным условиям. Хуачжунский университет науки и технологий и Хуачжунский сельскохозяйственный университет (Ухань, Китай) совместно разработали высокопроизводительную установку фенотипирования риса (HRPF) с конвейером анализа изображений, способную выполнять цветную визуализацию и рентгеновскую компьютерную томографию (КТ); он может отслеживать 15 агрономических показателей 1920 растений риса (Yang et al., 2014). Этот HRPF использовался для количественной оценки динамической реакции риса на

Засуха (Duan et al., 2018). Однако инвестиционные затраты на конвейерные ВПФР высоки, и для повышения гибкости необходимы дальнейшие улучшения. Платформа КТ обеспечивает высокопроизводительную визуализацию и количественную оценку внешних и внутренних геометрических особенностей, что дает возможность собирать морфологические и анатомические характеристики растений. В науках о растениях используются два основных типа компьютерных платформ: промышленные компьютерные томографы и медицинские компьютерные томографы. Промышленные компьютерные томографы с более высоким разрешением, чем медицинские компьютерные томографы, также известные как микро-КТ, микро-КТ или нано-КТ, могут применяться для выявления тонких фенотипических признаков растений. Например, Трейси и др. (2017) использовали микроКТ-сканирование для получения подробных трехмерных фенотипов Arabidopsis thaliana и ячменя, что позволяет измерить размер колосков и далее точно определить стадии на стадиях цветка и пыльника. Этот быстрый и неразрушающий метод позволяет избежать традиционных утомительных этапов цитологической микроскопии, таких как фиксация, изготовление срезов, окрашивание и микроанализ. По сравнению с микроКТ, медицинская КТ позволяет быстрее сканировать большие образцы и большее их количество, несмотря на более низкое разрешение. Гомес и др. (2018) использовали платформу медицинской КТ для изучения геометрических характеристик стебля сорго и обнаружили, что оценки медицинской КТ с высокой степенью прогнозирования морфологических признаков и умеренно прогнозируют анатомические особенности. Конвейер типа ВПФР (исключая CT) может переносить образцы большого размера (например, сорго и кукуруза) и большой производительности, но может поражать растения с хрупкими стеблями из-за тряски ленты. А поскольку спектральная информация не собирается на месте, существуют различия в окружающей среде между местом произрастания растений и помещением для визуализации, что может привести к неточным фенотипическим данным. Платформа КТ позволяет тщательно получать морфологические и анатомические особенности растений, что имеет большие перспективы применения. Будущий конвейерный тип ВПФР будет стремиться к высокой эксплуатационной стабильности и однородности окружающей среды, обеспечивая плавную транспортировку растений и точный климат-контроль для научных исследований в области растений, а также обеспечивая полное точное фенотипирование признаков растений на протяжении всего репродуктивного периода.

Настольный тип Indoor ВПФР При измерении фенотипических признаков, чувствительных к изменениям окружающей среды (температура, ветер и т. д.), особенно для мелких видов с хрупкими стеблями, разумным выбором будет сохранять растения неподвижными, пока датчики перемещаются. Именно так работает настольный ВПФР, у которого режим работы — «датчик-объект». Головка визуализации интегрирована с несколькими датчиками, управляемыми механической рукой с компьютерным управлением, которая автоматически определяет место роста растения и собирает его фенотипические данные на месте. В целом настольный ВПФР также оснащен точно контролируемой системой орошения и взвешивания с дополнительными источниками света. Arabidopsis thalianaявляется идеальным модельным растением из-за его широкого распространения, быстрого жизненного цикла и относительно небольшого генома (Kaul et al., 2000), что делает его идеальным видом для исследования настольного ВПФР. Платформа для измерения параметров фотосинтеза (PSII, фотосистема II) под названием «Феноватор» вмещает 1440 растений A. thaliana (Flood et al., 2016). Приводимая в действие системой перемещения камер по XY, головка визуализации, на которой установлены камеры, измеряет фотосинтез и проецируемую площадь листьев (PLA).

На восьми длинах волн через восьмипозиционное колесо фильтров, установленное на монохромной камере. Что касается платформы Phenscope, ее система визуализации состоит только из цифровой камеры (Tisne et al., 2013), но она может нести 735 отдельных горшков. Его гениальная особенность заключается в том, что он может непрерывно вращать каждый горшок, поэтому выбранное растение находится в одинаковых внешних условиях, что сводит к минимуму изменения микросреды на уровне отдельного растения и обеспечивает высокую пространственную однородность. Точно так же LemnaTec Scanalyzer HTS оснащен роботизированной рукой, в которой установлены камеры VIS, FLUO и NIR, позволяющие снимать сверху небольшие растения. Его использовали для изучения зависящего от времени воздействия водного стресса на A. thaliana (Acosta-Gamboa et al., 2017). Хотя количество образцов, которые он может обработать, относительно невелико, он предоставляет достаточно богатую спектральную информацию. При мутационной селекции открытие фенотипа многих мутантов быстро ограничивает исследования в области молекулярной физиологии растений (Fraasand Lüthen, 2015). Недавно Чанг и др. (2020) собрали изображения роста 350 A. thaliana и сравнили тонкие морфологические эффекты различных доз радиации в течение периода выращивания, получив не только информацию о динамическом поведении роста (например, о скорости роста растений после облучения), но и фенотипические характеристики воздействия дозы. Растительный шелк обычно трудно обнаружить и количественно оценить из-за его уникальных особенностей. Чтобы преодолеть эту проблему, Phenoarch (INRA, Монпелье, Франция) совершил прорыв, когда Brichet et al. (2017) использовали его для мониторинга динамики роста початков кукурузы и шелковицы. Этот блок ВПФР имеет две кабины для съемки. Сначала растения вращаются с постоянной скоростью, а RGB-камеры определяют на них пространственные координаты початков. Затем роботизированная рука помогает автоматически расположить камеру на расстоянии 30 см от уха, чтобы продолжить сбор изображений шелка в высоком разрешении. Таким образом можно отслеживать ежедневный рост початков и шелковицы сотен растений. Crop 3D, разработанный Китайской академией наук (Guo et al., 2016), использует LiDAR в качестве основного датчика и объединяет RGB-камеру высокого разрешения с тепловизионным и гиперспектральным формирователем изображений, применяя один ключевой триггер для синхронного сбора данных из нескольких источников и извлечения параметров морфологии растений. В частности, датчики используют вертикально-нисходящий или верхний режим для установки и съемки, выполняя однорядное сканирование, многорядное сканирование и сканирование с позиционированием с фиксированной точкой. Хотя недорогая и некоммерческая платформа имеет небольшую емкость выборки, она также может генерировать фенотипические данные с высокой пропускной способностью. Глиф, как представитель, состоит из четырех мостообразных конструкций, оборудование для капельного орошения и цифровая камера которых образуют портал, перемещающийся по рельсам между парой рядов. Его успешно использовали для прогнозирования полевой засухоустойчивости соевых бобов (Peirone et al., 2018). Платформа SITIS, состоящая из труб из ПВХ с точками орошения, использовалась для оценки устойчивости сортов хлопка к водному стрессу (Guimarães et al., 2017), а также позволяет оценивать корни растений. Однако эта платформа не является неразрушающей платформой для измерения свойств растений на основе изображений, поэтому она по-прежнему требует большого количества ручных операций и экспериментальной обработки. Человекоподобная роботизированная платформа — это новый метод измерения фенотипических признаков растений вместо выполнения таких ручных операций. Роботизированная система vivo, состоящая из четырех степеней свободы

Манипулятор (DOF), времяпролетная камера (TOF) и захват, интегрированный с оптоволоконным кабелем и термистором, могут использоваться для автоматического измерения характеристик листьев кукурузы и сорго (Atefiet al., 2019). Точнее, TOF-камера действует как система технического зрения, а захватное устройство может измерять спектральную отражательную способность и температуру в видимом и ближнем ИК-диапазоне; однако скорость его улавливания, а также показатель успешного улавливания (78% для кукурузы и 48% для сорго) нуждаются в дальнейшем улучшении. Быстрое развитие такой роботизированной системы может предоставить справочные данные и дополнительную поддержку для фенотипирования растений на основе изображений. ВПФР строго настольного типа, как правило, фокусируются на модельных растениях небольшого размера (например, A. thaliana) и позволяют собирать данные о признаках, связанных с тонкими фенотипическими изменениями, а их извлечение на месте также обеспечивает однородность среды роста и беспрепятственное развитие. Однако сложные коммерческие ВПФР, как правило, являются капиталоемкими, в то время как недорогие самостоятельно разработанные платформы имеют небольшую емкость выборки и низкую пропускную способность, качество, достоверность и обилие фенотипических данных которых могут быть несколько снижены. К счастью, камеры для выращивания растений с искусственным интеллектом, фабрики растений и быстрая итеративная селекция открыли новые возможности для использования ВПФР в помещении. Будущий настольный ВПФР сможет всенаправленно контролировать, фиксировать и отслеживать тонкие морфологические и физиологические изменения многоуровневых признаков в широком спектре модельных растений с высокой производительностью и полной автоматизацией, чтобы выявить функциональную экспрессию генов и закономерности биогенетической регуляции.

На растения, которые естественным образом растут в поле, влияют погодные условия (например, дождь, мороз, снег), биотические и абиотические стрессы (например, засуха, низкая температура, низкий уровень азота, вредители), а также свойства почвы (например, градиенты питательных веществ, неоднородность, микроокружающая среда), все из которых чрезвычайно отличаются от условий теплицы и помещения для выращивания, что делает фенотип полевой культуры сложным. В то время как платформы фенотипирования на основе изображений с контролируемой средой почти повсеместно популяризируются во всем мире, большая часть селекции сельскохозяйственных культур осуществляется в полевых условиях, практически без отбора в контролируемой среде (Furbank et al., 2019). А внутренняя среда может лишь имитировать, но не воссоздавать реальную полевые условия. Эти факторы стимулировали экспоненциальный рост широкого спектра ВПФР на полях. Судя по всему, полевые ВПФР работают в режиме «датчик-установка». В зависимости от сценариев использования и расстояния визуализации полевые ВПФР можно разделить на наземные и воздушные платформы. Взаимосвязь между характеристиками платформы и характеристиками полевых культур в определенной степени определяет эффективность платформы фенотипирования (Kuijken et al., 2015). На основании этого наземные платформы можно далее классифицировать как опорные/башенные, мобильные, портальные и подвесные на тросах. Так же,

Воздушные платформы можно разделить на следующие категории: беспилотная авиационная платформа (УАП), пилотируемая авиационная платформа (МАП) и спутниковая платформа. На рисунке 3 показаны конкретные сценарии применения различных типов ВПФР. Несмотря на сложное взаимодействие генотипа, окружающей среды и управления (G×E×M), распространение широкого спектра ВПФР в последние годы во многом помогло исследователям понять генетическую структуру сельскохозяйственных культур, получить высококачественные генетические результаты и улучшить способность генетически анализировать характеристики сельскохозяйственных культур, связанные с урожайностью и устойчивостью к стрессу. Однако разнообразие ВПФР также связано с соображениями доступности, осуществимости, стандартизации, больших данных и надежности.

Наземное полевое ВПФР Наземное ВПФР означает проксимальное фенотипирование, которое может предоставить данные с более высоким разрешением, чем дистанционное зондирование с воздуха. Удобно собирать фенотипические данные временных рядов и анализировать динамический отклик и зависимость фенотипов от времени. Однако наземный ВПФР не подходит для крупномасштабных задач фенотипирования. В Таблице 2 показаны конкретные примеры и подробности этих четырех типов.

Поле ВПФР на опоре/вышке формируется, когда датчики монтируются непосредственно на опоре или башне, изготовленной из алюминиевых, стальных или пластиковых волокон, которые могут быть стационарными или мобильными.

РИСУНОК 3 | Различные типы ВПФР, упомянутые в этом обзоре (частичное отображение), включая ВПФР в теплице/ростовой камере (т. е. настольного типа и конвейерного типа), ВПФР полевого наземного базирования (т. е. на столбе/башне, мобильные, портальные и подвешенные на тросе) и воздушные ВПФР (т. е. UAP, MAP и спутники).

ТАБЛИЦА 2 | Обзор наземных ВПФР, используемых в полевых условиях в реальных неконтролируемых условиях окружающей среды.

ТАБЛИЦА 2 | Продолжение

Тип. Хотя эта платформа проста по конструкции и похожа на небольшую метеостанцию, высокая производительность и сложность не обязательно являются синонимами.

Фридли и др. (2016) применили основанную на столбе наземную платформу лазерного сканирования (TLS) для мониторинга роста высоты полога кукурузы, сои и пшеницы. TLS выполняется с помощью лазерного сканера, установленного в перевернутом положении на алюминиевом штативе высотой 3,8 метра. Его временное и пространственное разрешение зависит от оцениваемого сорта культуры и расстояния сканирования. В сочетании с «Интернетом вещей» (IoT) CropQuant оснащен камерами RGB и без инфракрасного излучения для непрерывного мониторинга роста урожая с помощью покадровой фотографии с высоким разрешением (Zhou et al., 2017). Он может питаться от батарей и солнечных панелей и подключаться к полевой сети WIFI в качестве узла ячеистой сети для формирования ВПФР в режиме IoT, который количественно определяет рост и развитие сельскохозяйственных культур. Кроме того, PhenoCam — это крупная сеть фенотипирования, состоящая из серии широко распространенных цифровых камер, которые автоматически захватывают изображения RGB (обычно с 30-минутными интервалами) для отслеживания фоснованный на башне ВПФР похож на стационарную платформу на полюсах, с датчиками, установленными на вершине башни, но размеры и высота платформы на башне, как правило, выше и больше, чем у полюсов. В исследовании фотосинтетической эффективности ячменя и сахарной свеклы, вызванной лазером возмездные инструменты флуоресценции (LIFT) были размещены на вершине 10-метрового каркаса для измерения фотосинтетической производительности агроэкосистеков (Raesch et al., 2014). еще в зоне действия LIFT введен шум от растительных стеблей и почвы. в более поздней работе Naito et al. (2017) установили улучшенную многоспектральную однообъязную систему визуализации (т.е. камеры VIS и NIR) на двух башнях высотой 8 м, которые могли собирать изображения сельскохозяйственных культур с восьми углов для оценки признаков, связанных с выходом риса. ли результаты показали, что система имеет большой потенциал для оценки урожайности в ходе ранней разработки сельскохозяйственных культур. ВПФР на основе полюсов и на башней основе просты в строительстве и обслуживании, и удобны для временного использования и многосайтовых развертываний для формирования сетей. еще более чем фенотипическая область охвата и спектральная информация крайне ограничены для одной единицы, а многопрофильные испытания увеличивают стоимость крупномасштабных полевых экспериментов. я вперед, переносные, масштабируемые, вращаемые, надежно и легко устанавливаемые и удаляемые являются ожидаемыми ключевыми особенностями платформ на основе полюсов/башен, а фенотипические сети экономически эффективных распределенных полюсов/башен на основе ВПФР будут играть заметную роль в будущем многоместных крупномасштабных экспериментов и калибровки высокоразмерных фенотипических данных.

Мобильный ВПФР может перемещаться по полю и собирать фенотипические черты урожая полуавтоматическим или полностью автоматическим образом, включая переоборудованную сельскохозяйственную технику (например, трактор, опрыскиватель или комбайн), саморазвитую механическую платформу (например, корзину или багги) и коммерсивную автоматическую платформу. мобийный ВПФР обычно состоит из четырех подсистем: системы зондирования, системы сбора данных, механической платформы и системы привода. зонная система охватывает GPS, датчики окружающей среды (например, солнечный свет, скорость ветра) и фенотипные датчики (например, RGB, мультиспектральные, гиперспектральные, тепловые). система сбора данных, как правило, является программным обеспечением для сбора данных на борту компьютера. семная платформа предназначена для несущего и подвижного устройства, а система привода может быть классифицирована как электричество, двигатель и рабочая сила. ливо, любая сельскохозяйственная мобильная платформа может быть преобразована в мобильную ВПФР. передвижная ВПФР, преобразованная из трактора, опрыскивающего или комбайна, рационально использует прецизионную сельскохозяйственную технику, которая уже существует. на ранних стадиях в Канберре был разработан новаторский полевой мобильный телефон на высоком разрешении (Deery et al., 2014). Он был оснащен регулируемым по высоте сенсорной массивой, включая LiDAR, RGB, термический

ИК, и гиперспектральные камеры. Движимые мобильным телефоном, датчики улавливают данные черт вдоль обследованных участков. сборщик вишни установил линейную сканирующую панель со спектральными камерами, также применялся в качестве мобильного ВПФР (Pinto et al., 2016); его камеры обработки предназначены для сбора излучения навеса в режиме линейного толка. Временное изменение фотохимической активности навеса отслеживалось путем создания индуцированной солнцем карты флуоресценции хлорофилла (SIF). менная система, разработанная Bai et al. (2016), состоит из пяти сенсорных модулей, и эта платформа использовалась для измерения признаков сои и пшеницы. моя группа приняла режим «стоп-мерить», чтобы датчики точно соответствовали участкам, собирая фенотипические данные на уровне сюжета, которые были свободны от размытия. Для контроля такого ВПФР должно участвовать определенное количество операторов. конфенеральный фотоаппарат GPhenoVision собирается из высокоочищаемого трактора, несущего RGB-D, тепловые и гиперспектральные камеры для количественной оценки роста и развития хлопкового навеса (Jiang et al., 2018). настраиваемость и модульность являются двумя ключевыми характеристиками GPhenoVision, что позволяет исследователям быстро разрабатывать и модернизировать сенсорные модули с конкретными целями фенотипирования, уменьшает усилия по разработке или удалении модулей при добавлении или удалении модулей и предотвращает неисправность всей системы. Jimenez-Berni et al. (2018) установили LiDAR, датчик NDVI и цифровую камеру на недорогой трехколесный багги, называемый Phenomobile Lite, для оценки высоты навеса, грунтового покрова и надземной биомассы.

Еще, чтобы изменить свое направление, нужно вручную нажать кнопку «стоп», а почти весь процесс требует последующего наблюдения оператора. для достижения автоматического измерения признаков, связанных с выходом, Bao et al. (Pinto et al., 2016) представили мобильный ВПФР, который мог автоматически получать стереоизображения растений сорго. его переоборудовали из садового трактора, оснащенного шестью головками стереокамеры на вертикальном полюсе, которые могут быть сработаны синхронно. трехмерные изображения двух рядов сельскохозяйственных культур могут быть собраны в один проход. льзок заключается в том, что перед каждым приступом сбора данных платформа должна проходить вручную через поле, останавливая и записывая каждую точку отбора проб для генерации путей. позже сельскохозяйственный мобильный робот, установленный с 360-счетчиком LiDAR, разработанный Qiu et al. (2016), был использован для эффективного расчета интервала в ряды и высоты растения на поле кукурузы. По сравнению с методами фенотипирования в строке и один за другим, 3D-лазерный сканер, сидящий на вершине этого робота, получает групповое наблюдение за посылками. хотя он движется в «стоп-эндго» манере, фенотипические данные группы растений уровня посылки могут быть одновременно собраны. в отличие от колесной мобильной платформы, Stager et al. (Jiang et al., 2018) использовали модифицированного робота-сканера для сбора суб-навесных признаков на низкой высоте. Но ветви, мотобойники или корни могут препятствовать движению таких роботов-гусениц. автоматизированные роботы предлагают перспективу без присмотра полевых операций, которые, вероятно, являются основным направлением будущих исследований платформ для фенотипизации сельскохозяйственной продукции. Позволяя фенотипированию высоты мобильного ВПФР варьироваться, чтобы адаптироваться к различным стадиям выращивания сельскохозяйственных культур, Flex-Ro был разработан для выявления различий в стадиях появления и зрелости между сортами сои (2018). возмездная компания PhenoBox из Flex-Ro в основном интегрирует оборудование для сбора данных, в то время как его регулируемый по высоте PhenoBar, расположенный в передней части этого мобильного телефона платформа, в основном состоит из трех сенсорных блоков, способных покрыть 4,5-метровую полосу (2014). оператор управляет машиной через удаленную коробку или приложение MATLAB под названием FlexRoRun. смотели стоит отметить, что 3D-интелюментный датчик включен для обнаружения препятствий, который успешно обнаруживает объекты размером с пешехода и запускает парковку. это будет критически важным фактором безопасности для будущих роботизированных ВПФР. аналогично, многоцелевой полевой робот в сочетании с различными приложениями может достигать разных функций. Например, роботизированная платформа Bonirob с приложением для фенотипирования, приложением для пенетрометра и приложением для точного распыления может контролировать рост растений, измерять параметры почвы и применять химическую прополку соответственно (2019). в отличие от мобильного ВПФР для небольших или раннерастущих культур, робототехник может автономно перемещаться на полях высоких культур, таких как кукуруза или сорго (2019). Интересно, что он имеет три манипулятора DOF, которые могут касаться и измерять силу стеблей растений, что является фенотипическим новшеством, основанным на контакте. легированный мобильный ВПФР может снизить стоимость разработки и уплотнение почвы (из-за легкой архитектуры), но обычно требует одного или нескольких операторов для последующего наблюдения (Werner, 2016). более того, из-за режима «стоп-меры» и медленной скорости отклика недорогих датчиков, эффективность сбора данных о чертах урожая не может быть гарантирована.

Что касается мобильного ВПФР на основе модифицированного трактора, опрыскивающего или комбайна, ему часто нужен специальный персонал для вождения. большой объем и весовой риск вызывают уплотнение почвы и механическое нарушение посевов, что исключает развертывание в полевых условиях. более высокая скорость движения, чем самодельная тележка, также не может гарантировать качество полученных фенотипических данных. Полезная нагрузка велика, поэтому она может интегрировать различные датчики для сбора информации из нескольких источников. лый ВПФР способен автоматически перемещаться по полю и собирать данные о чертах урожая, а также заниматься непрерывным фенотипированием в течение дня и ночи, но его затраты на разработку и обслуживание стоят дорого. льная мобильная ВПФР, вероятно, будет нацелена на легкость, автоматизацию, модульность и настройку, а механический механизм торможения рук и экстренных служб будет предлагать потенциальные приложения, которые могут значительно улучшить гибкость, автономность и безопасность. возмездно-поле ВПФР Как козерогатная рама оснащена сенсорной коробкой, а также движется по дорожке и собирает черты урожая по направлениям XYZ, она становится ВПФР на основе козлов. когда он движется туда-сюда по трассе, повторный фенотипирование, выполняемое таким образом, позволяет избежать возможности уплотнения почвы и повреждения нормального развития сельскохозяйственных культур. журный скан, оснащенный набором сканеров (PlantEye F300, Phenospex, Heerlen, Нидерланды), может осуществлять непрерывный, синхронный и автоматизированный мониторинг использования воды растений и развитие листового навеса, через линейное движение над обследованными растениями (Vadez et al., 2015). жущий механизм и остановка каждого измерения управляются механическим штрих-кодом, который также используется для калибровки расстояния от сканера до земли. запряженный скан также использовался в предварительном эксперименте по идентификации генетических ресурсов с гибридной кукурузой (Sunil et al., 2018), в котором он измерял высоту растения, область 3D листьев

Лежен (т.е. общая площадь листьев) и индекс площади листьев (LAI). аналогично, Virlet et al. (2017) применили полевой сканализатор (LemnaTec) для мониторинга и количественной оценки морфологических признаков органов пшеницы и навеса. через программное обеспечение управления в главном компьютере, ВПФР на основе коньков может работать в полном автоматическом или ручном режиме. кно, хотя он может постоянно пробовать, 24 часа в день, но никакие два датчика не могут собирать изображения одновременно. Также использовался полевой сканализатор для определения высоты навеса пшеницы и дальнейшего подтверждения потенциала функционального анализа картирования для обнаружения постоянных количественных признаков (QTL) (Lyra et al., 2020). зующий эксперимент, в котором точное управление участвует в достаточно реалистичной полевой среде, идеально подходит для расшифровки взаимодействий G×E×M. возмездно является первым полевым объектом в Европейском союзе, оснащенным высокопроизводительными устройствами для фенотипирования на козловой, автоматическими орошающими мобильные укрытия для дождя на дорожках и датчиками записи окружающей среды. Контролируя как ирригацию, так и оплодотворение, этот ВПФР на основе козлового ореха использовался для исследования стресса из воды и азота (Beauchene et al., 2019).

Аналогично Mini-Plot, разработанный Forschungszentrum Jülich, состоит из закрытой тепличной зоны и открытой огороженной области, содержащей 90 и 30 мини-сюжетов соответственно; он использовался для количественной оценки тяжести тяжестей ячменя (Thomas et al., 2018). Измерительная головка, состоящая из гиперспектрального датчика, зеркальной системы сканирования и автоматической системы позиционирования, перемещается по заводу для визуализации. такие ВПФР на основе козлов для фенотипирования, которые могут интегрировать генетику, полевые факторы окружающей среды и методы управления, значительно улучшили понимание патронной модели контроля для селекционеров и биологов растений. как только строительство и установка ВПФР на основе козловьев завершены, многоместные эксперименты могут быть дорогостоящими или даже неработающими. вые затраты на разработку, эксплуатацию и техническое обслуживание также являются несколькими факторами, о которых исследователи должны знать и учитывать. к счастью, ВПФР на основе козлонов с высокой степенью автоматизации могут собирать фенотипические данные временных рядов высокого разрешения. благодаря большой полезной нагрузке и способности к непрерывной работе, что значительно улучшает расширяемость, этот подход дает возможность лучше понять динамику циркадных ритмов растений. снижение фенотипической области, сокращение объема и снижение стоимости наполнят ВПФР на основе гантереи лучшими перспективами применения. поддерживаемый кабелем ВПФР кабель ВПФР, в основном состоит из системы зондирования, системы сбора данных, системы механической передачи и системы привода. систерная система и система сбора данных, как правило, интегрированы в сенсорную панель. лебедки, кабели, столбы и шкивы составляют приводную и механическую систему передачи. Четыре полюса распределены в четырех углах поля, а дом-лебедка для управления кабелями находится в нижней части полюса. датчик с GPS-устройством может быть точно расположен над интересной областью для получения данных черт через кабельный привод. чным типичным представителем кабельного ВПФР является «FIP», расположенный на исследовательской станции ETH в Швейцарии. датчик позвонки, интегрированные с зеркальной камерой, лазерным сканером и тепловой камерой, могут собирать фенотипические данные от 2 до 5 м над навесом. ск можно проверить, как FIP контролировать покрытие навеса и высоту навеса озимой пшеницы, кукурузы и сои, была проверена Кирхгесснером и др. лее (2017). также Nu-Spidercam в Университете Небраски имеет мультисенсорные системы, систему подповерхностного капельного орошения (SDI) и автоматическую метеостанцию (Bai et al., 2019), которая способна точно и гибко захватывать черты урожая, такие как высота растений, крышка навеса и спектральное отражение. сельная панель объединяет многочисленные датчики, поэтому программное обеспечение предназначено для выбора доступных датчиков для удовлетворения конкретных экспериментальных потребностей.

Збав в том, что он может работать непрерывно только в течение 6-8 часов при полной зарядке. спактные датчики подвеса кабеля ВПФР выполняют задачи по навесу для сельскохозяйственных культур по кабелям во время сбора данных об агрономических признаках, что означает, что кабели ВПФР имеет более низкую зависимость от почвы и меньше помех растениям, чем мобильный ВПФР. менные фенотипические черты временных рядов все еще можно собирать в течение установленного периода роста урожая. Он может охватывать большую фенотипическую область, но имеет более низкую нагрузку, чем ВПФР на основе коньков. в целом, полевые ВПФР являются значительно погодоподобными и ограниченными по регионам.

Разрешение стабилизированной визуализации кластеров растений и непрерывный мониторинг роста сельскохозяйственных культур на низкой высоте в течение более длительного периода времени станет вероятной будущей тенденцией для подвесных кабелей ВПФР. возмездный ВПФР, уязвимый к погодным ограничениям и авиационному регулированию В зависимости от используемого расстояния визуализации, воздушные ВПФР охватывают беспилотную воздушную платформу (UAP), пилотируемую воздушную платформу (MAP) и спутниковую платформу. UAP обычно требует, чтобы оператор на наземной станции дистанционно управлял или выполнял задачу полета, следуя заданному запланированному пути. скипромные изображения автоматически получаются бортовыми датчиками., тем не менее, MAP нуждается в специальном человеке для пилотирования самолета и другого пассажира, чтобы вручную захватывать изображения урожая во время полета. П и MAP обычно несут глобальную навигационную спутниковую систему (ГНСС), но часто это должно сочетаться с наземными пунктами управления (GCP) и калибровочными досками, для точной географической ссылки на полученные данные и для их исправления их пространственного разрешения. спутная платформа собирает крупномасштабные полевые снимки из космоса, позволяя одному доступу и загружать эти спутниковые данные по мере необходимости. В таблице 3 перечислены конкретные приложения и сведения о воздушных ВПФР. по сравнению с наземной платформой, воздушный ВПФР может собирать более широкие фенотипические области за более короткий период. Тем не менее, воздушная платформа имеет сильную погодную зависимость и относительно низкое пространственно-временное разрешение из-за ее высоты полета и расстояния изображения.

Беспилотная авиационная платформа (UAP) В последние годы, в связи со снижением цен на беспилотные летательные аппараты (БПЛА) и ослаблением правил воздушного движения, применение UAP в сельскохозяйственных исследованиях увеличилось в геометрической прогрессии. является так называемой воздушной платформой, для которой БПЛА является носителем, который интегрирует бортовые датчики, GPS-блок, инерционный измерительный блок (IMU), аккумулятор и аккумулятор б/ТАБЛИЦА 3 | Обзор воздушных ВПФР, на которые распространяется режим регулирования воздуха и погодные ограничения.

Возмездные ВПФР обозначения датчики высоты полета (мм) Установки Ссылки

Средства UAP Phantom 4 RGB 20 Inbred салат-латука Каротиноидный контент Mascarenhas Maciel et al., 2019

Легический UAP, использование одного датчика является наиболее распространенным. Например, изображения RGB, полученные многороторными UAP, широко использовались для исследования скорости роста пшеницы (Holman et al., 2016), каротиноидных уровней линий инбредного салата (Mascarenhas Maciel et al., 2019), индекса растительности (Buchaillot et al., 2019), высоты пшеницы (Villareal etal., 2020), роста различных линий кукурузы (W., 2020). жир Секвойя (Попугай, Франция) и Микасенс РедЭдж (Микасенсе, США) являются более знакомыми мультиспектральными камерами, используемыми с UAP. Например, Parrot Sequoia использовался для оценки точности и пространственной согласованности факторов гемосферно-конической отражения (HCRRF) (Fawcett et al., 2020). примечательно, что камеры фиксированы (под углом 3gree), чтобы компенсировать средний наклон вперед в полете. важдение снижение стоимости тепловых камер сделало воздушную термографию более широко используемой. кроме того, камера ICI

Было доказано, что он лучше, чем FLIR или термокамера для оценки физиологических и биохимических характеристик растений (Holman et al., 2016). еще не все же атмосферная калибровка и калибровка изменяния остаются проблемами для тепловизионной визуализации. аналогично, гиперспектральные датчики на многороторном UAP использовались для прогнозирования урожайности зимнего ячменя (Mascarenhas Maciel et al., 2019). Интересно, что для этого они использовали зеркало для направления наземных изображений в горизонтально расположенные датчики. По сравнению с простыми данными RGB, сбор дополнительных спектральных данных позволяет более надежные прогнозы. и в такой обстановке RGB и мультиспектральные датчики интегрированы в UAP, как это было сделано для оценки урожайности риса (Buchaillot et al., 2019), высоты растений сорго (Villareal et al., 2020), грунтового покрова хлопка (Wang et al., 2019) и скорости старения пшеницы (Wu et al., 2020). Для получения многоисточных фенотипических данных на многороторном UAP также используются три датчика. Например, RGB-камера, мультиспектральная камера и тепловой ИК-изображение использовались вместе для оценки урожая хлопка (Fawcett et al., 2020). также из-за ограниченной полезной нагрузки иногда требуются два независимых рейса многороторного UAP.

Например, при оценке генотипических различий в производстве твердой пшеницы были получены изображения RGB на первом полете и информация о мультиспектральном навесе, позже собранная на втором проходе (Gracia-Romero et al., 2019). По сравнению с многовинтовым, UAP с фиксированным крылом имеет более длительное время полета, более высокую высоту полета, большую полезную нагрузку и более высокую скорость полета. А вот UAP с неподвижным крылом не имеет способности к навесам и имеет определенные требования к взлету и посадке (например, взлетно-посадочная полоса). возмездность может вызвать размытые изображения, проблема, решенная с помощью датчиков визуализации с высокой частотой кадров и коротким временем экспозиции (Shiet al., 2016b). хотя UAP с неподвижным крылом имеет относительно большую полезную нагрузку, он почти всегда полагается на один датчик. ким образом, RGB-камера, установленная на Tuffing Mapper (Tuffing LLC, Boerne, USA), была использована для оценки высоты растения сорго (Han et al., 2018). П UAP имеет полуавтономную горизонтальную посадку на взлетно-спасательную и верхнюю часть (HTOL), управляемую контроллером Pixhawk. аналогично, RGB-камера с внутренним инфракрасным фильтром, удаленным для обнаружения цветного инфракрасного (CIR), использовалась для оценки высоты и диаметра крон оливковых деревьев (Díaz-Varela et al., 2015). плеводный аппарат eBee (senseFly, http://www.geosense.gr/en/ebee/) становится широко используемой платформой с фиксированным крылом. легический аппарат, установленный на eBee, использовался для оценки урожайности ранних генотипов пшеницы (Hu et al., 2020) и производительности тепловой камеры (Sagan et al., 2019a), а также для идентификации, позиционирования и картирования сорных участков Silybum marianum (Tamouridou et al., 2017). зывание на этой платформе показывает, что использование ее наивысшего разрешения не обеспечивает высочайшую точность для классификации сорняков. для оценки пространственных вариаций кукурузы при низком напряжении азота Zaman-Allah et al. (2015) разработали UAP с фиксированным крылом с помощью мультиспектральной камеры и тепловой камеры, управляемой автоматической навигационной системой. щитные UAP имеют достаточную полезную нагрузку, чтобы нести три датчика. лавший Анаконда (ReadyMadeRC, Льюис-центр, Огайо), UAP с неподвижным крылом, оснащенный двумя мультиспектральными камерами и высоким разрешением цинальная камера, использовалась для сбора фенотипных данных о кукурузе и сорго (Shi et al., 2016a), для которой она использовала традиционную конфигурацию двойного удара. Интересно, что внешний GPS-блок был добавлен в цифровую камеру для точной позиционной информации. хотя система автопилота 3DR Pixhawk была применена для автономной посадки на взлет и полет, во время полета Anaconda должна управляться вручную. гениально говоря, беспилотный вертолет является альтернативным типом UAP. Например, Pheno-Copter (на основе газа) с видимой камерой, камерой NIR и тепловой ИК-камерой был нанесен для измерения грунтового покрытия сорго, температуры полога сахарного тростника и жилищного строительства (Chapman et al., 2014). еще с наземной станции необходимо контролировать полет Pheno-Copter, а это часто требует специализированной подготовки. при точном георегистрации сопровождается процессом получения изображения UAP, то точные извлечения микросюжетов должны быть значительно улучшены (Hearst, 2014). Для достижения этой цели схема конфигурации датчика также должна быть улучшена. сборные данные UAP требуют ГНСС и инерционной навигационной системы (ИНС) для пространственного сопоставления и геореференции. Для облегчения расчета фактического географического положения камеры, соответствующего получению данного изображения, обычно требуется более 60% перекрытия соседних изображений (Jin et al., 2017).

В этом контексте пространственное смещение (рычажное рукоятко) и угловое соотношение (углы наклона) между блоком GNSS/INS и датчиками имеют большое значение. также, по сравнению с рычагом, угол скважины имеет большее значение. в связи с этим Хабиб и др. (2018) недавно использовали UAP с гиперспектральными датчиками push-broom, чтобы установить три метода калибровки углового сигнала (вокруг GCP, точек галстука и приблизительных средств). хотя информация о пространственном позиционировании может быть получена из воздушно-капельного блока ГНСС/ИНС, ее разрешение недостаточно высоко. поэтому для проведения высокоточных географических ссылок необходимо установление правильной компоновки наземных пунктов управления (GCP) и калибровочных досок (Yu et al., 2016). также были предложены многофункциональные GCP для калибровки геометрической и отражательной способности, и их использование значительно улучшило точность фенотипирования, а также уменьшило рабочую силу (Thomasson et al., 2019). аналогично Хан и Томассон (2019) разработали автоматическую мобильную GCP, оснащенную двумя блоками RTK-GPS, навигационным компьютером и интегрированным контроллером вождения. зобедренно может распознавать и прогнозировать поведение и деятельность UAP во время полета вместо традиционных стационарных GCP, который исследует потенциал повышения точности и эффективности сбора данных. лие за соблюдением соответствующих правил воздушного пространства остается строгим, огромный потенциал UAP пока не может быть полностью использован. несмотря на то, что он подвержен погодным условиям, полезной нагрузке, выносливости и авиационному регулированию, UAP, характеризующиеся крупномасштабным фенотипированием, эффективностью, гибкими планами полетов и относительно низкой стоимостью постепенно сместили тенденцию в фенотипических миссиях с земли в воздух. в последние годы, с корректировкой политики, оптимизацией оборудования, снижением цен на коммерческие БПЛА, достижениями в области аккумуляторных технологий и простотой работы UAP лых стали в полной мере отображать свои выдающиеся способности в области фенотипирования растений и науки о растениях. Разработка стратегий для фенотипа сельскохозяйственных культур путем дистанционного зондирования (Yang et al., 2017), повышение производительности, такой как выносливость, полезная нагрузка и стабильность, снижение стоимости датчиков и продвижение возможностей обработки данных являются будущими тенденциями UAP. пактический автомобиль MAP преобразуется из пилотируемого вертолета или самолета, смонтируя на него комплект для приобретения фенотипа, помещенный в грузовую капсулу или непосредственно установленный на ступеньке (через кронштейн), с пассажиром(ами), оценивающим изображения и дающим обратную связь о своем качестве пилоту в режиме реального времени через видеомонитор в кабине. фенотипическое оборудование, используемое для этого, влечет за собой датчики, блок GPS, гироскопы и/или инерционные измерительные установки. хотя MAP способен нести несколько датчиков для сложных фенотипических задач, это не было полностью использовано, вероятно, потому, что это будет зависеть от большого ручного участия.

Например, только одна радиометрическая калибровочная тепловая камера в грузовом аппарате вертолета была использована для сбора температуры навеса (Deery et al., 2016), и пассажир должен присутствовать для выполнения оценки изображения и обеспечивать обратную связь. для этого RGB-камера может управляться дистанционно и запускаться оператором, чтобы наблюдать за «реальной ситуацией» через видеомонитор в кабине (Yang and Hoffmann, 2015). для оценки надземной биомассы (AGB) и подземной биомассы (BGB) кукурузы LiDAR также был установлен на MAP для сбора данных в точечном облаке на номинальной высоте 1500 м (Li et al., 2015). вые высоты визуализации и скорости полета, безусловно, делают приобретение фенотипических данных с высоким разрешением и точностью более сложным.

Аналогично MAP также может эффективно использовать ранее существовавшую сельскохозяйственную технику и в определенной степени может преодолеть сложные погодные условия из-за стабильности полета. тем не менее, проведение фенотипических экспериментов с MAP требует определенного количества рабочей силы и неизбежно сопряжено с высокими затратами. Например, MAPтребует обученного пилота с соответствующей квалификацией для управления вертолетом или самолетом, а пассажир на борту выполняет мониторинг, оценку, общение и ручную визуализацию. более того, учитывая стоимость и технические вопросы, преимущества MAP не были полностью использованы (т.е. высота полета, скорость полета, производительность). го, возможно, именно поэтому известность MAP резко снизилась в фенотипировании урожая, именно из-за беспрецедентных преимуществ UAP, которые позволяют ему выполнять последовательные фенотипические задачи и, таким образом, постепенно вытеснять MAP. спутная платформа Satellites может предоставлять панхроматические изображения, мультиспектральные изображения или радиообнаружение и дальние (RADAR) данные. нацковые изображения однодиапазона отображаются как изображения серого масштаба с высоким разрешением, но ограниченной спектральной информацией, тогда как мультиспектральные изображения имеют богатый спектр, но с относительно низким разрешением. таким образом, полученные панхроматические и мультиспектральные изображения обычно сливаются панчроматическим сокачение или пан-заточка, для получения мультиспектральных растровых данных с высоким разрешением. такое оптическое спутниковое фенотипирование подвержено несотрудничающим погодным условиям, таким как облачность, дождь, туман и дымка, а также страдает от насыщения видимым светом (Jin et al., 2015). В этом случае данные RADAR и радиолокации синтетической апертуры (SAR) могут компенсировать этот дефект чрезвычайно хорошо. это связано с уникальной чувствительностью посевной структуры к микроволнам, что эффективно улучшает доступность спутниковой платформы.

Серия WorldView, RapidEye, GeoEye-1, серия SPOT, QuickBird, Ikonos, Planet Scope, серия KOMPSAT, серия «Спутник для наблюдения Земли», серия Landsat, серия Gaofen и серия SkySat в настоящее время являются основными спутниковыми ВПФР, которые могут получить цветные и мультиспектральные изображения (Jin et al., 2020). Эти спутниковые платформы, которые могут получить данные RADAR, в основном находятся в Sentinel-1, RADARSAT-2, ENVISAT, TerraSAR-X/TanDEM-X и RISAT2 (Zhang et al., 2020). в последние годы, с быстрым развитием спутников ВПФР, все больше исследований по фенотипингу установок, проводимых с использованием спутниковых данных.

Например, мультиспектральные данные спутника GeoEye-1 использовались для оценки состояния азота и пространственной изменчивости различных видов тюрфрас (Caturegli et al., 2015), что привело к принятию важного руководящего принципа управления оплодотворением дерном. спутник RapidEye обеспечивает пять полос пространственного разрешения 5 м: синий, зеленый, красный, рыжевый и ближний инфракрасный. легические его изображения были использованы для изучения переменной скорости воздействия азотных удобрений пшеницы (Basso et al., 2016). При оценке угла угла углубления (CAI) Chauhan et al. (2020) опирались на данные Sentinel-1 и Radardsat-2 (угловой угловой угла многослучайности) и продолжили оценивать тяжесть размещения сельскохозяйственных культур. Интересная спутниковая платформа Fluorescence EXplorer (FLEX) оснащена спектрометром флуоресценции одной полезной нагрузки (FLORIS), который сочетает в себе спектральное и пространственное разрешение для извлечения и интерпретации полной спектра флуоресценции хлорофилла, испускаемых наземной растительностью (Drusch et al., 2017). запланирован на запуск в 2022 году и будет летать на той же орбите, что и Sentinel-3; отсюда и наличие и совместимость вспомогательной информации. Способность обрабатывать крупномасштабные спутниковые фенотипические данные по низкой стоимости в соответствии с протоколами международного стандарта является ключевым преимуществом спутникового фенотипирования. Некоторые спутники предоставляют бесплатные данные потенциальным пользователям, но получение высокоточных коммерческих спутниковых данных обычно влечет за собой денежную плату., к счастью, стоимость доступа к спутниковым данным в настоящее время скромна. как панчроматическая, так и многоспектральная визуализация, сделанная спутниками, остается восприимчивой к помехам атмосферы, облакам и туману. также вопрос разрешения, такой как Pleiades-1a, 0,5 м; SPOT 6, 1,5 м; Planet Scope 3,0 m; Rapid Eye, 5,0 m, и это лишь некоторые из них, и период повторного обзора данных также ограничивают факторы., к счастью, спутниковое разрешение постоянно прогрессирует по мере развития спутниковых технологий. Например, финский технологический стартап ICEYE выпустил коммерческие космические образцы SAR с самым высоким разрешением (0,25 м), доступными в настоящее время во всем мире. в ближайшем будущем низкоорбитальные наноспутники и микроспутники с высоким пространственным разрешением могут присоединиться к преобладающим авиационным ВПФР. ЛОСТЬ СОЧЕТАНИЯ ВПФРS ДЛЯ СРАВНИТЕЛЬНОГО ВАЛИДАЦИИ ИЛИ КОМПЛЕКСНОГО АНАЛИЗА лизующий комплекс ВПФР состоит из четырех компонентов: датчик, платформа, анализ и визуализация. в Обмен данными, они должны быть в состоянии выполнить высокопроизводительное и неразрушающее получение значительного объема данных о динамических фенотипических признаках культивируемых растений и их экологических характеристиках, а также обеспечить многоомиксовые анализы, завершив весь процесс фенотипирования с целостной точки зрения, тем самым в конечном итоге облегчив улучшение урожая и молекулярную селекцию растений (как показано на рисунке 4).

Ли как различные типы ВПФР имеют свои уникальные достоинства — Таблица 4 обобщает преимущества и недостатки разных ВПФР — с традиционными ручными измерениями, обычно необходимыми для сбора относительных реальных данных для сравнения и проверки, проведение комбинаций различных ВПФР предлагает способ оторваться от традиционного фенотипирования и получить исчерпывающие высокоточные фенотипические данные. Несколько общих

Типичные комбинации разнообразных ВПФР выделены в таблице 5. Комбинация ВПФР для сравнительной проверки некоторых комбинаций ВПФР стремится сравнить и проверить фенотипную производительность, применяя различные типы ВПФР и тем самым полностью обходя традиционные ручные измерения., например, Andrade-Sanchez et al. (2014) модифицировали распылитель для работы в качестве мобильной платформы, чтобы одновременно собирать высоту навеса, отражательную способность и температуру в четырех смежных рядах в хлопковом поле; он может нести четыре набора датчиков, включая гидроакустические датчики, IR-радиометры и многоспектральные датчики. для проверки подлинности данных мобильной платформы был применен MAP (вертолет) для сбора данных с видимым инфракрасным диапазоном (VNIR) и тепловых ИК-данных.

В другой работе, чтобы оценить высоту растения пшеницы, мобильная платформа с LiDAR и UAP с камерами RGB совместно использовались для генерации трехмерных облаков с плотной точкой (Madec et al., 2017). правда, из-за низкого разрешения изображений RGB от UAP и сильного

Типичные комплексные компоненты ВПФР: (a) датчик, (b) платформа, (c) анализ, (d) визуализация; ВПФР выполняет весь рабочий процесс фенотипирования: (1) выращивание растений, (2) извлечение фенотипических признаков, (3) получение параметров окружающей среды, (4) обработка данных, (5) мультиомокс-анализ и, в конечном счете, (6) помощь в улучшении урожая. проницаемость LiDAR мобильной платформы, измерение высоты растений на основе UAP было недооценено. аналогично Khan et al. (2018) объединили мобильную платформу и UAP для сбора изображений RGB, которые показали высоту навеса.

Сюжет 4 | Обзор сравнения преимуществ и недостатков различных типов ВПФР.

Лы ВПФР тип преимуществ Недостатки

Стивая повторяемость бенчтопного типа; непрерывный мониторинг; точное фенотипирование; высокое разрешение

Зобмен ВПФРs Combination for Comprehensive Analysis Некоторые аспекты производительности ВПФР объединяются для реализации слияния мультиинсортных данных для совместного и комплексного фенотипирования. Например, использование как мобильной платформы, так и платформы на башне для масштаба навеса и однорастительного фенотипирования было предложено Shafiekhani et al. лее (2017). как автономная мобильная платформа, Vinobot с его стереокамерами, установленными на роботизированной руке, может автономно перемещаться в полевых условиях и собирать данные об отдельных признаках растений. лочный винокулер может осмотреть фенотип навеса большой площади и делегировать конкретные регионы Vinobot для тщательного фенотипирования, что значительно улучшает гибкость и целеустремленность. роботизированная мобильная платформа и UAP собрали дополнительные мультиспектральные данные, которые позволили исследователям получить комплексные фенотипы сельскохозяйственных культур (Sankaran et al., 2019). в частности, эта мобильная платформа предоставила подробную информацию о признаках растений и UAP, полученную калиброванным NDVI, и вместе они еще предсказали дату и урожайность заголовка. ли несколько роторов UAP

Зучительная + столб/башня Стереокамера RGB, инфракрасная кукуруза, высота растения сорго, индекс площади листьев (LAI)

Кроме того, существуют значительные различия между различными типами ВПФР, такими как разрешение времени, погодная зависимость, экспериментальный масштаб и финансовые инвестиции, и это лишь некоторые из них. это означает, что комбинации ВПФР должны направляться к реальным фенотипическим требованиям и конкретным практическим вопросам. наряду с дальнейшим уточнением фенотипирования растений, ожидается, что будущий портфель ВПФР интегрирует распределенные платформы с несколькими площадками, одноточечные централизованные платформы и облачные платформы, чтобы глубоко добывать и рассеивать многоисточничные фенотипические данные из динамических временных рядов в нескольких масштабах, для нескольких видов и при нескольких сценариях. также для эффективной интеграции существующих ВПФР, технологии фенотипирования, фенотипических методов, наличия данных и ресурсов, в целях ускорения появления высококачественных фенотипических достижений и ускорения селекции сельскохозяйственных культур, а также уменьшения дублирования исследований и инвестиций, создания большего числа международных и региональных организаций или инициатив (см. таблицу 6). СИМУЛЯЦИЯ ВПФР смоделированный ВПФР направлен на моделирование роста растений, фенотипического выражения и фенотипирования в различных масштабах. интеграцию многоисточной информации в структуру моделирования, например, ресурсы зародышевой плазмы, орошение, удобрение, пищевое вещество, пространственный климат, почва, окружающая почва, свойства местности и учет управления. Например, цифровая платформа для фенотипирования растений (D3P) будет использовать переменные окружающей среды, управление сельскохозяйственными культурами и метеорологическую информацию в качестве входных данных для создания 3D-структуры виртуального навеса. в основываясь на этом, сбор виртуальных фенотипических признаков навеса может быть выполнен с помощью симуляторов RGB, мультиспектральных и LiDAR (Liu)

И др., 2019). для целых лесов с большими областями покрытия, долгоживущими циклами и высокой неоднородностью Dungey et al. (2018) обеспечили прототип симулятора ВПФР ландшафтного масштаба, консолидируя топографию дистанционного зондирования, воздействие на окружающую среду, пространственную абиотическую информацию, записи управления и геномику в структуру моделирования. л на то, чтобы устранить некоторые традиционные ограничения в программах разведения деревьев и обеспечить генетические достижения в пригодности деревьев. Объединив геномику, высокопроизводительное фенотипирование и моделирование, мы можем получить адекватное, но обоснованное понимание фенотипических признаков и их вариаций (Varshney et al., 2018).

Применение различных сложных моделей для сочетания моделирования с эмпирическими методами будет заметно способствовать ускорению процесса извлечения идеальных фенотипических признаков для использования в улучшении урожая.

БУДУЩИЕ ПЕРСПЕКТИВЫ ДЛЯ ВПФР концепцию ВПФР довольно грандиозная, так что разработка и инновации ВПФР зависит от междисциплинарного сотрудничества агрономии, робототехники, компьютера, автоматизации, искусственного интеллекта и больших данных, требующих участия экспертов — заводчиков, агрономов, ученых-растителей, инженеров-механиков — и лидерства от междисциплинарных талантов открытых инновационных команд. является ли ВПФР фенотипированием в теплице или в поле, наземным проксимальным фенотипированием или воздушным крупномасштабным дистанционным зондированием, будущее ВПФР заключается в улучшении пространственно-временного разрешения, интеграции датчиков, времени обработки данных, взаимодействия человека и машины, операционной стабильности, пропускной способности, автоматизации, работоспособности и доступности.

С заслуживает отметить, что разработка, отбор и использование ВПФР должны быть ориентированы на конкретные требования к проекту, конкретные фенотипические задачи и практические сценарии применения, такие как полевое покрытие (Kim, 2020), вместо того, чтобы предполагать, что больше устройств, технологий и средств, с которыми ВПФР оснащен, тем лучше; отчасти потому, что сбор большого объема данных не означает, что все это полезно (Haagsma et al.). да еще в некоторых случаях экспериментальные эффекты применения одиночных и нескольких датчиков идентичны (Meacham-Hensold et al., 2020), и данные, полученные от нескольких устройств, являются избыточными.

Тем не менее, комбинации различных ВПФР для сравнительной валидации и комплексного анализа могут обеспечить широкие перспективы применения для проверки, извлечения и количественной оценки сложных физиологических функциональных фенотипов. еще технические вопросы формулирования стандартов и синхронизации калибровок для этих множественных комбинаций являются сложными задачами., к счастью, участие мета-анализа обеспечивает объективность разработки и отбора ВПФР. Например, Янг (2019) применил метод мета-анализа для разработки системы оценки, которая может количественно и объективно оценивать оценки сложности и полезности высокопроизводительных систем. как эффективный аналитический метод количественного, научного синтеза результатов исследования (Gurevitch et al., 2018), мета-анализ может оказаться особенно плодотворным в ближайшем будущем. скорожный обзор международных организаций или региональных инициатив, способствующих фенотипированию растений. ответ организация Полное имя (или описание) URL

Возмездная феномика завода APPF Австралия https://www.plantphenomics.org.au/

На малых высотах в течение длительных периодов времени. что касается UAP, то разработка компактной легкой конфигурации датчика, чувствительной к фенотипическим признакам растений, станет прорывом (Xie and Yang, 2020). к примеру, передовая технология аккумуляторов остро нуждается в этапе прорыва, который может значительно улучшить выносливость, полезную нагрузку и мощность БПЛА. для спутникового фенотипирования улучшение разрешения изображений и сокращение цикла повторного посещения остаются в центре внимания развития спутниковой платформы. Кроме того, экономически эффективные платформы также требуют рассмотрения, поскольку смартфон, портативный инструмент, рюкзак и носимое устройство принимаются и обновляются для использования в фенотипировании. сковозмжаемый сбор данных, управление данными, интерпретация данных, моделирование, интеграция и применение вместе образуют ядро и столп фенотипирования растений. основными проблемами, с которыми сталкивается новое поколение фенотипирования, являются обработка данных, обработка изображений и анализ признаков (Fahlgren et al., 2015a; Campbell et al., 2018; Hickey et al., 2019)., к счастью, внедрение различных программных, веб-инструментов, трубопроводов,

Налоговые инструменты, инструменты глубокого обучения и онлайн-репозиторные решения, чтобы помочь фенотипическим исследователям в обработке фенотипических данных, прорвут эти технические узкие места. Например, бесплатное многоцелевое программное обеспечение - Инструмент покрытия - может полуавтоматически количественно оценить широкий спектр визуальных признаков растений (Merchuk-Ovnat et al., 2019). учные инструменты для анализа изображений, такие как Field Phenomics (Guzman et al., 2015), считаются горячей точкой для фенотипических решений. Kar et al. (2020) разработали аналитический конвейер с обнаружением выброса, недостающим вменением стоимости и пространственной регулировкой для решения проблемы неточных и отсутствующих фенотипических данных. накопитки-наборы, как правило, относительно специфичны, такие как завод 3D (P3D), который специализируется на анализе данных 3D-точечных облачных данных конструкций растений (Зямцов и Навлаха, 2020). в развитие ВПФР повышение их высокой производительности и эффективности будет производить все более большие данные. для огромных наборов данных необходимы инструменты глубокого обучения; однако только тогда, когда станут доступны большие наборы данных, которые захватывают общие проблемы, могут получить наибольшую выгоду от применения инструментов глубокого обучения.

Онлайн-базы данных, такие как http://www.plant-image-analysis.org, могут эффективно преодолевать разрыв между разработчиками и пользователями, но по-прежнему не имеют комплексных платформ управления, которые охватывают программное обеспечение, веб-инструменты, конвейеры, наборы инструментов глубокого обучения и другие фенотипические решения, что станет прорывом, а также серьезной проблемой. С появлением различных ВПФР экспериментальные проекты, методы фенотипирования, стандартизированное управление, как получение фенотипий, так и его анализ данных становятся чрезвычайно заметными. Фенотипические данные, которые стоят значительный капитал, труд, время и энергию, однако, могут быть навсегда отброшены 1 день (Mir et al., 2019). в настоящее время еще не установлено стандартное соглашение о фенотипировании или методология анализа данных для фенотипирования растений (Mahlein et al., 2019). Стандартизация данных и метаданных из ВПФР способствует улучшению коэффициента использования данных и обеспечивает совместимость поставщиков данных и экспериментальную репликацию. же в противном случае плохие данные, которые являются плохими, а в беспорядочном формате могут генерировать шум или неупорядоченные волны., к счастью, предлагаются соответствующие стандартные ограничения., например, Krajewski et al. (2015) опубликовали технический документ, содержащий эффективные рекомендации (по адресу http://cropnet.pl/ phenotypes) и инициативы (например, http://wheatis.org), что делает еще один шаг в направлении разработки международных практических решений. более того, создание соответствующей стандартизации фенотипирования может укрепить понимание и объяснение биологических явлений, способствуя трансформации биологического знания и созданию реальной последовательной семантической сети. ВЫВОДЫ ликовый автомобиль ВПФР является новым и мощным инструментом для получения фенотипов (морфологическая структура, физиологическая функция, содержание компонентов) и плотных фенотипов в сложных полевых условиях, которые не могут быть выполнены традиционными подходами к фенотипированию. В настоящем документе рассмотрено применение ВПФР в камере роста или теплице

Симо с строго контролируемыми условиями окружающей среды и полевыми фенотипиями с печально известными неоднородными условиями и неконтролируемыми факторами окружающей среды. в соответствии с конфигурацией платформы и режимом работы были выполнены дополнительные классификации для обеспечения всеобъемлющего обзора и описания и оценки различных типов ВПФР, доступных в настоящее время. сюжетные особенности, приложения, сильные и слабые стороны различных ВПФР были подчеркнуты. думмеваемая платформа моделирования, различные комбинации ВПФР для сравнительной проверки или всестороннего анализа, текущие фенотипические вызовы и будущие тенденции развития ВПФР.

ВПФР — новый и мощный инструмент получения глубинных фенотипов растений (морфологическая структура, физиологические функции, содержание компонентов) и плотных массивов фенотипических данных в сложных полевых условиях, чего невозможно достичь традиционными подходами к фенотипированию. В статье рассмотрено применение ВПФР в ростовых камерах и теплицах со строго контролируемыми условиями среды,

а также при полевом фенотипировании в условиях выраженной неоднородности и неконтролируемых факторов среды. Далее, с учётом конфигурации платформ и режима работы, выполнена дополнительная классификация, обеспечивающая всесторонний обзор, описание и оценку различных типов ВПФР, доступных в настоящее время. Подчёркнуты уникальные характеристики, области применения, сильные и слабые стороны различных ВПФР. Кроме того, рассмотрены имитационная платформа, различные сочетания ВПФР для сравнительной валидации или комплексного анализа, современные проблемы фенотипирования и будущие направления развития ВПФР. Благодаря мощным ВПФР феномика, вероятно, вступила в новый этап (Tardieu et al., 2017). На этом этапе новой и актуальной задачей фенотипирования следующего поколения станет рациональное объединение фенотипических экспериментов, различных ВПФР, моделей, схем обработки данных, метаанализа и визуализации фенотипической информации для оптимального распределения исследовательских ресурсов, эффективного решения сложных задач фенотипирования и преобразования массивных многоресурсных фенотипических данных в статистические и биологические знания. Надёжное фенотипирование занимает центральное место в селекции растений (Hickey et al., 2019), а создание высокоурожайных, стрессоустойчивых сортов сельскохозяйственных культур является конечной целью селекции. Высокопроизводительное секвенирование лежит в основе быстрого развития геномики (Shah et al., 2018). Аналогичным образом, ВПФР как новый мощный инструмент фенотипирования откроет новый период быстрого развития феномики. Наконец, объединение морфологического, физиологического и элементного фенотипирования с методами мультиомики с позиций целостной омики положит начало новой эре фенотипирования растений.

DL и CL руководили написанием статьи и рецензировали её первоначальные версии. CQ подготовил текст рукописи и графические материалы. ZS и GY представили замечания по структуре и схемам статьи. XL участвовал в языковой правке и доработке графических материалов. AM содействовал повышению точности формулировок и выразительности языка. Все авторы внесли существенный вклад в концепцию и подготовку рукописи, прочитали и одобрили представленную версию статьи.

Авторы хотели бы поблагодарить редакторов и рецензентов за их ценный вклад, время и предложения по улучшению общего качества рукописи. мы также хотели бы поблагодарить Charlesworth Group (https://www.cwauthors.com/frontiers/) за редактирование английского языка.

Со строго контролируемыми условиями окружающей среды и полевым фенотипированием с заведомо гетерогенными условиями и неконтролируемыми факторами окружающей среды. Затем, в соответствии с конфигурацией платформы и режимом работы, была выполнена дальнейшая классификация, чтобы обеспечить всесторонний обзор, описание и оценку различных типов ВПФР, доступных в настоящее время. Были подчеркнуты уникальные характеристики, области применения, а также сильные и слабые стороны различных ВПФР. В дальнейшем были обсуждены платформа моделирования, различные комбинации ВПФР для сравнительной проверки или комплексного анализа, текущие фенотипические проблемы и будущие тенденции развития ВПФР.

Acosta-Gamboa, L. M., Liu, S., Langley, E., Campbell, Z., Castro-Guerrero, N., Mendoza-Cozatl, D., et al. (2017). Moderate to severe water limitation differentially affects the phenome and ionome of Arabidopsis. Func. Plant Biol. 44, 94–106. doi: 10.1071/FP16172 Anderson, S. L., Murray, S. C., Chen, Y., Malambo, L., and Jung, J. (2020). Unoccupied aerial system enabled functional modeling of maize height reveals dynamic expression of loci. Plant Direct 4:e00223. doi: 10.1002/pld3.223 Andrade-Sanchez, P., Gore, M. A., Heun, J. T., Thorp, K. R., Carmo-Silva, A. E., French, A. N., et al. (2014). Development and evaluation of a fieldbased high-throughput phenotyping platform. Func. Plant Biol. 41, 68–79. doi: 10.1071/FP13126 Atefi, A., Ge, Y., Pitla, S., and Schnable, J. (2019). In vivo human-like robotic phenotyping of leaf traits in maize and sorghum in greenhouse. Comp. Electron. Agric. 163:104854. doi: 10.1016/j.compag.2019.104854 Atieno, J., Li, Y., Langridge, P., Dowling, K., Brien, C., Berger, B., et al. (2017). Exploring genetic variation for salinity tolerance in chickpea using image-based phenotyping. Sci. Rep. 7:1300. doi: 10.1038/s41598-017-01211-7 Bai, G., Ge, Y., Hussain, W., Baenziger, P. S., and Graef, G. (2016). A multi-sensor system for high throughput field phenotyping in soybean and wheat breeding. Comp. Electron. Agric. 128, 181–192. doi: 10.1016/j.compag.2016.08.021 Bai, G., Ge, Y., Scoby, D., Leavitt, B., Stoerger, V., Kirchgessner, N., et al. (2019). NU-Spidercam: a large-scale, cable-driven, integrated sensing and robotic system for advanced phenotyping, remote sensing, and agronomic research. Comp. Electron. Agric. 160, 71–81. doi: 10.1016/j.compag.2019.03.009 Bai, G., Jenkins, S., Yuan, W., Graef, G. L., and Ge, Y. (2018). Field-based scoring of soybean iron deficiency chlorosis using RGB imaging and statistical learning. Front. Plant Sci. 9:1002. doi: 10.3389/fpls.2018.01002 Bangert, W., Kielhorn, A., Rahe, F., Dreyer, A.-W., Kg, G., Co, et al. (2013). “Field-Robot-Based Agriculture: “RemoteFarming.1” and “BoniRob-Apps”,” in Tagung Land. TECHNIK - AgEng. Bao, Y., Nakami, A. D., and Tang, L. (2014). “Development of a field robotic phenotyping system for sorghum biomass yield component traits characterization,” in American Society of Agricultural and Biological Engineers Annual International Meeting 2014, ASABE. Basso, B., Fiorentino, C., Cammarano, D., and Schulthess, U. (2016). Variable rate nitrogen fertilizer response in wheat using remote sensing. Precis. Agric. 17, 168–182. doi: 10.1007/s11119-015-9414-9 Beauchene, K., Leroy, F., Fournier, A., Huet, C., Bonnefoy, M., Lorgeou, J., et al. (2019). Management and characterization of abiotic stress via phenofield((R)), a high-throughput field phenotyping platform. Front. Plant Sci. 10:904. doi: 10.3389/fpls.2019.00904 Brichet, N., Fournier, C., Turc, O., Strauss, O., Artzet, S., Pradal, C., et al. (2017). A robot-assisted imaging pipeline for tracking the growths of maize ear and silks in a high-throughput phenotyping platform. Plant Methods 13:96. doi: 10.1186/s13007-017-0246-7 Brien, C., Jewell, N., Watts-Williams, S. J., Garnett, T., and Berger, B. (2020). Smoothing and extraction of traits in the growth analysis of noninvasive phenotypic data. Plant Methods 16:s36. doi: 10.1186/s13007-020-0 0577-6 Bruning, B., Liu, H., Brien, C., Berger, B., Lewis, M., and Garnett, T. (2019). The development of hyperspectral distribution maps to predict the content and distribution of nitrogen and water in wheat (Triticum aestivum). Front. Plant Sci. 10:1380. doi: 10.3389/fpls.2019. 01380 Buchaillot, M. L., Gracia-Romero, A., Vergara-Diaz, O., Zaman-Allah, M. A., Tarekegne, A., Cairns, J. E., et al. (2019). Evaluating maize genotype performance under low nitrogen conditions using RGB UAV phenotyping techniques. Sensors 19:1815. doi: 10.3390/s19081815 Campbell, Z. C., Acosta-Gamboa, L. M., Nepal, N., and Lorence, A. (2018). Engineering plants for tomorrow: how high-throughput phenotyping is contributing to the development of better crops. Phytochem. Rev. 17, 1329–1343. doi: 10.1007/s11101-018-9585-x Caturegli, L., Casucci, M., Lulli, F., Grossi, N., Gaetani, M., Magni, S., et al. (2015). GeoEye-1 satellite versus ground-based multispectral data for estimating nitrogen status of turfgrasses. Int. J. Remote Sens. 36, 2238–2251. doi: 10.1080/01431161.2015.1035409

Chang, S., Lee, U., Hong, M. J., Jo, Y. D., and Kim, J.-B. (2020). High-throughput phenotyping (HTP) data reveal dosage effect at growth stages in Arabidopsis thaliana irradiated by gamma rays. Plants 9:557. doi: 10.3390/plants9050557 Chapman, S. C., Merz, T., Chan, A., Jackway, P., Hrabar, S., Dreccer, M. F., et al. (2014). Pheno-copter: a low-altitude, autonomous remote-sensing robotic helicopter for high-throughput field-based phenotyping. Agronomy 4, 279–301. doi: 10.3390/agronomy4020279 Chauhan, S., Darvishzadeh, R., Boschetti, M., and Nelson, A. (2020). Estimation of crop angle of inclination for lodged wheat using multi-sensor SAR data. Remote Sens. Environ. 236:111488. doi: 10.1016/j.rse.2019.111488 Chen, D., Neumann, K., Friedel, S., Kilian, B., Chen, M., Altmann, T., et al. (2014). Dissecting the phenotypic components of crop plant growth and drought responses based on high-throughput image analysis. Plant Cell 26, 4636–4655. doi: 10.1105/tpc.114.129601 Choudhury, S. D., Bashyam, S., Qiu, Y., Samal, A., and Awada, T. (2018). Holistic and component plant phenotyping using temporal image sequence. Plant Methods 14:35. doi: 10.1186/s13007-018-0303-x Choudhury, S. D., Samal, A., and Awada, T. (2019). Leveraging image analysis for high-throughput plant phenotyping. Front. Plant Sci. 10:508. doi: 10.3389/fpls.2019.00508 Choudhury, S. D., Stoerger, V., Samal, A., Schnable, J. C., Liang, Z., and Yu, J.-G. (2016). “Automated vegetative stage phenotyping analysis of maize plants using visible light images,” in KDD: Data Science for Food, Energy and Water. Crain, J. L., Wei, Y., Barker, J., Thompson, S. M., Alderman, P. D., Reynolds, M., et al. (2016). Development and deployment of a portable field phenotyping platform. Crop Sci. 56, 965–975. doi: 10.2135/cropsci2015.05.0290 Czedik-Eysenberg, A., Seitner, S., Güldener, U., Koemeda, S., Jez, J., Colombini, M., et al. (2018). The ’PhenoBox’, a flexible, automated, open-source plant phenotyping solution. New Phytol. 219, 808–823. doi: 10.1111/nph.15129 Deery, D., Jimenez-Berni, J., Jones, H., Sirault, X., and Furbank, R. (2014). Proximal remote sensing buggies and potential applications for field-based phenotyping. Agronomy 4, 349–379. doi: 10.3390/agronomy4030349 Deery, D. M., Rebetzke, G. J., Jimenez-Berni, J. A., Bovill, W. D., James, R. A., Condon, A. G., et al. (2019). Evaluation of the phenotypic repeatability of canopy temperature in wheat using continuous-terrestrial and airborne measurements. Front. Plant Sci. 10:875. doi: 10.3389/fpls.2019. 00875 Deery, D. M., Rebetzke, G. J., Jimenez-Berni, J. A., James, R. A., Condon, A. G., Bovill, W. D., et al. (2016). Methodology for high-throughput field phenotyping of canopy temperature using airborne thermography. Front. Plant Sci. 7:1808. doi: 10.3389/fpls.2016.01808 Díaz-Varela, R. A., De La Rosa, R., León, L., and Zarco-Tejada, P. J. (2015). High-resolution airborne UAV imagery to assess olive tree crown parameters using 3D photo reconstruction: application in breeding trials. Remote Sens. 7, 4213–4232. doi: 10.3390/rs70404213 Drusch, M., Moreno, J., Del Bello, U., Franco, R., Goulas, Y., Huth, A., et al. (2017). The fluorescence EXplorer mission concept—ESA’s earth explorer 8. IEEE Trans. Geosci. Remote Sens. 55, 1273–1284. doi: 10.1109/TGRS.2016.2621820 Duan, L., Han, J., Guo, Z., Tu, H., Yang, P., Zhang, D., et al. (2018). Novel digital features discriminate between drought resistant and drought sensitive rice under controlled and field conditions. Front. Plant Sci. 9:492. doi: 10.3389/fpls.2018.00492 Duan, T., Zheng, B., Guo, W., Ninomiya, S., Guo, Y., and Chapman, S. C. (2017). Comparison of ground cover estimates from experiment plots in cotton, sorghum and sugarcane based on images and ortho-mosaics captured by UAV. Func. Plant Biol. 44, 169–183. doi: 10.1071/FP16123 Dungey, H. S., Dash, J. P., Pont, D., Clinton, P. W., Watt, M. S., and Telfer, E. J. (2018). Phenotyping whole forests will help to track genetic performance. Trends Plant Sci. 23, 854–864. doi: 10.1016/j.tplants.2018.08.005 Fahlgren, N., Feldman, M., Gehan, M. A., Wilson, M. S., Shyu, C., Bryant, D. W., et al. (2015a). A versatile phenotyping system and analytics platform reveals diverse temporal responses to water availability in setaria. Mol. Plant 8, 1520–1535. doi: 10.1016/j.molp.2015.06.005 Fahlgren, N., Gehan, M. A., and Baxter, I. (2015b). Lights, camera, action: highthroughput plant phenotyping is ready for a close-up. Curr. Opin. Plant Biol. 24, 93–99. doi: 10.1016/j.pbi.2015.02.006 Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., et al. (2020). Multi-scale evaluation of drone-based multispectral surface

reflectance and vegetation indices in operational conditions. Remote Sens. 12:514. doi: 10.3390/rs12030514 Feng, A., Zhou, J., Vories, E. D., Sudduth, K. A., and Zhang, M. (2020). Yield estimation in cotton using UAV-based multi-sensor imagery. Biosyst. Eng. 193, 101–114. doi: 10.1016/j.biosystemseng.2020.02.014 Flood, P. J., Kruijer, W., Schnabel, S. K., Van Der Schoor, R., Jalink, H., Snel, J. F., et al. (2016). Phenomics for photosynthesis, growth and reflectance in Arabidopsis thaliana reveals circadian and long-term fluctuations in heritability. Plant Methods 12:14. doi: 10.1186/s13007-016-0113-y Fraas, S., and Lüthen, H. (2015). Novel imaging-based phenotyping strategies for dissecting crosstalk in plant development. J. Exp. Bot. 66, 4947–4955. doi: 10.1093/jxb/erv265 Friedli, M., Kirchgessner, N., Grieder, C., Liebisch, F., Mannale, M., and Walter, A. (2016). Terrestrial 3D laser scanning to track the increase in canopy height of both monocot and dicot crop species under field conditions. Plant Methods 12:9. doi: 10.1186/s13007-016-0109-7 Furbank, R. T., Jimenez-Berni, J. A., George-Jaeggli, B., Potgieter, A. B., and Deery, D. M. (2019). Field crop phenomics: enabling breeding for radiation use efficiency and biomass in cereal crops. New Phytol. 223, 1714–1727. doi: 10.1111/nph.15817 Ge, Y., Bai, G., Stoerger, V., and Schnable, J. C. (2016). Temporal dynamics of maize plant growth, water use, and leaf water content using automated high throughput RGB and hyperspectral imaging. Comp. Electron. Agric. 127, 625–632. doi: 10.1016/j.compag.2016.07.028 Gomez, F. E., Carvalho, G. Jr., Shi, F., Muliana, A. H., and Rooney, W. L. (2018). High throughput phenotyping of morpho-anatomical stem properties using X-ray computed tomography in sorghum. Plant Methods 14:59. doi: 10.1186/s13007-018-0326-3 Gracia-Romero, A., Kefauver, S. C., Fernandez-Gallego, J. A., Vergara-Díaz, O., Nieto-Taladriz, M. T., and Araus, J. L. (2019). UAV and ground image-based phenotyping: a proof of concept with durum wheat. Remote Sens. 11:1244. doi: 10.3390/rs11101244 Granier, C., and Vile, D. (2014). Phenotyping and beyond: modelling the relationships between traits. Curr. Opin. Plant Biol. 18, 96–102. doi: 10.1016/j.pbi.2014.02.009 Guimarães, C. M., Stone, L. F., Brito, G. G. D., and Heuert, J. (2017). Evaluation of water-stress tolerance of Acala SJ 2 and Auburn 2 cotton cultivars in a phenotyping platform. Rev. Ambient. Água 12, 629–642. doi: 10.4136/ambi-agua.2105 Guo, Q., Wu, F., Pang, S., Zhao, X., Chen, L., Liu, J., et al. (2016). Crop 3D: a platform based on LiDAR for 3D high-throughputcrop phenotyping. Sci. Sinica Vitae 46, 1210–1221. doi: 10.1360/N052016-00009 Gurevitch, J., Koricheva, J., Nakagawa, S., and Stewart, G. (2018). Metaanalysis and the science of research synthesis. Nature 55, 175–182. doi: 10.1038/nature25753 Guzman, H. A. R., Gonzalez-Navarro, F. F., Selvaraj-Gomez, M., Valencia, M., and Delgado, A. (2015). “Field phenomics: a web based image analysis platform using open source tools,” in 2015 International Conference on Computational Science and Computational Intelligence (CSCI). Haagsma, M., Page, G., Johnson, J., Still, C., Waring, K., Sniezko, R., et al. (2020). “Is more data better? A comparison of multi-and hyperspectral imaging in phenotyping,” in EGU General Assembly Conference Abstracts. Habib, A., Xiong, W., He, F., Yang, H. L., and Crawford, M. (2017). Improving orthorectification of UAV-based push-broom scanner imagery using derived orthophotos from frame cameras. IEEE J. Select. Topics Appli. Earth Observ. Remote Sens. 10, 262–276. doi: 10.1109/JSTARS.2016.2520929 Habib, A., Zhou, T., Masjedi, A., Zhang, Z., Evan Flatt, J., and Crawford, M. (2018). Boresight calibration of GNSS/INS-assisted push-broom hyperspectral scanners on UAV platforms. IEEE J. Select. Topics Appli. Earth Observ. Remote Sens. 11, 1734–1749. doi: 10.1109/JSTARS.2018.2813263 Han, X., Thomasson, J. A., Bagnall, G. C., Pugh, N., Horne, D. W., Rooney, W. L., et al. (2018). Measurement and calibration of plantheight from fixed-wing UAV images. Sensors 18:4092. doi: 10.3390/s18 124092 Han, X., and Thomasson, J. A. (2019). “Coordination and control for automatic mobile ground control points in agricultural remote sensing,” in Autonomous Air and Ground Sensing Systems for Agricultural Optimization and Phenotyping IV.

Hearst, A. A. (2014). Automatic extraction of plots from geo-registered UAS imagery of crop fields with complex planting schemes (Ph.D. Dissertations, Theses Gradworks). West Lafayette, IN: Purdue University; Purdue e-Pubs; ProQuest Dissertations Publishing. Hickey, L. T., N., Hafeez, A., Robinson, H., Jackson, S. A., Leal-Bertioli, S. C. M., et al. (2019). Breeding crops to feed 10 billion. Nat. Biotechnol. 37, 744–754. doi: 10.1038/s41587-019-0152-9 Holman, F., Riche, A., Michalski, A., Castle, M., Wooster, M., and Hawkesford, M. (2016). High throughput field phenotyping of wheat plant height and growth rate in field plot trials using UAV based remote sensing. Remote Sens. 8:1031. doi: 10.3390/rs8121031 Hu, P., Guo, W., Chapman, S. C., Guo, Y., and Zheng, B. (2019). Pixel size of aerial imagery constrains the applications of unmanned aerial vehicle in crop breeding. ISPRS J. Photogramm. Remote Sens. 154, 1–9. doi: 10.1016/j.isprsjprs.2019.05.008 Hu, Y., Knapp, S., and Schmidhalter, U. (2020). Advancing high-throughput phenotyping of wheat in early selection cycles. Remote Sens. 12:574. doi: 10.3390/rs12030574 Ingunn, B., Gunnar, L., Morten, L., Bleken, E., Grismstad, L., and Form, P. J. (2017). Exploring robots and UAVs as phenotyping tools in plant breeding. IFAC Papersonline 50, 11479–11484. doi: 10.1016/j.ifacol.2017.08.1591 Jiang, Y., Li, C., Robertson, J. S., Sun, S., Xu, R., and Paterson, A. H. (2018). GPhenovision: a ground mobile system with multi-modal imaging for field-based high throughput phenotyping of cotton. Sci. Rep. 8:1213. doi: 10.1038/s41598-018-19142-2 Jimenez-Berni, J. A., Deery, D. M., Rozas-Larraondo, P., Condon, A. T. G., Rebetzke, G. J., James, R. A., et al. (2018). High throughput determination of plant height, ground cover, and above-ground biomass in wheat with LiDAR. Front. Plant Sci. 9:237. doi: 10.3389/fpls.2018.00237 Jin, X., Zarco-Tejada, P., Schmidhalter, U., Reynolds, M. P., Hawkesford, M. J., Varshney, R. K., et al. (2020). “High-throughput estimation of crop traits: a review of ground and aerial phenotyping platforms,” in IEEE Geoscience Remote Sensing Magazine. (Exeter; Devon, NH; Falmouth, MA; Cornwall: University of Exeter). doi: 10.1109/MGRS.2020.2998816 Jin, X., Liu, S., Baret, F., Hemerlé, M., and Comar, A. (2017). Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery. Remote Sens. Environ. 198, 105–114. doi: 10.1016/j.rse.2017.06.007 Jin, X., Yang, G., Xu, X., Yang, H., Feng, H., Li, Z., et al. (2015). Combined multitemporal optical and radar parameters for estimating LAI and biomass in winter wheat using HJ and RADARSAR-2 Data. Remote Sens. 7, 13251–13272. doi: 10.3390/rs71013251 Kakeru, W., Wei, G., Keigo, A., Hideki, T., Hiromi, K. K., Masaaki, K., et al. (2017). High-throughput phenotyping of sorghum plant height using an unmanned aerial vehicle and its application to genomic prediction modeling. Front. Plant Sci 8:421. doi: 10.3389/fpls.2017.00421 Kar, S., Garin, V., Kholová, J., Vadez, V., Durbha, S. S., Tanaka, R., et al. (2020). SpaTemHTP: a data analysis pipeline for efficient processing and utilization of temporal high-throughput phenotyping data. Front. Plant Sci. 11:509. doi: 10.3389/fpls.2020.552509 Kaul, S., Koo, H. L., Jenkins, J., Rizzo, M., Rooney, T., Tallon, L. J., et al. (2000). Analysis of the genome sequence of the flowering plant Arabidopsis thaliana. Nature 408, 796–815. doi: 10.1038/35048692 Khan, Z., Chopin, J., Cai, J., Eichi, V.-R., Haefele, S., and Miklavcic, S. (2018). Quantitative estimation of wheat phenotyping traits using ground and aerial imagery. Remote Sens. 10:950. doi: 10.3390/rs10060950 Kim, J. Y. (2020). Roadmap to high throughput phenotyping for plant breeding. J. Biosyst. Eng. 45, 43–55. doi: 10.1007/s42853-020-00043-0 Kirchgessner, N., Liebisch, F., Yu, K., Pfeifer, J., Friedli, M., Hund, A., et al. (2017). The ETH field phenotyping platform FIP: a cable-suspended multi-sensor system. Func. Plant Biol. 44, 154–168. doi: 10.1071/FP16165 Krajewski, P., Chen, D., Cwiek, H., Van Dijk, A. D., Fiorani, F., Kersey, P., et al. (2015). Towards recommendations for metadata and data handling in plant phenotyping. J. Exp. Bot. 66, 5417–5427. doi: 10.1093/jxb/erv271 Kuijken, R. C., Van Eeuwijk, F. A., Marcelis, L. F., and Bouwmeester, H. J. (2015). Root phenotyping: from component trait in the lab to breeding. J. Exp. Bot. 66, 5389–5401. doi: 10.1093/jxb/erv239 Li, W., Niu, Z., Huang, N., Wang, C., Gao, S., and Wu, C. (2015). Airborne LiDAR technique for estimating biomass components of maize:

a case study in Zhangye City, Northwest China. Ecol. Indic 57, 486–496. doi: 10.1016/j.ecolind.2015.04.016 Liu, S., Martre, P., Buis, S., Abichou, M., Andrieu, B., and Baret, F. (2019). Estimation of plant and canopy architectural traits using the digital plant phenotyping platform. Plant Physiol. 181, 881–890. doi: 10.1104/pp.19.00554 Lyra, D. H., Virlet, N., Sadeghi-Tehran, P., Hassall, K. L., Wingen, L. U., Orford, S., et al. (2020). Functional QTL mapping and genomic prediction of canopy height in wheat measured using a robotic field phenotyping platform. J. Exp. Bot. 71, 1885–1898. doi: 10.1093/jxb/erz545 Ma, D., Carpenter, N., Amatya, S., Maki, H., Wang, L., Zhang, L., et al. (2019). Removal of greenhouse microclimate heterogeneity with conveyor system for indoor phenotyping. Comp. Electron. Agric. 166:104979. doi: 10.1016/j.compag.2019.104979 Madec, S., Baret, F., de Solan, B., Thomas, S., Dutartre, D., Jezequel, S., et al. (2017). High-throughput phenotyping of plant height: comparing unmanned aerial vehicles and ground LiDAR estimates. Front. Plant Sci. 8:2002. doi: 10.3389/fpls.2017.02002 Mahlein, A.-K., Kuska, M. T., Thomas, S., Wahabzada, M., Behmann, J., Rascher, U., et al. (2019). Quantitative and qualitative phenotyping of disease resistance of crops by hyperspectral sensors: seamless interlocking of phytopathology, sensors, and machine learning is needed! Curr. Opin. Plant Biol. 50, 156–162. doi: 10.1016/j.pbi.2019.06.007 Marconi, T. G., Oh, S., Ashapure, A., Chang, A., and Enciso, J. (2019). “Application of unmanned aerial system for management of tomato cropping system,” in Autonomous Air & Ground Sensing Systems for Agricultural Optimization & Phenotyping IV. (College Station, TX: Texas A&M University). Mascarenhas Maciel, G., Gallis, R. B. D. A., Barbosa, R. L., Pereira, L. M., Siquieroli, A. C. S., and Vitória Miranda Peixoto, J. (2019). Image phenotyping of inbred red lettuce lines with genetic diversity regarding carotenoid levels. Int. J. Appl. Earth Observ. Geoinform. 81, 154–160. doi: 10.1016/j.jag.2019.05.016 Mccouch, S., Baute, G. J., Bradeen, J., Bramel, P., Bretting, P. K., Buckler, E., et al. (2013). Feeding the future. Nature 499, 23–24. doi: 10.1038/499023a Meacham-Hensold, K., Fu, P., Wu, J., Serbin, S., Montes, C. M., Ainsworth, E., et al. (2020). Plot-level rapid screening for photosynthetic parameters using proximal hyperspectral imaging. J. Exp. Bot. 71, 2312–2328. doi: 10.1093/jxb/eraa068 Merchuk-Ovnat, L., Ovnat, Z., Amir-Segev, O., Kutsher, Y., Saranga, Y., and Reuveni, M. (2019). CoverageTool: a semi-automated graphic software: applications for plant phenotyping. Plant Methods 15:90. doi: 10.1186/s13007-019-0472-2 Miao, C., Pages, A., Xu, Z., Rodene, E., Yang, J., and Schnable, J. C. (2020). Semantic segmentation of sorghum using hyperspectral data identifies genetic associations. Plant Phenomics 2020:4216373. doi: 10.34133/2020/4216373 Mir, R. R., Reynolds, M., Pinto, F., Khan, M. A., and Bhat, M. A. (2019). Highthroughput phenotyping for crop improvement in the genomics era. Plant Sci. 282, 60–72. doi: 10.1016/j.plantsci.2019.01.007 Mueller-Sim, T., Jenkins, M., Abel, J., and Kantor, G. (2017). “The robotanist: a ground-based agricultural robot for high-throughput crop phenotyping,” in 2017 IEEE International Conference on Robotics and Automation (ICRA) (Singapore). Muhammad, H., Mengjiao, Y., Awais, R., Xiuliang, J., Xianchun, X., Yonggui, X., et al. (2018). Time-series multispectral indices from unmanned aerial vehicle imagery reveal senescence rate in bread wheat. Remote Sens. 10:809. doi: 10.3390/rs10060809 Murman, J. (2019). Flex-Ro: a robotic high throughput field phenotyping system (Ph.D. thesis). University of Nebraska-Lincoln, Lincoln, NE, United States. Naito, H., Ogawa, S., Valencia, M. O., Mohri, H., Urano, Y., Hosoi, F., et al. (2017). Estimating rice yield related traits and quantitative trait loci analysis under different nitrogen treatments using a simple tower-based field phenotyping system with modified single-lens reflex cameras. ISPRS J. Photogramm. Remote Sens. 125, 50–62. doi: 10.1016/j.isprsjprs.2017.01.010 Neilson, E. H., Edwards, A. M., Blomstedt, C., Berger, B., Møller, B. L., and Gleadow, R. M. (2015). Utilization of a high-throughput shoot imaging system to examine the dynamic phenotypic responses of a C4 cereal crop plant to nitrogen and water deficiency over time. J. Exp. Bot. 66, 1817–1832. doi: 10.1093/jxb/eru526 Neumann, K., Klukas, C., Friedel, S., Rischbeck, P., Chen, D., Entzian, A., et al. (2015). Dissecting spatiotemporal biomass accumulation in barley under

different water regimes using high-throughput image analysis. Plant Cell Environ. 38, 1980–1996. doi: 10.1111/pce.12516 Oehlschläger, J., Schmidhalter, U., and Noack, P. (2018). “UAV-based hyperspectral sensing for yield prediction in winter barley,” in 2018 9th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS) (Hanover). Pandey, P., Ge, Y., Stoerger, V., and Schnable, J. C. (2017). High throughput in vivo analysis of plant leaf chemical properties using hyperspectral imaging. Front. Plant Sci. 8:1348. doi: 10.3389/fpls.2017. 01348 Peirone, L. S., Pereyra Irujo, G. A., Bolton, A., Erreguerena, I., and Aguirrezábal, L. A. (2018). Assessing the efficiency of phenotyping early traits in a greenhouse automated platform for predicting drought tolerance of soybean in the field. Front. Plant Sci. 9:587. doi: 10.3389/fpls.2018. 00587 Pieruschka, R., and Schurr, U. (2019). Plant phenotyping: past, present, and future. Plant Phenomics 2019:7507131. doi: 10.1155/2019/7507131 Pinto, F., Damm, A., Schickling, A., Panigada, C., Cogliati, S., MullerLinow, M., et al. (2016). Sun-induced chlorophyll fluorescence from highresolution imaging spectroscopy data to quantify spatio-temporal patterns of photosynthetic function in crop canopies. Plant Cell Environ. 39, 1500–1512. doi: 10.1111/pce.12710 Qiu, Q., Sun, N., Bai, H., Wang, N., Fan, Z., Wang, Y., et al. (2019). Field-based high-throughput phenotyping for maize plant using 3D LiDAR point cloud generated with a “Phenomobile”. Front. Plant Sci. 10:554. doi: 10.3389/fpls.2019.00554 Raesch, A., Muller, O., Pieruschka, R., and Rascher, U. (2014). Field observations with Laser-Induced Fluorescence Transient (LIFT) method in barley and sugar beet. Agriculture 4, 159–169. doi: 10.3390/agriculture4020159 Richardson, A. D., Hufkens, K., Milliman, T., Aubrecht, D. M., Chen, M., Gray, J. M., et al. (2018). Tracking vegetation phenology across diverse North American biomes using PhenoCam imagery. Sci. Data 5:180028. doi: 10.1038/sdata.2018.28 Roitsch, T., Cabrera-Bosquet, L., Fournier, A., Ghamkhar, K., JiménezBerni, J., Pinto, F., et al. (2019). Review: new sensors and data-driven approaches—a path to next generation phenomics. Plant Sci. 282, 2–10. doi: 10.1016/j.plantsci.2019.01.011 Sagan, V., Maimaitijiang, M., Sidike, P., Eblimit, K., Peterson, K., Hartling, S., et al. (2019a). UAV-based high resolution thermal imaging for vegetation monitoring, and plant phenotyping using ICI 8640 P, FLIR Vue Pro R 640, and thermoMap cameras. Remote Sens. 11:330. doi: 10.3390/rs11030330 Sagan, V., Maimaitijiang, M., Sidike, P., Maimaitiyiming, M., Erkbol, H., Hartling, S., et al. (2019b). Uav/Satellite multiscale data fusion for crop monitoring and early stress detection. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. XLII-2/W13, 715–722. doi: 10.5194/isprs-archives-XLII-2-W13715-2019 Sankaran, S., Khot, L. R., Espinoza, C. Z., Jarolmasjed, S., Sathuvalli, V. R., Vandemark, G. J., et al. (2015). Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: a review. Eur. J. Agronomy 70, 112–123. doi: 10.1016/j.eja.2015.07.004 Sankaran, S., Quirós, J. J., and Miklas, P. N. (2019). Unmanned aerial system and satellite-based high resolution imagery for high-throughput phenotyping in dry bean. Comp. Electron. Agric. 165: 104965. doi: 10.1016/j.compag.2019.104965 Shafiekhani, A., Kadam, S., Fritschi, F. B., and Desouza, G. N. (2017). Vinobot and vinoculer: two robotic platforms for high-throughput field phenotyping. Sensors 17:214. doi: 10.3390/s17010214 Shah, T., Xu, J., Zou, X., Cheng, Y., Nasir, M., and Zhang, X. (2018). Omics approaches for engineering wheat production under abiotic stresses. Int. J. Mol. Sci. 19:2390. doi: 10.3390/ijms19082390 Shi, Y., Thomasson, J. A., Murray, S. C., Pugh, N. A., Rooney, W. L., Shafian, S., et al. (2016b). Unmanned aerial vehicles for highthroughput phenotyping and agronomic research. PLoS ONE 11:e0159781. doi: 10.1371/journal.pone.0159781 Shi, Y., Murray, S. C., Rooney, W. L., Valasek, J., Olsenholler, J., Pugh, N. A., et al. (2016a). “Corn and sorghum phenotyping using a fixed-wing UAV-based remote sensing system,” in Autonomous Air and Ground Sensing Systems for Agricultural Optimization and Phenotyping: International Society for Optics and Photonics (College Station, TX: Texas A&M University).

Stager, A., Tanner, H. G., and Sparks, E. E. (2019). Design and construction of unmanned ground vehicles for sub-canopy plant phenotyping. arXiv preprint arXiv:1903.10608. Sunil, N., Rekha, B., Yathish, K., Sehkar, J., and Vadez, V. (2018). LeasyScan-an efficient phenotyping platform for identification of pre-breeding genetic stocks in maize. Maize J. 7, 16–22. Susko, A. Q., Gilbertson, F., Heuschele, D. J., Smith, K., and Marchetto, P. (2018). An automatable, field camera track system for phenotyping crop lodging and crop movement. HardwareX 4:29. doi: 10.1016/j.ohx.2018.e00029 Tamouridou, A., Alexandridis, T., Pantazi, X., Lagopodi, A., Kashefi, J., and Moshou, D. (2017). Evaluation of UAV imagery for mapping Silybum marianum weed patches. Int. J. Remote Sens. 38, 2246–2259. doi: 10.1080/01431161.2016.1252475 Tardieu, F., Cabrera-Bosquet, L., Pridmore, T., and Bennett, M. (2017). Plant phenomics, from sensors to knowledge. Curr. Biol. 27, R770–R783. doi: 10.1016/j.cub.2017.05.055 Thomas, S., Behmann, J., Steier, A., Kraska, T., Muller, O., Rascher, U., et al. (2018). Quantitative assessment of disease severity and rating of barley cultivars based on hyperspectral imaging in a non-invasive, automated phenotyping platform. Plant Methods 14:45. doi: 10.1186/s13007-018-0313-8 Thomasson, J. A., Han, X., Bagnall, G. C., Sima, C., and Rooney, W. L. (2019). “UAV data reliability improvements based on multifunctional GCPs (Conference Presentation),” in Autonomous Air and Ground Sensing Systems for Agricultural Optimization and Phenotyping IV. (Starkville, MS: Mississippi State University, Mississippi State). Tisne, S., Serrand, Y., Bach, L., Gilbault, E., Ben Ameur, R., Balasse, H., et al. (2013). Phenoscope: an automated large-scale phenotyping platform offering high spatial homogeneity. Plant J. 74, 534–544. doi: 10.1111/tpj.12131 Tracy, S. R., Gómez, J. F., Sturrock, C. J., Wilson, Z. A., and Ferguson, A. C. (2017). Non-destructive determination of floral staging in cereals using X-ray micro computed tomography (µCT). Plant Methods 13:9. doi: 10.1186/s13007-017-0162-x Vadez, V., Kholova, J., Hummel, G., Zhokhavets, U., Gupta, S. K., and Hash, C. T. (2015). LeasyScan: a novel concept combining 3D imaging and lysimetry for high-throughput phenotyping of traits controlling plant water budget. J. Exp. Bot. 66, 5581–5593. doi: 10.1093/jxb/erv251 Varshney, R. K., Thudi, M., Pandey, M. K., Tardieu, F., Ojiewo, C., Vadez, V., et al. (2018). Accelerating genetic gains in legumes for the development of prosperous smallholder agriculture: integrating genomics, phenotyping, systems modelling and agronomy. J. Exp. Bot. 69, 3293–3312. doi: 10.1093/jxb/ery088 Villareal, M. K., Tongco, A. F., and Maja, J. M. J. (2020). Winter wheat crop height estimation Using Small Unmanned Aerial System (sUAS). Agric. Sci. 11, 355–368. doi: 10.4236/as.2020.114021 Virlet, N., Sabermanesh, K., Sadeghi-Tehran, P., and Hawkesford, M. J. (2017). Field scanalyzer: an automated robotic field phenotyping platform for detailed crop monitoring. Func. Plant Biol. 44, 143–153. doi: 10.1071/FP16163 Wan, L., Cen, H., Zhu, J., Zhang, J., Zhu, Y., Sun, D., et al. (2020). Grain yield prediction of rice using multi-temporal UAV-based RGB and multispectral images and model transfer – a case study of small farmlands in the South of China. Agric. Forest Meteorol. 291:108096. doi: 10.1016/j.agrformet.2020.108096 Wang, X., Zhang, R., Song, W., Han, L., Liu, X., Sun, X., et al. (2019). Dynamic plant height QTL revealed in maize through remote sensing phenotyping using a high-throughput unmanned aerial vehicle (UAV). Sci. Rep. 9:3458. doi: 10.1038/s41598-019-39448-z Wei, Y. (2017). Handheld and Robotic Phenotyper Designs. Kansas State University.

Werner, J. P. (2016). Flex-Ro: design, implementation, and control of subassemblies for an agricultural robotic platform (Ph.D. thesis), Biological Systems Engineering, Lincoln, NE, United States. Wu, J., Yang, G., Yang, H., Zhu, Y., Li, Z., Lei, L., et al. (2020). Extracting apple tree crown information from remote imagery using deep learning. Comp. Electron. Agric. 174:105504. doi: 10.1016/j.compag.2020.105504 Xie, C., and Yang, C. (2020). A review on plant high-throughput phenotyping traits using UAV-based sensors. Comp. Electron. Agric. 178:105731. doi: 10.1016/j.compag.2020.105731 Yang, C., and Hoffmann, W. C. (2015). Low-cost single-camera imaging system for aerial applicators. J. Appl. Remote Sens. 9:096064. doi: 10.1117/1.JRS.9.096064 Yang, G., Liu, J., Zhao, C., Li, Z., Huang, Y., Yu, H., et al. (2017). Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives. Front. Plant Sci. 8:1111. doi: 10.3389/fpls.2017.01111 Yang, W., Feng, H., Zhang, X., Zhang, J., Doonan, J. H., Batchelor, W. D., et al. (2020). Crop phenomics and high-throughput phenotyping: past decades, current challenges, and future perspectives. Mol. Plant 13, 187–214. doi: 10.1016/j.molp.2020.01.008 Yang, W., Guo, Z., Huang, C., Duan, L., Chen, G., Jiang, N., et al. (2014). Combining high-throughput phenotyping and genome-wide association studies to reveal natural genetic variation in rice. Nat. Commun. 5:5087. doi: 10.1038/ncomms6087 Young, S. N. (2019). A framework for evaluating field-based, high-throughput phenotyping systems: a meta-analysis. Sensors 19:3582. doi: 10.3390/s19163582 Yu, N., Li, L., Schmitz, N., Tian, L. F., Greenberg, J. A., and Diers, B. W. (2016). Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform. Remote Sens. Environ. 187, 91–101. doi: 10.1016/j.rse.2016.10.005 Zaman-Allah, M., Vergara, O., Araus, J. L., Tarekegne, A., Magorokosho, C., Zarco-Tejada, P. J., et al. (2015). Unmanned aerial platform-based multispectral imaging for field phenotyping of maize. Plant Methods 11:35. doi: 10.1186/s13007-015-0078-2 Zhang, C., Marzougui, A., and Sankaran, S. (2020). High-resolution satellite imagery applications in crop phenotyping: an overview. Comp. Electron. Agric. 175:105584. doi: 10.1016/j.compag.2020. 105584 Zhao, C. (2019). Big data of plant phenomics and its research progress. J. Agric. Big Data 1, 5–18. Zhou, J., Reynolds, D., Websdale, D., Le Cornu, T., Gonzalez-Navarro, O., Lister, C., et al. (2017). CropQuant: an automated and scalable field phenotyping platform for crop monitoring and trait measurements to facilitate breeding and digital agriculture. BioRxiv [Preprints]. 161547. doi: 10.1101/161547 Ziamtsov, I., and Navlakha, S. (2020). Plant 3D (P3D): a plant phenotyping toolkit for 3D point clouds. Bioinformatics 36, 3949–3950. doi: 10.1093/bioinformatics/btaa220

Conflict of Interest: The authors declare that the research was conducted in the absence of any commercial or financial relationships that could be construed as a potential conflict of interest.

Copyright © 2021 Li, Quan, Song, Li, Yu, Li and Muhammad. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY). The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply with these terms.