欢迎您来到博普特科技官方网站!

土壤仪器电话

010-82794912

品质至上,客户至上,您的满意就是我们的目标

技术文章

当前位置:  首页 > 技术文章

Plant Phenomics | 作物是否会睡觉?时间序列激光雷达量化玉米生育期和昼夜节律表型

发表时间:2021-10-14 08:59:24点击:904

来源:植物表型组学

分享:

1634172773270438.png

QQ图片20211014085004.png

植物生长节律描绘了植物的生物物理和生理行为,受植物内在生物钟和外源环境共同调控。探索植物生长节律对于了解植物对环境变化的适应策略十分重要。相比于生理节律的研究,指示植物结构节律的研究鲜有报道。近年来,地面激光雷达(TLS)为植物结构动态研究提供了新途径,发现了如夜间“树木睡觉”等新的科学现象。这些尝试发现不同树种间不一致的节律,证明了树木睡眠问题的复杂性,也启发了关于作物是否会有“夜间睡觉”等结构节律问题的思考。

近日,Plant Phenomics在线发表了南京农业大学前沿交叉研究院作物表型组学交叉研究中心金时超课题组题为Exploring Seasonal and Circadian Rhythms in Structural Traits of Field Maize from LiDAR Time Series的研究论文。

该研究旨在量化玉米单株和叶片结构性状的季节性和昼夜节律,包括正常生长和冷害环境胁迫两种田间环境。采用国内首套自主研发的高通量激光雷达表型平台(Crop3D, Fig.1)获取了玉米四个关键生长期的点云数据,用于研究季节性节律。同时,获取了每2小时频率的点云数据分析昼夜节律(Fig.1)。具体问题包括:(1)TLS能否量化田间自然状况下作物结构表型的季节性节律?(2)能否量化正常生长和冷害条件下的作物结构表型的昼夜节律?(3)正常和冷害条件下环境因素与结构表型昼夜节律的潜在关系?

研究结果表明TLS可以量化单株和叶片水平作物结构表型的季节性和的昼夜节律。(1)叶倾角在拔节期到喇叭口期明显减小,叶方位角在拔节期后保持稳定(Fig.4)。(2)一些单株结构表型的节律(例如,方位角和投影叶面积)与叶片结构表型节律一致(Fig.3和Fig.4)。(3)部分性状(例如,投影叶面积)的昼夜节律在正常和冷害条件下表现不一致(Fig.6和Fig.8)。(4)环境因素与叶片昼夜节律的相关性在冷害情况下高于正常环境。温度是最重要的因素,与除叶方位角外的所有叶性状显著相关(Table.2和Table.3)。这项研究拓展了时间序列激光雷达在田间作物节律领域的新方向。

QQ图片20211014085013.png

Figure 1: Study area and LiDAR data collection.

1634172868727548.png

Figure 3: Seasonal rhythms of plant structural traits, including (a)Hmax, (b)Hmean, (c)H99, (d) crown size, (e) azimuth, (f) PLA, (g) volume, (h) PAI, and (i) 3DPI.

1634172897156158.png

Figure 4: Seasonal rhythms of leaf structural traits, including (a) leaf length, (b) max. leaf width, (c) mean leaf width, (d) leaf height, (e) leaf area, (f) PLL, (g) PLA, (h) leaf inclination, and (i) leaf azimuth.

1634172922895887.png

Figure 6: Circadian rhythms in structural traits of maize at the leaf level under standard conditions, including (a) leaf length, (b) max. leaf width, (c) mean leaf width, (d) leaf height, (e) leaf area, (f) PLL, (g) PLA, (h) leaf inclination, and (i) leaf azimuth.

1634172989560822.png

Figure 8: Circadian rhythms in structural traits of maize at the leaf level under cold stress, including (a) leaf length, (b) maximum leaf width, (c) mean leaf width, (d) leaf height, (e) leaf area, (f) PLL, (g) PLA, (h) leaf inclination, and (i) leaf azimuth, at leaf level under cold stress.

1634173027971010.png

Table2:The relationships denoted by the Pearson correlation coefficient and p value between environmental factors (photosynthetically active radiation (PAR), temperature (T), and relative humidity (RH)) and circadian rhythms in structural traits at the plant level under standard and cold stress conditions.

1634173054658314.png

Table3:The relationship denoted by the Pearson correlation coefficient and p value between environmental factors (photosynthetically active radiation (PAR), temperature (T), and relative humidity (RH)) and circadian rhythm in structural traits at leaf level under standard and cold stress growth.

本研究得到了中科院植物所苏艳军研究员、刘玲莉研究员;南京大学张永光教授;密西西比州立大学马勤教授;南京农业大学丁艳锋教授;法国农科院Fred Baret教授和北京大学郭庆华教授等共同作者的支持。研究得到了中科院先导专项和江苏省科技厅创新能力建设项目(植物表型组学研究科学中心)等项目的资助,特此感谢。

作者简介

金时超,中国科学院大学理学博士(提前1年毕业),同年以高层次人才引进至南京农业大学,组建AiPhenomics课题组。主要研究方向是以激光雷达和叶绿素荧光遥感为核心技术的深度学习植物表型交叉研究。主持江苏省和国家基金等课题4项;发表论文30篇,包括SCI论文22篇、中文核心8篇。其中,以第一(或通讯)作者在ISPRS J PHOTOGRAMM、IEEE TGRS和中国科学等杂志发表SCI论文9篇(含封面文章和ESI高被引论文1篇)、中文核心论文2篇、发明专利1项。担任SCI杂志Plant Phenomics副主编、Frontiers in Remote Sensing编委。

AiPhenomics 课题组,研究兴趣包括但不限于:

1)激光雷达和日光诱导叶绿素荧光等多源遥感平台建设

2)深度学习等新技术手段加速数据融合、表型智能提取算法开发和模型耦合

3)面向生物育种和精准栽培的表型-基因-环境交叉研究

欢迎遥感、计算机、测绘、数学、自动化等相关领域同学联系本课题组硕士、博士,或博士后及以上工作机会。期待相关老师联系开展与表型组、育种和栽培相关的交叉合作。

联系方式:jinshichao1993@gmail.com

论文链接

https://spj.sciencemag.org/journals/plantphenomics/2021/9895241/

——推荐阅读——

Qualification of Soybean Responses to Flooding Stress Using UAV-Based Imagery and Deep Learning

https://spj.sciencemag.org/journals/plantphenomics/2021/9892570/

Plant Phenomics | 基于叶绿素荧光图像的高通量玉米图像分割和性状提取

The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines

https://spj.sciencemag.org/journals/plantphenomics/2021/9890745/

Plant Phenomics | 无人机高光谱影像在玉米自交系作物性状估算中的应用

About Plant Phenomics

《植物表型组学》(Plant Phenomics)是由南京农业大学和美国科学促进会(AAAS)合作创办的英文学术期刊,于2019年1月正式上线发行,是Science合作出版的第二本期刊。采用开放获取形式,刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术,基于图像分析和机器学习的表型分析研究,提取表型信息的新算法,作物栽培、植物育种和农业实践中的表型组学新应用,与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究,表型组学相关的植物生物学等。期刊已被CABI、CNKI、DOAJ、PMC、SCIE、Scopus和EI数据库收录。

说明:本文由《植物表型组学》编辑部负责组稿。

中文内容仅供参考,一切内容以英文原版为准。

编辑:张威(实习)

审核:卞越、孔敏

  • 土壤仪器品牌德国steps
  • 土壤仪器品牌奥地利PESSL
  • 土壤仪器品牌荷兰MACView
  • 土壤仪器品牌德国INNO_Concept
  • 土壤仪器品牌比利时WIWAM
  • 土壤仪器品牌德国GEFOMA
  • 土壤仪器品牌奥地利schaller
  • 土壤仪器品牌荷兰PhenoVation
  • 土壤仪器品牌法国Hi-phen系统
  • 土壤仪器品牌Videometer
  • 土壤仪器品牌比利时INDUCT(OCTINION)
  • 土壤仪器品牌美国EGC
  • 土壤仪器品牌HAIP
  • 土壤仪器品牌植物遗传资源学报