JoVE Journal > Biology
Summary
Abstract
Introduction
Protocol
Risultati
Discussion
Divulgazioni
Acknowledgements
Materials
Riferimenti
Traduzione automatica
Please note that all translations are automatically generated. Click here for the English version.
Biologia

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

Published: June 07, 2024
doi:
10.3791/66255
, , , , , , , , ,
1PSI (Photon Systems Instruments), spol. s r.o. Drasov, 2Plant Stress Resilience, Institute of Environmental Biology,Utrecht University, 3Plant Breeding,Wageningen University and Research, 4Department of Biology, Biochemistry,Friedrich-Alexander Universität Erlangen-Nürnberg, 5Department of Biotechnology and Systems Biology,National Institute of Biology, 6Plant Cell Biology, Institute of Cellular and Molecular Botany,University of Bonn, 7Department of Functional & Evolutionary Ecology,University of Vienna

Summary

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

Abstract

Yüksek verimli görüntü tabanlı fenotipleme, bitkilerin zaman içinde belirli koşullar altındaki gelişimini ve performansını invaziv olmayan bir şekilde belirlemek için güçlü bir araçtır. Birden fazla görüntüleme sensörü kullanılarak, bitki biyokütlesi, fotosentetik verimlilik, kanopi sıcaklığı ve yaprak yansıtma indeksleri dahil olmak üzere birçok ilgi çekici özellik değerlendirilebilir. Bitkiler, şiddetli ısı dalgalarının, sel ve kuraklık olaylarının mahsul verimliliğini ciddi şekilde tehdit ettiği tarla koşullarında sıklıkla çoklu streslere maruz kalır. Stresler çakıştığında, bitkiler üzerinde ortaya çıkan etkiler, sinerjik veya antagonistik etkileşimler nedeniyle belirgin olabilir. Patates bitkilerinin doğal olarak meydana gelen stres senaryolarına benzeyen tekli ve birleşik streslere nasıl tepki verdiğini açıklamak için, tüberizasyonun başlangıcında seçilen bir patates çeşidine (Solanum tuberosum L., cv. Lady Rosetta) beş farklı işlem uygulandı, yani kontrol, kuraklık, ısı, su basması ve ısı, kuraklık ve su basması streslerinin kombinasyonları. Analizimiz, su basması stresinin bitki performansı üzerinde en zararlı etkiye sahip olduğunu ve fotosistem II’nin kuantum veriminde ve verimliliğinde bir azalma ve kanopi sıcaklığında ve su indeksinde bir artış dahil olmak üzere stoma kapanmasıyla ilgili hızlı ve şiddetli fizyolojik tepkilere yol açtığını göstermektedir. Isı ve kombine stres tedavileri altında, stresin erken evresinde nispi büyüme oranı azalmıştır. Kuraklık ve birleşik stresler altında, bitki hacmi ve fotosentetik performans, stresin geç fazında artan sıcaklık ve stoma kapanması ile düştü. Tanımlanmış çevresel koşullar altında optimize edilmiş stres tedavisinin seçilmiş fenotipleme protokolleri ile kombinasyonu, tekli ve birleşik streslere morfolojik ve fizyolojik tepkilerin dinamiklerini ortaya çıkarmaya izin verdi. Burada, iklim değişikliği ile ilgili çeşitli streslere karşı dayanıklılığı gösteren bitki özelliklerini belirlemek isteyen bitki araştırmacıları için yararlı bir araç sunulmaktadır.

Introduction

Sıcak hava dalgalarının yoğunluğu ve sıklığındaki artış, sel ve kuraklık olayları dahil olmak üzere iklim değişikliğinin potansiyel etkileri, büyüyen mahsuller üzerinde olumsuz etkilere sahiptir1. İklim değişikliğinin mahsul değişkenliği üzerindeki etkisini ve bunun sonucunda yıllık mahsul üretimindeki dalgalanmaları anlamak önemlidir2. Artan nüfus ve gıda talebiyle birlikte, mahsul bitkilerinin verimini korumak bir zorluktur, bu nedenle ıslah için iklime dayanıklı mahsuller bulmak acilen gereklidir 3,4. Patates (Solanum tuberosum L.), yüksek besin değeri ve artan su kullanım verimliliği nedeniyle küresel gıda güvenliğine katkıda bulunan temel gıda ürünlerinden biridir. Bununla birlikte, elverişsiz koşullar altında büyüme ve verimdeki azalma, özellikle duyarlı çeşitlerdetemel bir sorundur 5,6. Birçok çalışma, tarımsal uygulamalar, toleranslı genotipler bulma ve stresin kalkınma ve verim üzerindeki etkisini anlama dahil olmak üzere patates mahsulü verimliliğini korumak için alternatif yaklaşımların araştırılmasının önemini vurgulamıştır 7,8,9 ve bu da Avrupalı patates yetiştiricileri (veya çiftçileri) tarafından oldukça talep edilmektedir10.

Görüntü tabanlı fenotipleme de dahil olmak üzere otomatik fenotipleme platformları, ilgilenilen ilgili özelliklerin seçilmesi için gerekli olan bitki yapısı ve işlevinin nicel analizlerini mümkün kılar11,12. Yüksek verimli fenotipleme, ilgilenilen çeşitli morfolojik ve fizyolojik özellikleri tekrarlanabilir ve hızlı bir şekilde belirlemek için gelişmiş bir non-invaziv tekniktir 13. Fenotip, çevresel etkilerle bağlantılı olarak genotipik farklılıkları yansıtsa da, kontrollü koşullar altındaki bitkileri stresle karşılaştırmak, kapsamlı fenotipleme bilgisinin belirli bir (stres) duruma bağlanmasını sağlar14. Görüntü tabanlı fenotipleme, fenotipik değişkenliği tanımlamak için esastır ve aynı zamanda popülasyon büyüklüğünden bağımsız olarak bitki gelişimi boyunca bir dizi özelliği tarama yeteneğine sahiptir15. Örneğin, Kırmızı-Yeşil-Mavi (RGB) görüntüleme sensörleri kullanılarak yaprakların şekli, boyutu ve renk indeksi dahil olmak üzere morfolojik özelliklerin ölçümü, bitki büyümesini ve gelişimini belirlemek için kullanılır. Ayrıca, fotosentetik performans, kanopi sıcaklığı ve yaprak yansıması dahil olmak üzere fizyolojik özelliklerin ölçümleri, klorofil floresansı, termal kızılötesi (IR) ve hiperspektral görüntüleme16 gibi birden fazla sensör türü kullanılarak ölçülür. Kontrollü ortamlarda yapılan son çalışmalar, patates17’de ısı, arpada18 kuraklık, pirinçte19 ve buğdayda kombine kuraklık ve ısıl işlemler gibi abiyotik stresler altındaki bitkilerin farklı mekanizmalarını ve fizyolojik tepkilerini değerlendirmede görüntü tabanlı fenotiplemenin kullanılma potansiyelini göstermiştir. Bitkilerin çoklu stres etkileşimlerine tepkilerini incelemek karmaşık olsa da, bulgular iklim koşullarındaki hızlı değişimle başa çıkmada bitki mekanizmalarını anlamada yeni anlayışlar ortaya koymaktadır21.

Bitki fizyolojik ve morfolojik tepkileri, abiyotik stres koşullarından (yüksek sıcaklık, su açığı ve taşkın) doğrudan etkilenir ve bu da verimin düşmesine neden olur22. Patatesin diğer bitkilere göre su kullanım etkinliği yüksek olmasına rağmen, sığ kök mimarisi nedeniyle su açığı verim miktarını ve kalitesini olumsuz yönde etkilemektedir5. Kuraklık seviyesinin yoğunluğuna ve süresine bağlı olarak, yaprak alanı indeksi azalır ve stresin sonraki aşamalarında yeni yaprak oluşumunun engellenmesiyle gölgelik büyümesinde gerilik belirginleşir ve bu da fotosentez oranında bir azalmaya yol açar23. Suyun eşik seviyesi, aşırı su veya uzun süreli kuraklık dönemlerinde kritik öneme sahiptir, bu da oksijen sınırlaması, kök hidrolik iletkenliğinin azalması ve gaz değişiminin kısıtlanması nedeniyle bitki büyümesi ve yumru gelişimi üzerinde olumsuz bir etkiye neden olur24,25. Ayrıca patatesler, optimum seviyelerin üzerindeki sıcaklıkların yumru başlangıcı, büyümesi ve asimilasyon oranlarının gecikmesine neden olduğu yüksek sıcaklıklara karşı hassastır26. Stresler kombinasyon halinde ortaya çıktığında, biyokimyasal düzenlemeler ve fizyolojik tepkiler bireysel stres tepkilerinden farklıdır ve bu da stres kombinasyonlarına bitki tepkilerinin araştırılmasının gerekliliğini vurgulamaktadır27. Kombine stresler, bitki büyümesinde (daha da fazla) ciddi azalmalara ve üreme ile ilgili özellikler üzerinde belirleyici etkilere neden olabilir28. Stres kombinasyonunun etkisi, her bir stresin diğerleri üzerindeki baskınlığına bağlıdır, bu da bitki tepkisinin artmasına veya bastırılmasına yol açar (örneğin, kuraklık genellikle stomaların kapanmasına neden olurken, stomalar ısı stresi altında yaprak yüzeyinin soğumasına izin vermek için açıktır). Bununla birlikte, birleşik stres araştırmaları hala ortaya çıkmaktadır ve bu koşullar altında bitki tepkilerine aracılık eden karmaşık düzenlemeyi daha iyi anlamak için daha fazla araştırmaya ihtiyaç vardır29. Bu nedenle, bu çalışma, tek ve kombine stres tedavileri altında morfo-fizyolojik tepkileri değerlendirmek ve patatesin genel performansının altında yatan mekanizmaları anlamak için uygun olabilecek çoklu görüntüleme sensörleri kullanan bir fenotipleme protokolünü vurgulamayı ve önermeyi amaçlamaktadır. Hipotez olarak, birden fazla görüntüleme sensörünün birleştirilmesinin, bitki stresi tepkisi sırasında erken ve sonraki stratejileri karakterize etmek için değerli bir araç olduğu kanıtlanmıştır. Görüntü tabanlı fenotipleme protokolünü optimize etmek, bitki araştırmacıları ve yetiştiricileri için abiyotik stres toleransı için ilgi çekici özellikleri bulmaları için etkileşimli bir araç olacaktır.

Protocol

1. Bitki materyali hazırlama ve büyüme koşulları İn vitro Patates (Solanum tuberosum L., cv. Lady Rosetta) doku kültüründen elde edilen kesimleri 250 mL’lik kaplara nakledin. Saksıları tamamen doymuş Klasmman Substrate 2 ile doldurun ve 1 hafta boyunca düşük ışık koşullarında büyüme odasında tutun. Bir ışık ölçer kullanarak beyaz ışık ve kızılötesi kombinasyonu ile kanopi seviyesindeki ışık koşullarını 160 μmol·m-2·s-1’e ayarlayın. Bitkileri toprakta in vitro kesimler büyüdükten 10 gün sonra 3 L’lik saksıya (15,5 cm çap, 20,5 cm yükseklik) nakledin. 3 L’lik tencereyi 1850 g 3:1 Klasmann Substrat 2: Kum ile doldurun. Bitkileri% 55 beyaz ışık ve% 81 kızılötesi kombinasyonu ile 320 μmol·m-2·s-1 ışık koşulları altında büyüme odasına yerleştirin ve uzun bir gün rejimine (16 saat fotoperiyot) ayarlayın. Büyüme odasındaki sıcaklığı gündüz/gece için 22 °C/19 °C’ye ve tüm deney için bağıl nemi (RH) ‘e ayarlayın. Büyümeyi ve verimi30,31 korumak için uygun kontrol seviyesi olarak saksı ağırlığını toprak bağıl su içeriğinde (SRWC) tutun.NOT: Önceki denemelere dayanarak, hacimsel su içeriğinin ‘ın üzerinde tutulması, toprak yüzeyinde yosun büyümesini teşvik etti ve bitki hastalıkları riskini artırdı. Ek olarak, yosunun varlığı, klorofil floresan görüntülemeden yanıltıcı pozitif sinyaller üretebilir ve bu da filtrelenmesi zordur. Aşağıdaki denklemi kullanın: SRWC% = (FW-DW)/(TW-DW) × 100, burada FW toprağın taze ağırlığı, TW turgor ağırlığı ve DW kuru ağırlık32’dir.Toprak örneklerini (100 g) üç farklı Klasmman Substrate 2 karışım torbasından kopya olarak seçin ve toprağın taze ağırlığını tartın. Saksılar damlamadan su tutana kadar toprağı suyla doyurun ve toprak turgor ağırlığını tartın. Numuneyi, toprak numuneleri tamamen kuruyana kadar 3 gün boyunca 80 °C’de fırına koyun ve toprağın kuru ağırlığı33 tartın. Buharlaşmayı azaltmak için mavi paspasları tencere yüzeyine yerleştirin.NOT: Görüntü segmentasyonunda toprak arka planını bitki piksellerinden çıkarmak için mavi renk gereklidir. Tedavi başına on biyolojik kopya seçin. Sulama sırasında saksıları rastgele hale getirin (toplamda 50 saksı). Bitkileri desteklemek ve fenotipleme sistemine yerleştirirken mekanik hasarı önlemek için mavi tutucuları ekleyin. 2. Stres uygulaması Erken tüberizasyon aşamasında ( in vitro kesimlerin nakledilmesinden 28 gün sonra), bitkileri beş tedavi grubuna bölün ve tedavi başına on bitkiyi fenotipleyin (Şekil 1). Tek ve birleşik stresi aşağıdaki gibi zararlı olmayan bir seviyeye getirin:Büyüme odasında, bitkileri kontrol altında tutun, kuraklık ve su basması işlemlerini gündüz / gece 22 ° C / 19 ° C’de (adım 1.7), farklı SRWC yüzdeleri ile:Tüm deney için SRWC ile kontrol (C).7 gün boyunca kademeli olarak% 20 SRWC ile kuraklık (D), ardından 1 günlük iyileşme gelir.5 gün boyunca 0 SRWC ile su basması (W), ardından 10 günlük iyileşme. Su basması tedavisinde su seviyesini toprak yüzeyinin üzerinde tutmak için, boş tencereye plastik bir torba yerleştirin ve ardından toprakla birlikte ana tencereyi hazırlanan ikinci tencereye yerleştirin. Bitkileri ısıl işlemler için gündüz / gece 30/28 ° C ve% 55 bağıl nemde bir büyüme kapsülüne yerleştirin. Tekli ve birleşik ısı streslerini aşağıdaki gibi uygulayın:Isı (H) için, sıcaklığı 15 gün boyunca SRWC’nin ‘ı ile 30-28 °C arasında tutun. Isı + Kuraklık + Su basması (HDW) üçlü stresi için, bitkileri ilk 7 gün boyunca 30 °C/28 °C gündüz/gece sıcaklığında ( SRWC tutarak) ısıl işleme maruz bırakın, ardından diğer 7 gün boyunca kuraklık + ısıl kombine işleme ( SRWC ve 30 °C/28 °C) maruz bırakın ve son olarak bitkileri 1 gün boyunca su basması stresine maruz bırakın. İkincisi için, bitkileri büyüme odasına geri koyun (koşullar için adım 1.7’ye bakın) ve 1 gün boyunca su basmasını 0 SRWC’ye kadar indükleyin.NOT: İndüklenen streslerin seçilen süreleri, muamele edilen bitkilerin 0 hayatta kalması ile zararlı etkiler olmaksızın stres etkilerini gösteren bir pilot deneye dayanmaktadır. Büyüme odası ortamında, çevresel koşulların değişimi sıcaklık için ± 0.2 °C ve nem için ± %3 aralığındaydı. 3. Fenotipleme için bitki hazırlama Büyüme odalarında sabah 6:00’da ışıklar açıldıktan sonra, fenotipleme protokolünün başlamasından en az 2-3 saat önce bitkilerin sabit büyüme ışığı koşulları (320 μmol·m-2·s-1) altında iklimlendirmeye alışmalarına izin verin. Bu, fotosentez ve stoma düzenlemesinin kararlı bir durumda olmasını sağlar34. Ölçümden önce, otomatik puanlama bekleme modundayken ve sera içinde konumlandırılırken, bitkileri yetiştirme yerlerinden bitkilerin sisteme manuel olarak yüklenmesi için kullanılan fenotipleme sisteminin büyüme tampon alanına aktarın (Ek Şekil 1, Ek Şekil 2 ve Ek Şekil 3).NOT: Bitkiler 3.5 saat süren fenotipleme periyodu boyunca büyüme tampon alanında tutulmuştur. Serada, çevresel koşulların değişimi sıcaklık için ± 2 °C, nem için ± %5 ve ışık yoğunluğunda dalgalanma aralığındaydı. Bu nedenle, sera koşullarının bitkiler üzerindeki etkisinden kaçınarak ölçümlerin hemen başlaması ve kısa olması gerektiğini göz önünde bulundurun. Fenotipleme platformunda, saksıları, bölüm 4’te belirtilen ölçüm protokollerine göre görüntüleme sensörüne belirli aralıklarla bir konveyör bant üzerinde otomatik olarak hareket eden disklere yerleştirin. Deney boyunca ölçülen verilerin doğru bitkiye atandığından emin olmak için her bitkiyi/tepsiyi benzersiz bir kimlikle etiketleyin. 4. Fenotipleme protokolü Çoklu görüntüleme sensörleri (klorofil floresan, termal IR, RGB ve hiperspektral görüntüleme) kullanarak fenotipleme protokolünü optimize edin, böylece bitkilerin hem fizyolojik hem de morfolojik parametrelerinin aynı anda ölçülmesine izin verin (Şekil 2).NOT: Bitki tepkileri çevresel koşulları ve günlük etkileri yansıttığından, saksıların randomizasyonunu ve günün aynı döneminde fenotipleme yapmayı düşünmek önemlidir. Fenotipleme platformunda, bitkilerin sisteme önce bitkinin yüksekliğinin yakalandığı ve ardından her bir sensörün yüksekliğinin sabit çalışma mesafesine göre ayarlandığı bir adaptasyon tünelinden (Şekil 2A) girdiğinden emin olun. Yazılımı kullanarak ölçümleri, ölçüm protokolünde belirtildiği gibi iki tur halinde gerçekleştirin.İlk turda, klorofil floresan ve termal görüntüleme kullanılarak “hızlı reaksiyonlar” olarak ölçülen fizyolojik tepkilerin ölçümlerini içerir. Isı stresi tedavileri altındaki fizyolojik parametreleri ölçerek başlayın ve ardından diğer tedavileri yapın. İkinci turda, yapısal RGB ve hiperspektral görüntüleme dahil olmak üzere daha yavaş tepkileri değerlendirmek için diğer ölçümlerle devam edin, ardından ağırlık değerlendirmesi ve sulama yapın. Tartım ve sulama adımı sırasında, otomatik sulama ve söz konusu işleme göre tartımı sağlamak için her bitki için referans ağırlığı tanımlayın.Toplam referans ağırlığının, tanımlanan protokolde mavi tutucuyu, mavi matı, saksıyı, toprağı ve bitki biyokütlesini destekleyen konveyör bandında bulunan diskin, ek parçanın ağırlığını içerdiğinden emin olun. Tartım ve sulama adımı sırasında evapotranspirasyonun doğru ölçümü için referans olarak boş kaplar hazırlayın. Ek olarak, bitki biyokütle ağırlığını düzeltmek için ek saksılar hazırlayın. 50 bitkiyi ölçmek için tüm fenotipleme protokolü süresi 215 dakika sürer (1. turda 85 dakika ve 2. turda 130 dakika). Tüm bitkileri kontrol koşulları altında (tedaviden 1 gün önce) günlük olarak fenotipleyin ve daha sonra dinamik tepkileri izlemek ve indüklenen stresin erken ve geç aşamalarını değerlendirmek için stres tedavilerini indükleyin. 5. Her görüntüleme sensörü için ayarların yapılması Kinetik klorofil floresan görüntülemeNOT: Kinetik klorofil floresan, abiyotik stresler de dahil olmak üzere farklı çevresel koşullara yanıt olarak bitkilerin fotosentetik kapasitesini araştırmak ve fotokimya ve ısı dağılımının (fotokimyasal olmayan süreç) kuantum verimliliği hakkında değerli bilgiler sağlamak için kullanılır.Farklı tedaviler altındaki bitkilerin tepkilerini ayırt etmek için kısa bir ışık protokolü kullanarak ışığa adapte olmuş bitkilerde klorofil floresan ölçümü yapın. 500 μmol·m-2·s-1’de soğuk beyaz LED’lerle (6500 K) donatılmış adaptasyon tünelinde 35 bitkiyi ışık altında 5 dakika boyunca iklimlendirin.NOT: Klorofil floresan görüntüleme, bitkilerin fotosentetik kapasitelerindeki değişiklikleri izlemek için kullanılan ışık adaptasyonundan sonraki ilk ölçümdür. Tesis boyutuna ve gerekli ışık yoğunluklarına göre önceden tanımlanmış protokolü seçin ve optimize edin. Optimum sinyal-gürültü oranına sahip güçlü bir sinyalin elde edilmesini sağlamak için kamera ve ışık yoğunluğu ayarları dahil olmak üzere ölçüm ayarlarını optimize edin.Deklanşör (pozlama süresi, flaşların ölçülme süresi) ve hassasiyet (kameranın elektrik kazancı) gibi kamera ayarlarını yapın. Deklanşörü 2 ms’de ve hassasiyeti ‘de kullanın.NOT: Bu değerler, kanat boyutuna ve şekline ve kanopinin üst kısmı ile görüntüleme sensörü arasındaki tanımlanan mesafeye göre ayarlanmıştır. Aktinik ışık yoğunluğunu 500 μmol·m-2·s-1’de ayarlayın ve doygunluk darbesini aktinik ışıktan en az 6-7 kat daha yüksek olan 3200 μmol·m-2·s-1’e ayarlayın. Işık kararlı durumundaki (Lss) (aşağıda açıklanmıştır) parametreleri ölçmek için, ışığa uyum sağlayan bitkiler, ışık adaptasyon tünelindeki ölçümlerden önce 5 dakika boyunca. Işığa adapte olmuş bitkilerin kararlı durum fotosistem II (PSII) kuantum verimini tahmin etmek için kısa ışık protokolünü seçin (Şekil 3) ve protokolü aşağıdaki gibi ayarlayın.NOT: Protokol süresi bitki başına 10 sn idi.Işıktaki kararlı durum floresansını (Ft_Lss aka. ölçmek için 500 μmol·m-2·s-1’de soğuk beyaz aktinik ışığı 3 saniye boyunca açarak ölçüme başlayın. Ft’) Işıkta (Fm_Lss aka. Fm’) Aktinik ışığı kapatın, ardından PSII’nin karanlıkta 800 ms gevşemesini sağlamak ve ışıkta kararlı durum minimum floresansını (Fo_Lss aka) ölçmek için uzak kırmızı ışığı (735 nm) açın. Fo’). Göreli parametreleri hesaplamak için, arka planı çıkaran ve ilgili parametreleri çıkaran veri analizörü yazılımını kullanın.NOT: Kullanılan protokolden çıkarılan parametreler şunlardır: Fv/Fm_Lss olarak belirlenen ışık kararlı durumunda ışığa uyarlanmış numunenin PSII fotokimyasının maksimum verimliliği. Fv’/Fm’, fotosistem II kuantum verimi veya ışık kararlı durumunda fotosistem II’nin çalışma verimliliği QY_Lss olarak tanımlanır. φPSII = Fq’/Fm’ ve PSII’deki (oksitlenmiş QA) açık reaksiyon merkezlerinin fraksiyonu qL_Lss = (Fq’/Fv’) x (F0’/Ft’) olarak belirlenir. Termal Kızılötesi (IR) görüntülemeNOT: Termal IR görüntüleme, gerçek kanopi sıcaklığının non-invaziv ölçümü için kullanılır, böylece farklı stoma düzenlemeleri belirlenir. Termal IR görüntüleme ünitesinde, yandan görünümden kanopi sıcaklığını ölçmek için robotik kol üzerine yanal olarak bir termal kamera monte edilmiştir.Görüntü işleme sırasında arka plan sıcaklığının görüntülenen nesnenin sıcaklığına göre kontrastını artırmak için, kontrastı artırmak için termal kameranın karşı tarafında otomatik olarak kontrol edilen ısıtmalı bir duvar kullanın. Duvar sıcaklığını, görüntüleme ünitesindeki hava sıcaklığının 8 °C üzerinde ayarlayın.NOT: Termal görüntüler, satır tarama modu35 kullanılarak karanlıkta elde edilmiştir. Görüntü elde edildikten sonra, RGB yandan görünüm verilerine dayalı bir bitki maskesi oluşturun ve bunu görüntü analizinde termal verilerle birlikte kayıt yapmak için kullanın. Bu, taranan nesnenin hassas bir şekilde tanımlanmasını sağlarken, bitki tutucu gibi arka plan girişimini ortadan kaldırır. Tüm deney boyunca dalgalanan çevresel koşulların etkisini önlemek için, parametre sıcaklık farkını (delta T veya ΔT) hesaplayın.NOT: Delta T (ΔT), yaprak yüzeyinin ölçülen sıcaklığı (bitkinin tespit edilen tüm yüzeyinden elde edilen tüm piksellerin ortalaması) ile görüntüleme kutusunun içindeki ortam havası sıcaklığı arasındaki fark olarak tanımlanır. RGB görüntülemeNOT: RGB görüntüleme, bitki morfolojisinin, mimarisinin derinlemesine analizi ve renk indeksi özelliklerinin çıkarılması için kullanıldığı 400-700 nm görünür aralıktaki ışığı algılayan görsel atalet sistemi (VIS) kameralarına dayanmaktadır.Görüntüleme ünitesi, tepsinin hassas bir şekilde konumlandırılması için döner bir tabla içerir ve aynı zamanda yandan görünümler için çok açılı görüntülemeye izin verir. Bitkiyi çizgi tarama modunda (RGB1) ve üstten görünüm görüntülemede anlık görüntü modunda (RGB2) çekilen üç açıdan (0°, 120° ve 240°) yakalamak için yandan görünüm görüntülemeye dayalı RGB görüntülemeyi ayarlayın. Her iki kamera da LED tabanlı bir ışık kaynağına sahiptir, bu da görüntülenen bitkinin homojen bir şekilde aydınlatılmasını sağlar ve böylece morfolojik ve renk özelliklerini doğru bir şekilde belirler. Veri analizörü yazılımını kullanarak hesaplanan parametreleri ayıklayın. Yan ve üst görünümlere dayalı ek parametreler için bitki hacmini (dijital biyokütle) hesaplayın36: Göreceli büyüme oranını (RGR) hesaplayın37:Burada Tn ve Tn+1 zaman aralığını (gün) gösterir. Hiperspektral görüntülemeNOT: Hiperspektral görüntüleme, bitkilerin spektral yansımasının görselleştirilmesi için kullanılır. Yaprak yansımasındaki değişiklikler, verilen bitkinin farklı fizyolojik durumunun göstergeleridir.380-900 nm aralığında görünür-yakın kızılötesi (VNIR) hiperspektral kamera ve 900-1700 nm aralığında kısa dalga boylu kızılötesi kamera (SWIR) ile ışık spektrumlarının görünür kısmındaki kanopi yansımasını ölçmek için hiperspektral görüntüleme sensörünü kullanın. Kameralar, XZ alanı boyunca hareket eden görüntü alımı sırasında homojen ve spektral olarak uygun numune aydınlatması için uygulanmış bir halojen tüp ışık kaynağına (600 W) sahip bir robotik kol üzerine monte edilmiştir. Her iki kamera da satır tarama modunda çalışır ve ışık yalıtımlı bir görüntüleme kutusuna yerleştirilir. Her ölçüm turundan önce iki kalibrasyon ölçümü yapın (otomatik olarak): karanlık akım kalibrasyonu ve spektral yansıma Teflon standardını kullanarak radyometrik kalibrasyon. Karanlık akım gürültüsünü gidermek için karanlık kalibrasyon görüntüsü ham ve beyaz kalibrasyon görüntüsünden çıkarılır. Ardından, çıkarmadan sonra ham görüntüyü beyaz kalibrasyon görüntüsüne bölerek son hiperspektrali oluşturun. 6. Verileri dışa aktarma ve Görüntü analizi Görüntü işleme boru hattının otomatik ekstraksiyonu, arka plan çıkarması ve Bitki Maskesi segmentasyonu için veri analizörü yazılımını kullanın (Şekil 2B). Yazılım, maske uygulamasının, bitkilerin arka planlarından izole edildiği arka plan çıkarmanın ve parametre hesaplamasının RGB görüntüleme38 ve termal görüntüleme20 için açıklandığı gibi işlendiği tam otomatik bir analiz gerçekleştirir. Ölçülen ve hesaplanan parametreleri, RGB görüntü tarafından oluşturulan Bitki Maskesi ve Tepsi Maskesi tarafından tanımlanan bitkiye özgü piksellerden çıkarın. Görüntüler tam olarak seçilmemişse, daha sonraki gelişim aşamalarında bitki örtüsü yeşilliğindeki değişiklikler veya stres tedavisinin etkisi nedeniyle meydana gelebilirse, yazılımda yerel veri analizi bölümünü açın ve her sensöre bağlı olarak veri analizörü yazılımında Bitki Maskesi ayarlarını yeniden ayarlayın. Klorofil floresan görüntü işlemede, klorofil floresan Bitki Maskesi ayarları analiz parametrelerini ayarlayın (Ek Şekil 4).Eşiği Doğru olarak ayarlayın, bu da bitki segmentasyonunun otomatik olarak gerçekleştirildiği anlamına gelir. Maske Çerçevesi İndeksi’ni Yanlış olarak ayarlayın, yani Bitki Maskesi algılaması için Zaman-Görsel çerçevesi klorofil floresan protokolünde tanımlandığı gibi kullanılır. Termal görüntü işlemede, Bitki Maskesi analizi için parametreleri ayarlayın (Ek Şekil 5).Nesne Maskesi Oluşturma için otomatik eşiği False olarak ayarlayın. Analiz için kullanılmak üzere RGB yan görüntüsünden maskeyi True olarak ayarlayın. RGB görüntü işlemede, türe ve gelişim aşamasına bağlı olarak Bitki Maskesi ayarları analiz parametrelerini (Ek Şekil 6 ve Ek Şekil 7) ayarlayın.Nesne maskesi oluşturmanın tanımı olan ve kullanılan renk bileşenini (Kırmızı, Yeşil, Mavi bileşen) tanımlayan 4*G-3*BR formülünü seçin.NOT: Bu standart formül ve diğer ayarlar, kullanılan kamera türüne (Üstten veya boyuta görünüm), uygulanan işleme ve farklı çeşitlere bağlı olarak değişebilir. Geliştirilmiş yeşil kanala sahip gri tonlamalı görüntüyü, tesisin kapladığı yüzeyi belirleyen ikili bir görüntüye dönüştürmek için kullanılan Eşiği ayarlayın. Gürültüyü ve geçersiz pikselleri azaltmak için kullanılan Medyan Filtre Boyutunu ayarlayın ve eksik olanları doldurun. Analize dahil edilecek nesnenin piksel cinsinden minimum boyutunu ayarlayın. Maske nesnelerindeki deliklerin Minimum Boyutu’nu piksel cinsinden, genellikle onlarca piksel olarak ayarlayın. Bu değerden daha küçük olan delikler kapatılır ve nesne piksellerinin içine alınır. Her pikseldeki RGB değerlerini normalleştirmek için Yansıma Azaltmayı Kullan’ı Doğru olarak ayarlayın. Bitki maskesinden fazla/az pozlanan pikselleri kırpmak için Kötü Maruz Kalan Noktaları Atla’yı Doğru olarak ayarlayın (örneğin, yüzey yansımalarının veya gürültünün sinyalden daha büyük olduğu koyu piksellerin ihmal edilmesi). Stres tepkileri ve bitki yaşlanması ile ilgili renk değişiklikleri hakkında bilgi sağlamak için veri analizörü yazılımını kullanarak RGB’den analiz edilen segmentasyon ayarlarını renklendirin.NOT: Yeşillik, bitki gelişiminin tüm aşamalarını temsil eden önceden tanımlanmış bir renk aralığı kullanılarak tahmin edilir. Bitki yüzeyine karşılık gelen tüm piksellerden gelen renk kanallarındaki yoğunluk, renk segmentasyonu için bir kaynak renk haritası olarak kullanılmak üzere gruplandırıldı ve kümelendi.İşlenmiş RGB görüntüsünü (kaldırılan arka plan), renk haritasını – belirli analiz için tonların listesini, yazılımda bir girdi olarak sağlayın. Tarafsız sonuçlar elde etmek için, bir “eğitim” veri seti kullanarak ton seçimi yapın ve farklı gelişim aşamaları ve tedavileri seçin.NOT: Analiz, bu eğitim veri kümesindeki her görüntünün her pikselinin R, G ve B değerlerini kaydeder. Her kanal için 0-255 arasında değişen renk tanımı çıktısı için yazılımı kullanarak ton sayısını tanımlayın (6 ton seçin). Veri çözümleyici yazılımında oluşturulan tonların listesini sağlayın (Renkler). Hiperspektral görüntü işlemede, elde edilen hiperspektral verileri, radyometrik ve karanlık gürültü kalibrasyonu, arka plan çıkarma ve bitki maskesi segmentasyonu içeren hiperspektral analizör yazılımında uygulanan piksel piksel analizi kullanarak işleyin. Daha fazla analiz için ortalama spektrumları ve bitki örtüsü indekslerini kullanın. VNIR Hiperspektral kamera tarafından çekilen VNIR görüntüsünden hiperspektral görüntüden veri çıkarma için maskeyi oluşturun. SWIR hiperspektral taraması için, SWIR analizine dayalı bir bitki maskesi oluşturun.VNIR Bitki Maskesinde, R’nin belirli bir dalga boyundaki yansıtma değerini temsil ettiği görüntüleri görselleştirmek için 1.2*(2.5*(R740-R672)-1.3*(R740-R556)) formülünü kullanın (Ek Şekil 8). SWIR Bitki Maskesinde, görüntüleri görselleştirmek için görüntü işlemede (R960-R1450)-(R960-R1200) formülünü kullanın (Ek Şekil 9). 7. Tartma ve sulama Tartım ve sulama prosedürü sırasında ağırlığı (sulamadan önce) saklayın. Daha sonra sulama uygulayın ve sulamadan sonra da ağırlığı koruyun. Tepsileri referans modunda sulayın – her tepsinin veritabanında saklanan ve her zaman sulandığı bir referans değeri vardı. Tedaviye göre referansı belirleyin. 8. Veri analizi Verileri ANOVA ve Shapiro testi kullanarak analiz edin. (dplyr), (tidyverse), (rstatix) ve (ggpubr) paketlerini kullanarak R studio’da (sürüm 4.2.3) Pairwise Wilcox testi ile farklı tedaviler arasında ikili karşılaştırmalar yapın.NOT: Görüntü analizi, veri analiz yazılımı kullanılarak otomatik olarak yapılmıştır. Görüntü elde etmenin daha fazla analizi için sensöre özel veri analizörü yazılımı kullanın.

Representative Results

Bu çalışmada, patatesin (cv. Lady Rosetta) tek ve birleşik stres altındaki morfolojik ve fizyolojik tepkilerini araştırmak için otomatik görüntü tabanlı fenotipleme kullanılmıştır. Uygulanan yaklaşım, yumru başlangıç aşamasında stres indüklendiğinde bitkilerin yüksek uzaysal-zamansal çözünürlükte dinamik tepkilerini göstermiştir. Stresin erken ve geç evrelerini değerlendirmek için sonuçlar 3 zaman periyodu ([0-5 günlük fenotipleme (DOP)], [6-10 DOP] ve [11-15 DOP]) olarak sunuldu (Şekil 1). 0 DOP’a kadar, tüm bitkiler kontrol koşulları altında (C), daha sonra su basması stresi (W) ve ısı stresinin (H) uygulandığı 1-5 DOP arasında yetiştirildi. Böylece, yanıtlar aşağıdaki gibi gözlendi: (i) 0-5 DOP’ta, başlangıçtaki ısı ve su basmasını gösterdi; (ii) 6-10 DOP’ta erken kuraklığı yansıtan (D) ve birleşik ısı ve kuraklık (HD) gözlendi ve (iii) 11-15 DOP’da geç sıcaklık, kuraklık ve birleşik ısı + kuraklık + su basması (HDW) streslerini gösterdi. Su basmasından geri kazanım 6-10 DOP ve 11-15 DOP’ta gözlendi. Morfolojik özellikleriFarklı gerilmelerin ve kombinasyonların yer üstü bitki büyümesi üzerindeki etkisini belirlemek için RGB görüntüleme uygulanmıştır. Şekil 4’teki sonuçlar, ısıl işlem ve su basması stresinin (0-5 DOP), kontrole kıyasla tesis hacminde ve RGR’de bir azalmaya neden olduğunu göstermektedir. 6-10 DOP sırasında, kontrol tesislerinin bitki hacmi ve RGR’si sürekli olarak artarken, ısı, birleşik ısı, kuraklık ve su basması altında, bitki hacmindeki bu artış açıkça azalmıştır (Şekil 4A). Bitkiler su basması stresine çok duyarlı olduklarından, RGR’de bir azalma gözlenmiştir (Şekil 4B). SRWC’nin% 20’de tutulduğu geç kuraklık stresi (11-15 DOP) sırasında, kontrole kıyasla RGR’de net bir azalma gözlenmiştir. Bununla birlikte, kombine HDW’nin geç fazında, su basması tedavisinin uygulanması, stresin son gününde RGR’de bir artışa neden oldu. Fizyolojik özelliklerStrese daha fazla tepki vermek için yapısal ve fizyolojik fenotipleme kombinasyonu uygulandı. Birden fazla görüntüleme sensörünün kullanılması, stresin erken evresinde fizyolojik tepkilerin belirlenmesini sağlar. Klorofil floresan verilerinin daha ileri analizi, su basmasının, Fv’/Fm’ (Fv/Fm_Lss) 0-5 DOP ve 6-10 DOP’ta önemli ölçüde azaldığı fotosentetik verimliliği olumsuz etkilediğini gösterdi, ancak Fv’/Fm’nin biraz arttığı 11-15 DOP’ta bir toparlanma tepkisi gözlendi (Şekil 5A). Geç stres fazında (11-15 DOP), kuraklık ve birleşik ısı ve kuraklıkta Fv’ / Fm’ değerinde bir azalma gözlendi. Su ile tıkanmış tesislerde, bitkilerin (QY_Lss diğer adıyla φPSII) işletme verimliliği, 0-5 DOP ve 6-10 DOP’taki diğer işlemlere kıyasla önemli ölçüde daha düşüktü, ancak 11-15 DOP’ta hafif bir artış oldu, bu da bitki geri kazanımını gösterdi (Şekil 5B). Ayrıca, PSII’nin korunmasına katkıda bulunan verimliliği düzenlemedeki farklı mekanizmalar, hafif kararlı durumda (qL_Lss) PSII’deki açık reaksiyon merkezlerinin fraksiyonu hesaplanarak belirlenmiştir (Şekil 5C). Sadece kuraklık altında, muhtemelen fotoinhibisyon nedeniyle qL’de bir artış gözlendi. Bu bulgular, stresler altında altta yatan farklı mekanizmaları yansıtan IR verileriyle uyumluydu (Şekil 6). Su bastığında deltaT’de (ΔT) bir artış gözlendi ve bu da gaz döviz kurunu düşürdü. Geç kuraklık ve birleşik ısı ve kuraklık stresleri altında, ΔT’deki artış, aşırı su kaybını önlemek için birincil tepkilerden biri olarak kabul edilen stomaların kapanmasından kaynaklanıyordu. Öte yandan, terleme verimliliğini artırmak ve yaprak yüzeyini soğutmak için stomalar açılırken ısıl işlemler altında ΔT’de bir azalma gözlenmiştir. Hiperspektral verileri araştırarak, yaprak yansıma indekslerini değerlendirmek için hiperspektral VNIR verilerinden, klorofil içeriğinin bir göstergesi olarak NDVI ve fotosentez etkinliğinin bir göstergesi olarak PRI dahil olmak üzere iki parametre seçildi. Sonuçlar, morfolojik özelliklerde gözlenen azalmaya bağlı olarak sadece su basması altında NDVI ve PRI’de bir azalma olduğunu göstermiştir (Şekil 7A, B). Ayrıca, bitkilerdeki su içeriğini değerlendirmek için kullanılan SWIR hiperspektral verilerinden, 0-5 DOP sırasında su basmasında su indeksinde bir artış gözlenmiştir (Şekil 7C). Bununla birlikte, ısıl işlemler altında, su indeksinin kontrolden daha düşük olduğu durumlarda zıt bir tepki gözlenmiştir. Bu bulgular, RGB Üstten görünümün renk segmentasyonundan bitki örtüsünün incelenmesine uygundu. Tonların oranındaki değişiklikler, zaman içindeki stres tepkilerini gösterir (Şekil 8). Yeşillenme indeksi, kuraklık altında pigment içeriğinde bir azalma ve geç stres fazında kombine HDW ve su basması işleminden kademeli iyileşme gösterdi. Bu nedenle, çoklu görüntüleme sensörlerinin kullanılması, morfo-fizyolojik özelliklerin korelasyonunu yansıttı ve abiyotik stresler altında genel bitki performansının değerlendirilmesini sağladı. Şekil 1: İn vitro kesimlerin nakledilmesinden sonraki günlerde bitkilerin yaşı da dahil olmak üzere farklı tedavilerin uygulanma zaman çizelgesi. Fenotiplemenin (DOP) 0. günü kontrol (C) koşulları altında ölçüldü ve daha sonra farklı stresler farklı sürelerde indüklendi. 1-5 DOP arasında su basması (W) gerilimi uygulanmış ve ısıl işlemin ilk tepkisi (H) elde edilmiştir. Takip eden günlerde, kuraklık stresi (D) ve birleşik ısı ve kuraklık stresinin (HD) başlangıç aşamasının sunulduğu 6-10 DOP sunuldu. 11-15 DOP sırasında, bitkilerin kuraklık ve ısıl işlemlerin geç aşamasına tepkisi ve 1 gün boyunca HD’ye (HDW) su basması uygulaması yansıtıldı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 2: Fenotipleme protokolünü ve veri analizini özetleyen şema. (A) Fenotipleme protokolüne genel bakış. Bitkiler, FS-WI büyüme odasındaki (PSI) kontrollü koşullardan fenotipleme sistemine taşınır. Bitkiler, ölçümlerden önce 500 μmol.m-2.s-1’de 5 dakika boyunca ışık adaptasyon odasında ışığa alıştırıldı. Morfolojik ve fizyolojik özellikleri belirlemek için çoklu görüntüleme sensörleri kullanıldı, ardından ağırlıklandırma ve sulama istasyonu geldi. Arıtmaya bağlı olarak, bitkiler 22 °C/19 °C veya 30 °C/28 °C’de kontrollü koşullara geri yerleştirildi. (B) Her görüntüleme sensöründen görüntü işleme boru hattının otomatik olarak çıkarılması ve segmentasyonu. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 3: Klorofil floresan görüntüleme için kısa ışık protokolüne genel bakış. Ölçüm protokolü, ışıktaki kararlı durum floresansını (Ft_Lss) ölçmek için soğuk beyaz aktinik ışığı açarak ve ardından ışıktaki kararlı durum maksimum floresansını (Fm _Lss) ölçmek için bir doygunluk darbesi uygulayarak başladı. Aktinik ışık kapatıldı ve ışıktaki kararlı durum minimum floresansını (Fo_Lss) belirlemek için Uzak kırmızı ışık açıldı. Protokolün süresi bitki başına 10 sn idi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 4: Morfolojik değerlendirme için kullanılan RGB görüntüleme. (A) RGB üst ve yan görünüm alanından hesaplanan bitki hacmi. (B) Yumru başlatma aşamasında nispi büyüme oranı (RGR). Veriler, standart sapma (n = 10) ± ortalama değerleri temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 5: Işığa adapte olmuş bitkilerde klorofil floresan görüntüleme. (A) Işık kararlı durumunda (Fv / Fm_Lss) ışığa uyarlanmış numunenin PSII fotokimyasının maksimum verimliliği. (B) Fotosistem II kuantum verimi veya ışık kararlı durumunda fotosistem II’nin çalışma verimliliği (QY_Lss). (C) Hafif kararlı durumda (oksitlenmiş QA) PSII’deki açık reaksiyon merkezlerinin fraksiyonu (qL_Lss). Veriler, standart sapma (n = 10) ± ortalama değerleri temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 6: Termal IR görüntülerinden çıkarılan kanopi ortalama sıcaklığı ile hava sıcaklığı (ΔT) arasındaki farkı hesaplamak için termal IR görüntüleme kullanıldı. Veriler, standart sapma (n = 10) ± ortalama değerleri temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 7: Bitki örtüsü indekslerini ve su içeriğini belirlemek için hiperspektral görüntüleme. (A) Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NDVI). (B) VNIR görüntülemeden hesaplanan Fotokimyasal Yansıma İndeksi (PRI). (C) SWIR görüntülemeden hesaplanan su indeksi. Veriler, standart sapma (n = 10) ± ortalama değerleri temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 8: Farklı tedaviler altındaki bitkiler için yeşillenme indeksi. Görüntü işleme, orijinal RGB görüntüsünün tanımlanmış 6 renk tonundan oluşan bir renk haritasına dönüştürülmesine dayanır. Veriler, standart sapma (n = 10) ± ortalama değerleri temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Ek Şekil 1: Fenotipleme (DOP) günlerinde ölçülen ışık yoğunluğu. 09:00 – 12:35 arasındaki ölçümlerin süresi. LI_Buff, serada dağıtılan 5 ışık sensöründen gelen medyan verileri ifade eder. Bu dosyayı indirmek için lütfen buraya tıklayın. Ek Şekil 2: Fenotipleme (DOP) günlerinde ölçülen bağıl nem (RH). 09:00 – 12:35 arasındaki ölçümlerin süresi. RH_Buff, serada dağıtılan 5 nem sensöründen gelen medyan verileri ifade eder. RH2, adaptasyon odasındaki bağıl nemi ifade eder. Bu dosyayı indirmek için lütfen buraya tıklayın. Ek Şekil 3: Fenotipleme (DOP) günlerinde ölçülen sıcaklık. 09:00 – 12:35 saatleri arasındaki ölçümlerin süresi, serada dağıtılan 5 sıcaklık sensöründen gelen medyan verileri ifade T_Buff. T2, adaptasyon odasındaki sıcaklığı ifade eder. T3, ısıtma duvarının sıcaklığını ifade eder. T4, termal IR görüntüleme ünitesindeki sıcaklığı ifade eder. Bu dosyayı indirmek için lütfen buraya tıklayın. Ek Şekil 4: Klorofil floresan görüntüleme sensörlerinde bitki maskesi analizi için ayarlanan parametreleri gösteren veri analizörü yazılımından alınan ekran görüntüsü. Bu dosyayı indirmek için lütfen buraya tıklayın. Ek Şekil 5: Termal kızılötesi görüntüleme sensörlerinde bitki maskesi analizi için ayarlanan parametreleri gösteren veri analizörü yazılımından ekran görüntüsü. Bu dosyayı indirmek için lütfen buraya tıklayın. Ek Şekil 6: RGB 1 yandan görünüşlü görüntüleme sensörlerinde bitki maskesi analizi için ayarlanan parametreleri gösteren veri analizörü yazılımından ekran görüntüsü. Bu dosyayı indirmek için lütfen buraya tıklayın. Ek Şekil 7: RGB2 üstten görünüm görüntüleme sensörlerinde bitki maskesi analizi için ayarlanan parametreleri gösteren veri analizörü yazılımından ekran görüntüsü. Bu dosyayı indirmek için lütfen buraya tıklayın. Ek Şekil 8: VNIR görüntüleme sensörlerinde bitki maskesi analizi için ayarlanan parametreleri gösteren veri analizörü yazılımından ekran görüntüsü. Bu dosyayı indirmek için lütfen buraya tıklayın. Ek Şekil 9: SWIR görüntüleme sensörlerinde bitki maskesi analizi için ayarlanan parametreleri gösteren veri analizörü yazılımından ekran görüntüsü. Bu dosyayı indirmek için lütfen buraya tıklayın.

Discussion

Geliştirilmiş gelişmiş yüksek çözünürlüklü görüntüleme araçları ve bilgisayarla görme teknikleri, büyük bitki görüntülerinden tekrarlanabilir bir şekilde nicel veriler elde etmek için bitki fenotiplemesinin hızlı bir şekilde geliştirilmesini sağlamıştır39. Bu çalışma, tek ve birleşik abiyotik stresler altında bitkilerin dinamik tepkilerini izlemek için şu anda mevcut olan bir dizi görüntüleme sensörünü kullanarak yüksek verimli görüntü tabanlı metodolojiyi uyarlamayı ve optimize etmeyi amaçladı. Uygulanan yaklaşımın birkaç kritik adımı, stres uygulamak ve ölçümler için uygun bir görüntüleme protokolünün seçilmesi de dahil olmak üzere ayarlamalar gerektirir. Görüntü elde etmek için birden fazla sensör kullanmak, temel fenotipik özelliklerin (bitki büyümesi, fotosentetik verimlilik, stoma düzenlemeleri, yaprak yansıması vb.) ölçülmesine olanak tanır. Ek olarak, patates bitkilerinin farklı abiyotik streslere nasıl tepki verdiğinin anlaşılmasını geliştirir. Bu, iklime dayanıklı genotipler40 geliştirmek için bitki ıslah projelerini hızlandırmak için önemli bir ön koşuldur. İndüklenen strese verilen morfolojik tepkiler gelişim aşamasına bağlıdır. Örneğin, stolon veya yumru başlangıç aşamasında strese neden olmak, yaprak ve bitki gelişimini engeller ve dışkı sayısını sınırlar, böylece nihai verimiazaltır 41. Bununla birlikte, elverişsiz koşullar altında, bitkiler stres tepkilerini strese bağlı hücresel hasarı önlemek ve onarmak için adaptif bir tepki olarak kullanırlar42. Bitkiler, şiddet düzeyine bağlı olarak stres koşullarından kaçınmak ve tolere etmek için adaptif mekanizmalara sahiptir43.

Bitkilerin çalışma mekanizmalarını anlamak için, uygun süre ve yoğunlukta stresin indüklenmesi ve görüntüleme sensörleri kullanılarak bitkilerin strese karşı tepkilerinin belirlenmesi kritik adımlardan biri olarak kabul edilmektedir. Birkaç stres çakıştığında, bir stresin yoğunluğu, streslerin kombinasyonuna, yoğunluğuna ve süresine bağlı olarak diğerlerinin etkisini geçersiz kılabilir. Bu nedenle, stres etkileri toplanabilir veya karşıt tepkiler (kısmen) birbirini iptal edebilir ve sonuçta bitkiler üzerinde olumlu veya olumsuz etkilere neden olabilir. Bu çalışmada seçilen protokol, yeterli stres seviyelerinin uygulandığından emin olmak için önceki deneyimlere dayanıyordu. Örneğin, kuraklık stresinin uygulanması, önceki bir deneyde olduğu gibi orta bir seviyeye ayarlandı, yanıt, klorofil floresan görüntülemeye dayalı stresin erken bir aşamasında kontrol tedavilerinden farklı değildi. Bunun nedeni, tilakoid zardaki elektronlar için alternatif bir lavabo ve fotosistem II44,45 için koruyucu bir mekanizma görevi gören fotorespirasyonun meydana gelmesidir. Birleşik stres tepkisi altında, bitkinin hafif bir birincil stres etkenine maruz kalması, yararlı veya zararlı bir etkiye sahip olabilecek bir sonraki stres etkenine toleransı artırabilir46. Bu çalışmada, bireysel kuraklık stresine kıyasla birleşik stres altında daha güçlü bir yanıt gözlenmiştir. Diğer fizyolojik tepkileri araştırarak, sonuçlar, aşırı su kaybını önlemek için stomalar yakın olduğu için kuraklık altında ΔT’de (deltaT) bir artış olduğunu gösterdi. Buna karşılık, birleşik ısı ve kuraklık stresi altındaki buğdaydaki bulgulara uygun olarak, yaprak soğumasını arttırmak için ΔT’nin kontrol yansıtıcı stoma açılmasına kıyasla daha düşük olduğu ısı stresi altında ters tepki gözlenmiştir20. Su basması sırasında, stoma kapanmasına bağlı ΔT artışı, topraktaki oksijen eksikliğinden ve kök suyu homeostazının bozulmasından kaynaklandı, böylece su stresi tepkilerinde önemli bir hormon olan ABA’daki bir artışla terleme akışını azalttı47.

Bitki stres çalışmalarında, stres ve müteakip geri kazanım tedavilerinin süresi, stres yoğunluğu ile doğru orantılıdır. Örneğin, toprak nemini %20 tarla kapasitesinde (FC) tutmak gibi orta derecede kuraklık stresi, tipik olarak tek bir günlük yeniden sulamadan sonra düzelen geri dönüşümlü fenotipik değişikliklere neden olur. Buna karşılık, su basması gibi şiddetli stres koşulları, daha uzun bir iyileşme süresi gerektiren geniş fenotipik hasara neden olur. Tedavi sürelerinin standardize edilmesi ideal olsa da, deneysel tasarımda stres yoğunluklarındaki doğal değişkenlik hesaba katılmalıdır.

İkinci kritik adım, uygun bir protokol seçmek ve her sensör için ayarları optimize etmektir. Klorofil floresan, stres altında fotosentetik aparatın performansını belirlemede güçlü bir araçtır48. Araştırma sorusuna ve deneysel tasarıma49 bağlı olarak açık veya koyu adapte olmuş bitkilerle farklı klorofil floresan ölçüm protokolleri seçilebilir. Bu çalışmada, seçilen protokol (kısa ışık tepkisi), farklı koşullar altında fotosentez performansını gösteren Fv‘/Fm‘, φPSII ve qL dahil olmak üzere çeşitli özelliklerin belirlenmesini sağlar50. Önceki çalışmalar, yüksek verimli fenotiplemede kullanılan protokolün, stres tedavilerinin farklı uygulamaları altında bitkilerin fotosentetik etkinliğinin araştırılmasında ve sağlıklı ve stresli bitkiler arasında ayrım yapılmasında etkili olduğunu göstermiştir14,20. Deneysel tasarıma dayalı olarak, yüksek bitki popülasyonuna sahip yüksek verimli bir sistemde ölçüm yaparken seçilen protokolün süresini dikkate almak çok önemlidir. Bu nedenle, kısa süreli bir protokol kullanılarak ışığa adapte edilmiş bitkiler üzerindeki klorofil floresan ölçümü, farklı tedaviler altındaki yanıtları ayırt etmek için seçildi. Genotip-çevre etkileşimleri, ölçüm sırasında kritik olan birçok fenotipik özelliği etkileyebilir12. Fotosentetik sınırlamalar üzerindeki günlük etkiyi en aza indirmek için ölçüm süresinin kısa sürede tamamlanması gerektiğini dikkate almak önemlidir51.

Kanopi sıcaklığını belirlemek ve farklı tedaviler altında stoma regülasyonunu anlamak için termal IR görüntüleme kullanıldı52. Isıtma duvarının kameranın karşı tarafında bulunduğu ve duvarın sıcaklığının dinamik olarak kontrol edildiği ve programlanabilir olduğu yerlerde teknolojik optimizasyonun kullanıldığını belirtmekte fayda var. Bu nedenle, arka plan ısıtmalı duvarın entegre çevresel sensörlerle ayarlanması, arka plan sıcaklığının görüntülenen nesnenin sıcaklığı üzerindeki kontrastını artırarak arka plandan bitkileri düzgün bir şekilde seçmek için gereklidir.

Görüntü analizi otomatik olsa da, bitkileri hassas bir şekilde seçmek için RGB görüntülemede uygun bir ikili maske elde etmek için RGB eşikleme indekslerinin ayarlanması hala gereklidir53. Ek olarak, dijital biyokütle ve büyüme hızı dahil olmak üzere nicel parametrelerin uygun şekilde tahmin edilmesi için birden fazla açı seçmek önemlidir. Bu çalışmada, bitki hacmini ve nispi büyüme hızını doğru bir şekilde hesaplamak için RGB yan görünümünde üç açı (0°, 120° ve 240°) seçilmiş ve ortalaması alınmıştır.

Spektral aralığa bağlı olarak, hiperspektral görüntüleme54 kullanılarak birçok fizyolojik özellik araştırılabilir. Yansıma indekslerinden hangisinin gerekli bilgileri sağladığını ve bitkilerin farklı koşullar altında tepkisini gösterdiğini belirlemek gerekir14. Hiperspektral indeksler ile diğer fizyolojik özellikler arasındaki korelasyonu belirlemek için toleranslı çeşitlerin taranmasında ve bitki fenotiplemesinde oldukça talep edilmektedir55. Bu çalışmada, su basması tedavisi altındaki bitkiler, VNIR görüntülemesinden klorofil içeriği ve fotosentetik verimlilikte belirgin bir tepki göstermiştir. Ayrıca, farklı stoma düzenlemeleri ve yapraklardaki su içeriği nedeniyle ısıl işlemler ve su basması altında SWIR görüntülemeden hesaplanan su indeksinde farklı tepkiler gözlenmiştir.

Bu nedenle, bu bulgular, ayarları optimize ettikten sonra böyle bir yaklaşımın faydasını ve iklim toleransı ile ilgili stres özelliklerini bulmak için birden fazla sensör kullanma potansiyelini vurgulamaktadır. Birden fazla görüntüleme sensörü kullanarak yanıtların dinamiklerini değerlendirmek, ıslah programlarının iyileştirilmesinde güçlü araçlardan biri olarak kullanılabilir.

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

Bu ADAPT projesi (Çoklu strese toleranslı Patatesin Hızlandırılmış Gelişimi), Avrupa Birliği’nin Horizon 2020 araştırma ve inovasyon programından GA 2020 862-858 sayılı hibe sözleşmesi kapsamında fon almıştır. Bu çalışma, Çek Cumhuriyeti Eğitim, Gençlik ve Spor Bakanlığı tarafından Avrupa Bölgesel Kalkınma Fonu Projesi “SINGING PLANT” ile kısmen desteklenmiştir (no. CZ.02.1.01/0.0/0.0/16_026/0008446). CEITEC MU’nun Çekirdek Tesis Bitki Bilimleri, yetiştirme tesisi desteği ile tanınmaktadır. Bu çalışmada kullanılan in vitro kesimleri sağladığı için Meijer BV’ye teşekkür ederiz. Şekil 2’nin grafik tasarımına yardımcı olduğu için Lenka Sochurkova’ya ve Photon Systems Instruments (PSI) Araştırma Merkezi’ndeki (Drásov, Çek Cumhuriyeti) deneyler sırasında bitki materyalinin hazırlanmasına yardımcı olduğu için Pavla Homolová’ya teşekkür ederiz.

Materials

1.1” CMOS Sensor with RGB camera PSI, Drásov, Czech Republic https://psi.cz/ The sensor delivers a resolution of 4112 × 4168 pixels for side view and 2560 × 1920 pixels for top view. The sensor is extremely sensitive and is a real megapixel CCD replacement and produces sharp, low-noise images
FluorCam  PSI, Drásov, Czech Republic FC1300/8080-15  Pulse amplitude modulated (PAM) chlorophyll fluorometer 
Fluorcam 10 software  PSI, Drásov, Czech Republic Version 1.0.0.18106 For Chlorophyll fluorescence images visualization and analysis
GigE PSI RGB – 12.36 Megapixels Camera PSI, Drásov, Czech Republic https://psi.cz/ For the side view projections, line scan mode was used with a resolution of 4112 px/line, 200 lines per second. The imaged area from the side view was 1205 × 1005 mm (height × width), while the imaged area from the top view position was 800 × 800 mm.
Hyperspectral Analyzer software  PSI, Drásov, Czech Republic Version 1.0.0.14 For hyperspectral images visualization and analysis
Hyperspectral camera HC-900 Series PSI, Drásov, Czech Republic https://hyperspec.org/products/ Visible-near-infrared (VNIR) camera 380-900 nm with a spectral resolution of 0.8 nm FWHM
Hyperspectral camera SWIR1700 PSI, Drásov, Czech Republic https://hyperspec.org/products/ Short-wavelength infrared camera (SWIR) camera 900 – 1700 nm with a spectral resolution of 2 nm FWHM
InfraTec thermal camera (VarioCam HEAD 820(800))  Flir,  United States https://www.infratec.eu/thermography/infrared-camera/variocam-hd-head-800/ Resolution of 1024 × 768 pixels, thermal sensitivity of < 20 mK and thermal emissivity value set default to 0.95.  with a scanning speed of 30 Hz and each line consisting of 768 pixels. The imaged area was 1205 × 1005 mm (height × width).
LED panel  PSI, Drásov, Czech Republic https://led-growing-lights.com/products/ Equipped with 4 × 240 red-orange (618 nm), 120 cool-white LEDs (6500 K) and 240 far-red LEDs (735 nm) distributed equally over an imaging area of 80 × 80 cm
Light, temperature and relative humidity sensors PSI, Drásov, Czech Republic https://psi.cz/ Sensors used to monitor controlled conditions in greenhouse
MEGASTOP Blue mats  Friedola  75831 To cover soil surface
Morphoanalyzer software  PSI, Drásov, Czech Republic Version 1.0.9.8 For RGB images visualization and analysis and color segmentation analysis
PlantScreen Data Analyzer software (Version 3.3.17.0) PSI, Drásov, Czech Republic https://plantphenotyping.com/products/plantscreen-modular-system/ To visualize and analyze the data from all imaging sensors,  watering-weighing unit and environmental conditions in greenhouse
PlantScreen Modular system  PSI, Drásov, Czech Republic https://plantphenotyping.com/products/plantscreen-modular-system/ Type of phenotyping platform
Plantscreen Scheduler software  PSI, Drásov, Czech Republic Version 2.6.8368.25987 To plan the experiment and set the measuring protocol
SpectraPen MINI PSI, Drásov, Czech Republic https://handheld.psi.cz/products/spectrapen-mini/#details Light meter to adjust light level on a canopy level
TOMI-2 high-resolution camera  PSI, Drásov, Czech Republic https://fluorcams.psi.cz/products/handy-fluorcam/ Resolution of 1360 × 1024 pixels, frame rate 20 fps and 16-bit depth) with a 7-position filter wheel is mounted on a robotic arm positioned in the middle of the multi-color LED light panel with dimensions of 1326 x 1586 mm. 
Walk-in FytoScope growth chamber  PSI, Drásov, Czech Republic https://growth-chambers.com/products/walk-in-fytoscope-fs-wi/ Type of chambers used to grow the plant
DOWNLOAD MATERIALS LIST

Riferimenti

  1. Climate Change 2021: The Physical Science Basis. IPCC Available from: https://www.ipcc.ch/report/ar6/wg1/ (2021)
  2. Ray, D. K., Gerber, J. S., Macdonald, G. K., West, P. C. Climate variation explains a third of global crop yield variability. Nat Commun. 6, 5989 (2015).
  3. Acevedo, M., et al. A scoping review of adoption of climate-resilient crops by small-scale producers in low- and middle-income countries. Nat Plants. 6 (10), 1231-1241 (2020).
  4. van Dijk, M., Morley, T., Rau, M. L., Saghai, Y. A meta-analysis of projected global food demand and population at risk of hunger for the period 2010-2050. Nat Food. 2 (7), 494-501 (2021).
  5. Handayani, T., Gilani, S. A., Watanabe, K. N. Climatic changes and potatoes: How can we cope with the abiotic stresses. Breed Sci. 69 (4), 545-563 (2019).
  6. Devaux, A., Goffart, J. P., Kromann, P., Andrade-Piedra, J., Polar, V., Hareau, G. The potato of the future: Opportunities and challenges in sustainable agri-food systems. Potato Res. 64 (4), 681-720 (2021).
  7. Dahal, K., Li, X. Q., Tai, H., Creelman, A., Bizimungu, B. Improving potato stress tolerance and tuber yield under a climate change scenario – a current overview. Front Plant Sci. 10, 563 (2019).
  8. Ahmad, U., Sharma, L. A review of best management practices for potato crop using precision agricultural technologies. Smart Agricultural Technology. 4, 100220 (2023).
  9. Cabello, R., Monneveux, P., De Mendiburu, F., Bonierbale, M. Comparison of yield based drought tolerance indices in improved varieties, genetic stocks and landraces of potato (Solanum tuberosum L). Euphytica. 193 (2), 147-156 (2013).
  10. von Gehren, P., et al. Farmers feel the climate change: Variety choice as an adaptation strategy of European potato farmers. Climate. 11 (9), 189 (2023).
  11. Fiorani, F., Schurr, U. Future scenarios for plant phenotyping. Annu Rev Plant Biol. 64, 267-291 (2013).
  12. Poorter, H., et al. Pitfalls and potential of high-throughput plant phenotyping platforms. Front Plant Sci. 14, 1233794 (2023).
  13. Berger, B., de Regt, B., Tester, M. High-throughput phenotyping of plant shoots. Methods Mol Biol. 918, 9-20 (2012).
  14. Humplík, J. F., Lazár, D., Husičková, A., Spíchal, L. Automated phenotyping of plant shoots using imaging methods for analysis of plant stress responses – a review. Plant Methods. 11, 29 (2015).
  15. Danilevicz, M. F., Bayer, P. E., Nestor, B. J., Bennamoun, M., Edwards, D. Resources for image-based high-throughput phenotyping in crops and data sharing challenges. Plant Physiol. 187 (2), 699-715 (2021).
  16. Abebe, A. M., Kim, Y., Kim, J., Kim, S. L., Baek, J. Image-based high-throughput phenotyping in horticultural crops. Plants. 12 (10), 2061 (2023).
  17. Lazarević, B., Carović-Stanko, K., Safner, T., Poljak, M. Study of high-temperature-induced morphological and physiological changes in potato using nondestructive plant phenotyping. Plants. 11 (24), 3534 (2022).
  18. Marchetti, C. F., et al. A novel image-based screening method to study water-deficit response and recovery of barley populations using canopy dynamics phenotyping and simple metabolite profiling. Front Plant Sci. 10, 1252 (2019).
  19. Kim, S. L., et al. High-throughput phenotyping platform for analyzing drought tolerance in rice. Planta. 252 (3), 38 (2020).
  20. Abdelhakim, L. O. A., Rosenqvist, E., Wollenweber, B., Spyroglou, I., Ottosen, C. O., Panzarová, K. Investigating combined drought- and heat stress effects in wheat under controlled conditions by dynamic image-based phenotyping. Agronomy. 11 (2), 364 (2021).
  21. Zandalinas, S. I., Sengupta, S., Fritschi, F. B., Azad, R. K., Nechushtai, R., Mittler, R. The impact of multifactorial stress combination on plant growth and survival. New Phytologist. 230 (3), 1034-1048 (2021).
  22. Raza, A., et al. Impact of climate change on crops adaptation and strategies to tackle its outcome: A review. Plants. 8 (2), 34 (2019).
  23. Nasir, M. W., Toth, Z. Effect of drought stress on potato production: A review. Agronomy. 12 (3), 635 (2022).
  24. Wagg, C., Hann, S., Kupriyanovich, Y., Li, S. Timing of short period water stress determines potato plant growth, yield and tuber quality. Agric Water Manag. 247, 106731 (2021).
  25. Yamauchi, T., Colmer, T. D., Pedersen, O., Nakazono, M. Regulation of root traits for internal aeration and tolerance to soil waterlogging-flooding stress. Plant Physiol. 176 (2), 1118-1130 (2018).
  26. Aien, A., Chaturvedi, A. K., Bahuguna, R. N., Pal, M. Phenological sensitivity to high temperature stress determines dry matter partitioning and yield in potato. Indian J Plant Physiol. 22 (1), 63-69 (2017).
  27. Zandalinas, S. I., Mittler, R., Balfagón, D., Arbona, V., Gómez-Cadenas, A. Plant adaptations to the combination of drought and high temperatures. Physiol Plant. 162 (1), 2-12 (2018).
  28. Suzuki, N., Rivero, R. M., Shulaev, V., Blumwald, E., Mittler, R. Abiotic and biotic stress combinations. New Phytologist. 203 (1), 32-43 (2014).
  29. Atkinson, N. J., Jain, R., Urwin, P. E. The Response of Plants to Simultaneous Biotic and Abiotic Stress. Combined Stresses in Plants. , (2015).
  30. Harris, P. M., Harris, P. M. . The Potato Crop. 2nd ed. , (1992).
  31. Weisz, R., Kaminski, J., Smilowitz, Z. Water deficit effects on potato leaf growth and transpiration: Utilizing fraction extractable soil water for comparison with other crops. Am Potato J. 71 (12), 829-840 (1994).
  32. Wang, X., Vignjevic, M., Jiang, D., Jacobsen, S., Wollenweber, B. Improved tolerance to drought stress after anthesis due to priming before anthesis in wheat (Triticum aestivum L.) var. Vinjett. J Exp Bot. 65 (22), 6441-6456 (2014).
  33. Junker, A., et al. Optimizing experimental procedures for quantitative evaluation of crop plant performance in high throughput phenotyping systems. Front Plant Sci. 5, 770 (2015).
  34. Smith, S. M., et al. Diurnal changes in the transcriptome encoding enzymes of starch metabolism provide evidence for both transcriptional and posttranscriptional regulation of starch metabolism in arabidopsis leaves. Plant Physiol. 136 (1), 2687-2699 (2004).
  35. Findurová, H., Veselá, B., Panzarová, K., Pytela, J., Trtílek, M., Klem, K. Phenotyping drought tolerance and yield performance of barley using a combination of imaging methods. Environ Exp Bot. 209, 105314 (2023).
  36. Klukas, C., Chen, D., Pape, J. M. Integrated analysis platform: an open-source information system for high-throughput plant phenotyping. Plant Physiol. 165 (2), 506-518 (2014).
  37. Paul, K., et al. Understanding the biostimulant action of vegetal-derived protein hydrolysates by high-throughput plant phenotyping and metabolomics: A case study on tomato. Front Plant Sci. 10, 47 (2019).
  38. Awlia, M., et al. High-throughput non-destructive phenotyping of traits that contribute to salinity tolerance in Arabidopsis thaliana. Front Plant Sci. 7, 1414 (2016).
  39. Li, Z., Guo, R., Li, M., Chen, Y., Li, G. A review of computer vision technologies for plant phenotyping. Comput Electron Agric. 176, 105672 (2020).
  40. Li, L., Zhang, Q., Huang, D. A review of imaging techniques for plant phenotyping. Sensors (Switzerland). 14 (11), 20078-20111 (2014).
  41. Obidiegwu, J. E., Bryan, G. J., Jones, H. G., Prashar, A. Coping with drought: Stress and adaptive responses in potato and perspectives for improvement. Front Plant Sci. 6, 542 (2015).
  42. Zhang, H., Zhao, Y., Zhu, J. K. Thriving under stress: How plants balance growth and the stress response. Dev Cell. 55 (5), 529-543 (2020).
  43. Bandurska, H. Drought stress responses: Coping strategy and resistance. Plants. 11 (7), 922 (2022).
  44. Wingler, A., Lea, P. J., Quick, W. P., Leegood, R. C. Photorespiration: metabolic pathways and their role in stress protection. Philos Trans R Soc Lond B Biol Sci. 355 (1402), 1517-1529 (2000).
  45. Baker, N. R., Rosenqvist, E. Applications of chlorophyll fluorescence can improve crop production strategies: an examination of future possibilities. J Exp Bot. 55 (403), 1607-1621 (2004).
  46. Georgieva, M., Vassileva, V. Stress management in plants: Examining Provisional and Unique Dose-Dependent Responses. Int J Mol Sci. 24 (6), 5105 (2023).
  47. Leeggangers, H. A. C. F., Rodriguez-Granados, N. Y., Macias-Honti, M. G., Sasidharan, R. A helping hand when drowning: The versatile role of ethylene in root flooding resilience. Environ Exp Bot. 213, 105422 (2023).
  48. Baker, N. R. Chlorophyll fluorescence: a probe of photosynthesis in vivo. Annu Rev Plant Biol. 59 (1), 89-113 (2008).
  49. Murchie, E. H., Lawson, T. Chlorophyll fluorescence analysis: a guide to good practice and understanding some new applications. J Exp Bot. 64 (13), 3983-3998 (2013).
  50. Maxwell, K., Johnson, G. N. Chlorophyll fluorescence-a practical guide. J Exp Bot. 51 (345), 659-668 (2000).
  51. Yokoyama, G., Ono, S., Yasutake, D., Hidaka, K., Hirota, T. Diurnal changes in the stomatal, mesophyll, and biochemical limitations of photosynthesis in well-watered greenhouse-grown strawberries. Photosynthetica. 61 (1), 1-12 (2023).
  52. Jones, H. G. Application of thermal imaging and infrared sensing in plant physiology and ecophysiology. Advances in Botanical Research. 41, 107-163 (2004).
  53. Brainard, S. H., Bustamante, J. A., Dawson, J. C., Spalding, E. P., Goldman, I. L. A digital image-based phenotyping platform for analyzing root shape attributes in carrot. Front Plant Sci. 12, 690031 (2021).
  54. Huber, S., Tagesson, T., Fensholt, R. An automated field spectrometer system for studying VIS, NIR and SWIR anisotropy for semi-arid savanna. Remote Sens Environ. 152, 547-556 (2014).
  55. Mertens, S., et al. Proximal hyperspectral imaging detects diurnal and drought-induced changes in maize physiology. Front Plant Sci. 12, 640914 (2021).

Tags

High ThroughputImage-based PhenotypingPotatoSingle StressCombined StressDroughtHeatWaterloggingPlant PerformanceMorphological ResponsesPhysiological ResponsesStomatal ClosurePhotosystem IICanopy TemperatureWater IndexGrowth RatePlant VolumePhotosynthetic PerformanceClimate Change

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citazione di questo articolo
Abdelhakim, L. O. A., Pleskačová, B., Rodriguez-Granados, N. Y., Sasidharan, R., Perez-Borroto, L. S., Sonnewald, S., Gruden, K., Vothknecht, U. C., Teige, M., Panzarová, K. High Throughput Image-Based Phenotyping for Determining Morphological and Physiological Responses to Single and Combined Stresses in Potato. J. Vis. Exp. (208), e66255, doi:10.3791/66255 (2024).
Scarica citazione
Ristampe e autorizzazioni

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image