AgriPheno訂閱號專注于持續(xù)更新植物生理生態(tài)、植物表型組學和基因組學、基因分型、智能化育種及應用、激光雷達探測技術及數據分析等領域，國內外最新資訊、戰(zhàn)略與政策導讀。本文節(jié)選了2019年10月-12月推送的代表性文章，以供大家參閱。

植物逆境研究

? 快速有效的馬鈴薯青枯病抗性及青枯病菌致病力評價方法

本文報道了一套快速、高效的馬鈴薯離體侵染體系——水培侵染。利用致病力程度不同的青枯病菌進行侵染試驗，證明該侵染體系與土壤接種法同樣有效，可用于馬鈴薯青枯病菌的致病力鑒定。通過對32份馬鈴薯種質資源的小規(guī)模鑒定，確定了3個抗病品種，表明該侵染體系是一種有效的馬鈴薯種質資源抗性高通量篩選方法。

? 基于深度學習（CNN）的黃瓜白粉病分割與量化

本文提出了一種基于卷積神經網絡的語義分割模型，以像素水平對黃瓜葉片圖像上的白粉病進行分割。該模型能夠在像素水平對黃瓜葉片上的白粉病進行高精度分割，為黃瓜育種人員評估白粉病的嚴重程度提供了有價值的工具。

植物根系研究

? 為什么真菌并不總是好人？植物-真菌共生過程中的表型研究

人們對接種AM真菌是否能提高植物活力進行了大量的研究，但這些研究結果卻難以復制，在本文中Rohan Riley博士及其同事試圖找出其原因。

? 長期灌溉條件下歐洲赤松林細根功能屬性的可塑性

本文以受水分限制的歐洲赤松林為研究對象，評價淺表層土壤中細根功能屬性對長期灌溉引起的土壤水分可利用性增加的響應。調查的細根功能屬性包括根系統功能屬性、細根動態(tài)功能屬性、細根構型功能屬性和形態(tài)功能屬性。

植物表型研究方法/方案

? 不結球白菜生長發(fā)育過程中表型變化

該研究針對設施不結球白菜生長發(fā)育過程中相關表型指標變化問題，利用表型成像技術獲取不結球白菜整個生長發(fā)育過程中表型圖片與數據，探討不同品種不結球白菜整個生長期內的投影面積、開展度、緊密度、株高、株幅、莢果表型變化趨勢，旨在為不結球白菜種質資源的利用和繁育提供科學依據。

? 利用激光雷達估測大田作物生物量和冠層高度

本文中，Walter J D C等研究了車載LiDAR在小麥AGB和CH無損估算中的應用，將激光雷達獲得的估算結果與手動測量結果進行了比較，評估了LiDAR在育種計劃中的適用性。

? 熱成像技術在植物晝夜節(jié)律分析中的應用

本文中，Dakhiya Y和Green R M搭建了一個熱成像平臺，以晝夜溫度振蕩作為植物晝夜節(jié)律測定的新指標，測量了不同植物物種、野生型和晝夜節(jié)律突變型以及葉和花的晝夜節(jié)律，并將熱成像技術的結果與其他晝夜節(jié)律分析技術的結果進行了比較。

? 特邀綜述：新一代植物表型組學的發(fā)展之路

本文介紹了植物表型采集分析經歷的從手工測量計數的初始階段到特定測量工具的輔助階段再到高通量表型組學3個階段;提出了推動植物表型采集分析發(fā)展的3個要素: 表型組學研究設施、表型采集技術及圖像數據分析方法; 進而詳細闡述了表型組學設施的發(fā)展、國際上代表性的設施平臺情況以及表型采集傳感器和圖像數據分析方法的發(fā)展, 并展望了植物表型組學未來的研究方向。

? 植物表型組學研究平臺建設及技術應用

本文結合國內外植物表型組學研究平臺建設與應用方面的進展，以PPAP為基礎，從硬件基礎建設、各類表型技術開發(fā)及服務等方面介紹表型組學研究設施的技術應用。

? 利用高通量冠層表型提高大豆育種效率

本文的發(fā)現強調了高通量表型平臺對于植物育種早期階段的價值。盡管基于ACC的選擇在選育中表現不是最佳的，但是本文的研究結果表明了ACC在高產大豆品系的有效選擇中發(fā)揮了作用：ACC可以單獨或與產量結合使用，提高高產大豆品系的選擇效率。

? 棉花高通量表型研究進展

本文綜述了棉花高通量表型分析的技術及其最新進展，討論了高通量表型分析在棉花形態(tài)和生理特征研究中的潛在應用，比較了高通量表型分析系統在棉花種植中的優(yōu)點和局限性。

? 利用航空影像預測玉米開花期、產量和籽粒大小

本文旨在確定基于無人機圖像的植被指數分析是否能區(qū)分不同雜交玉米植株（都具有良好的產量潛力）在開花時間、產量和粒徑上的差異。本研究使用的UAV平臺包括一架消費級四旋翼機和安裝在萬向架上的消費級緊湊型相機。該相機中的傳感器經過Llewellyn Data Processing修改，使得紅色通道感測波長在670和770 nm之間，峰值在約710 nm處。因此，該相機生成的是近紅外、綠色、藍色（NGB）圖像，而不是紅色、綠色和藍色（RGB）圖像。

? 花，葉還是兩者都有？如何獲得合適的圖像以自動識別植物

本文中，為了探索什么樣的視角及其組合能包含更多的特征信息，以達到更高的識別精度，Rzanny M等開發(fā)了一種觀察開花植物的圖像捕獲方案。

光譜技術

? 多光譜成像在種子表型和質量監(jiān)測中的最新應用概述

本文綜述了利用多光譜成像技術對不同品種種子進行質量評價和安全性分析的研究進展，回顧了多光譜成像系統可能的設計結構和圖像采集模式，并討論了這些系統在可用性和適用性方面的總體優(yōu)缺點。本文首次嘗試介紹了多光譜成像技術在種子表型鑒定和質量監(jiān)測中的應用，給出了種子性狀表征、生理參數預測、缺陷檢測、種子健康檢測等方面的實例和研究成果。

? 基于冠層RGB圖像顏色和紋理特征的大豆性狀早期預測

本研究旨在探討利用冠層RGB圖像的顏色和紋理特征進行大豆性狀早期預測的可能性。研究的目標是：篩選能提供最佳預測結果的建模技術；確定哪種類型的變量組合能提供最佳的預測結果，如僅使用顏色指數、僅使用紋理指數、同時使用顏色指數和紋理指數等；研究RGB圖像變換的顏色和紋理信息是否能提高預測結果；通過早期冠層RGB圖像的顏色和紋理特征，確定生長季末期哪些大豆性狀是可以預測的。

新觀點/新技術

? X射線顯微斷層掃描和線性判別分析可檢測與栓塞相關的聲發(fā)射

本文提出了一種利用機器學習和X射線計算機顯微斷層成像記錄栓塞事件的新方法，用于從2年生盆栽歐洲白蠟樹干旱試驗過程中收集的AE數據集中檢測與栓塞相關的AE信號。栓塞的形成用兩個寬頻點接觸聲發(fā)射傳感器進行聲學測量，同時用μCT進行可視化。采用機器學習方法，將μCT視覺檢測到的栓塞形成與相應的AE信號聯系起來。具體地說，對6個聲發(fā)射波形參數進行線性判別分析（LDA），得到了一個與栓塞相關的聲學脆弱曲線，該曲線更像標準的μCT脆弱曲線（VCCT），無論是在時間上還是在栓塞導管的絕對數量上。

? 手持式近紅外光譜鑒別楓斗及定量分析桑葚

本文一方面解釋了近紅外光譜技術是目前最先進小型化技術的原因，另一方面通過詳細討論定性和定量應用實例，強調了近紅外光譜技術對植物分析的影響。在定性實例中，近紅外光譜技術成功地將鐵皮石斛加工成的楓斗（DOK，高價值）從齒瓣石斛加工成的楓斗（DDP，低價值）中鑒別出，這二者僅通過目視檢查是不太可能區(qū)分的。

植物生理生態(tài)研究

? 光合作用過程中過氧化物酶對氧化還原調節(jié)功能的研究

Vaseghi等人研究了2-CysPRX作為TRX氧化酶新功能，證明了其在光到暗的過渡過程中共同控制Calvin-Benson-Cycle酶的氧化還原狀態(tài)。

? 光合作用水解放氧的結構基礎

光合作用光系統II（PSII）放氧復合體的結構解析經歷了由最初的推測有中間體存在，到放氧過程放氧復合物存在S0-S4五種狀態(tài)，再Mn3CaO4團簇中的原子定位，直到目前水氧化位點，O=O形成位點的確定。PSII氧化水生成氧氣過程清晰和系統的研究為PSII供體側反應，質子產生，氧氣釋放的機理有了更新的認識，為合成氧化水的人工催化劑提供了扎實的理論基礎，意義深遠。

? 光合作用光能捕獲與能量傳遞的結構基礎

當外圍天線復合體的激發(fā)能被核心天線復合體收集，隨后的能量通過位于CP43，CP47，D1和D2內的Chla網絡從CP47或CP43傳遞到P680特殊葉綠素分子對。在強光條件下，主要和次要LHCII中的色素分子簇可充當非光化學猝滅位點，將有害的多余激發(fā)能耗散為熱量。超復合體內的潛在猝滅位點主要位于相鄰天線復合體之間的界面處或附近。這些位置非常適合它們在到達反應中心之前攔截和消耗多余的能量。比該研究稍早一些時候的報道顯示，生物物理模型研究已經獲得了有關PSII-LHCII超復合物中光收集動力學的初步信息?，F在，菠菜PSII-LHCII超復合物的冷凍電鏡結構為其高度復雜的色素網絡提供了詳細的框架，并使人們能夠更深入地了解超復合物中光捕獲過程的動力學和調控。

? 解決維管植物中非光化學淬滅位點的爭議

大多數NPQ發(fā)生在LHCII中，但PSII核心中還有一個PsbS依賴性淬滅的附加位點，最有可能出現在核心天線復合體CP43和（或）CP47中。

? 遠紅光在波動光的弱光階段加速光合作用

FR通過激發(fā)PSI并加速NPQ弛豫和PSII產量增加，對波動光下的光合作用產生了有益的影響。這可能是由于增加了質子導度gH+，這也可以反映出波動光下遠紅光的存在使得擬南芥葉片具有更快的ΔpH耗散和ATP合成。

人工智能/機器學習

? 菊花品種識別新方法：基于圖像的深度學習

在本文中，Liu Z.等探討了如何將深度學習方法應用于菊花品種識別，提出了基于VGG16和ResNet50的深度學習模型，以識別大花菊花。

? 田間棉鈴計數及產量預測的圖像處理算法

本文提出了一種在田間自然光照條件下實現棉鈴自動識別和計數的圖像處理算法。該方法為在田間條件下利用彩色圖像估測棉鈴數提供了一種手段，有助于預測作物產量，了解作物生長的遺傳機制。

? 基于深度神經網絡的作物產量預測

Saeed Khaki 和Lizhi Wang設計了一種用于作物產量預測的深度神經網絡（deep neural network，DNN）模型。該模型利用了最先進的建模和求解技術，精心設計的深度神經網絡能夠從歷史數據中學習基因型、環(huán)境條件及其相互作用之間的非線性和復雜關系，并對在已知天氣條件的新地點種植的雜交新品種的產量作出合理準確的預測。

其他

? AgriPheno祝您圣誕及新年快樂，2020年新臺歷免費領！

2020年定制版新臺歷免費領，包郵寄給您。一本清新脫俗、暖萌的新臺歷，作為圣誕及新年禮物送給您！

? 德國WALZ光合熒光技術巡回學術報告通知（上海/泰安/北京/沈陽）

集成以DUAL-PAM-100為標志的第二代PAM的基本功能，采用先進的解卷積技術（一種根據來源不同對信號進行分離的技術），WALZ公司推出了可以測量PC和Fd氧化還原狀態(tài)的新一代PAM熒光儀—DUAL-KLAS-NIR四通道動態(tài)LED陣列近紅外光譜儀。新設備能夠測量4組不同波段（780-820nm，820-870nm，840-965nm，870-965nm）的信號，實現對P700（PSI反應中心）、PC和Fd的氧化還原狀態(tài)分別測量。另外，它還可以測量由540nm和460nm光化光激發(fā)的葉綠素熒光，了解葉片深層熒光信息。