2014 sensores, 20078-20111, 14:10,3390; doi/s141120078

Acesso Aberto

ISSN 1424-8220 www.mdpi.com/journal/sensors sensores de

Revisão
Revisão de técnicas de imagem para FENOTIPAGEM Vegetal
1,2,3 2 Lei Li, Zhang Qin Huang Danfeng 3 e
1‫٭‬, Faculdade de Engenharia Mecânica, Shanghai Jiaotong, Shanghai 200240, China; E-
Mail: hudiepianpianlilei@hotmail.com
2 Centro de sistemas agrícolas de precisão e automatizadas, Washington State University,
24106 Bunn N. Rd., Prosser, WA 99350, EUA; E-Mail: qinzhang@wsu.edu
autores a quem a correspondência deve ser enviada; E-Mail: danfenggrace@gmail.com;
Tel.: +86-21-3420-6943. 3 ‫ ٭‬Escola de Agricultura e biologia, Shanghai Jiaotong, Shanghai
200240, China
Editor Externo Martinsanz: Gonzalo Pajares
Recebido: 8 de Agosto de 2014; em formulário revisado: 9 de Outubro de 2014 Aceito:
10 / outubro / 2014 Publicado em: 24 de Outubro de 2014
Resumo: Dado o rápido desenvolvimento de tecnologias genômicas de plantas, a falta de
acesso a recursos de fenotipagem vegetal limita a nossa capacidade de dissecar a genética de
caracteres quantitativos.
Eficaz, plataformas de fenotipagem de alto rendimento foram desenvolvidos
recentemente para resolver este problema. Em plataformas de fenotipagem de alto rendimento,
uma variedade de metodologias de imagem estão sendo usados para coletar dados para estudos
quantitativos de traços complexos relacionados com o crescimento, a produtividade e a adaptação
ao estresse abiótico ou biótico (doenças, insetos, seca e salinidade). Estas técnicas de imagem:
imagem visível (machine vision), espectroscopia de imagem multiespectral (e hyperspectral
remote sensing), Thermal Infrared Imaging, imagens de fluorescência, imagens em 3D e imagens
tomográficas (MRT, PET e CT). Este artigo apresenta uma breve revisão sobre estas técnicas de
imagem e suas aplicações na fenotipagem vegetal. Os recursos utilizados para aplicar estas
técnicas de imagem para fenotipagem vegetal são descritos e discutidos nesta revisão.
Palavras-chave: fenótipo fenotipagem; fluorescência; thermal infrared imaging; luz
visível; espectroscopia de imagem por imagem,
 sensores de imagem tridimensional, 2014 14200791
. Introdução
para garantir que a produção agrícola é suficiente para satisfazer as necessidades de uma
população humana que é esperado para crescer para mais de 9 bilhões de dólares em 2050 é um
enorme desafio para a ciência e a planta de melhoramento de culturas [1]. Essa meta é
desafiadora, principalmente porque a taxa média de aumento da produção de grãos é de apenas
1,3% ao ano, e ela não pode acompanhar o ritmo de crescimento populacional. Conectando o
genótipo ao fenótipo, alto rendimento, plantas tolerantes ao estresse pode ser selecionado muito
mais rápida e eficiente do que é actualmente possível. Avanços em técnicas como a próxima
geração de sequenciamento de DNA podem ser disponibilizados aos criadores para proporcionar
aumento da taxa potencial de melhoramento genético de melhoramento molecular [2]. No
entanto, a falta de acesso a recursos de fenotipagem limita a nossa capacidade de dissecar a
genética de caracteres quantitativos relacionados ao crescimento, produtividade e adaptação ao
estresse. Os agricultores e criadores de plantas foram fazer as seleções com base em fenótipos
muito antes da descoberta do DNA e marcadores moleculares. Para identificar a melhor variação
genética, mais cruzes e ambientes que são usados para seleção, maior a probabilidade de
identificar uma variação superior. Para atender às necessidades futuras, é necessário aumentar a
eficiência do melhoramento genético. Avanços na genotipagem de alto rendimento têm oferecido
informações genômicas rápidos e baratos e pavimentou o caminho para o desenvolvimento de
grandes populações de mapeamento e diversidade painéis com milhares de linhas endogâmicas
recombinantes para fenotipagem [3]. Apesar de estratégias de melhoramento molecular têm
colocado maior foco em seleções com base na informação genotípica, eles ainda exigem os
seguintes dados fenotípicos [4]: (1) fenótipos são usados para a seleção e a formação de um
modelo de predição de seleção genômica; (2) um único ciclo de fenotipagem é usado para
identificar marcadores para seleção subseqüente através de gerações dentro do café seleção
recorrente assistida [5]; e (3) É necessário identificar fenotipagem eventos promissores em
estudos de transgênicos [6]. Progressos fenotípicos são essenciais para capitalizar sobre a
evolução molecular, convencional e transgênica, melhoramento genético.
 1,1. Fenotipagem vegetal
fenotipagem vegetal é a avaliação global dos traços de plantas complexas, tais como o
crescimento, o desenvolvimento, a tolerância, resistência, arquitetura, fisiologia, ecologia,
produtividade, e o básico de medição de parâmetros quantitativos individuais que formam a base
de traços mais complexos [7]. O fenótipo da planta inclui estes traços complexos, e os exemplos
de seus parâmetros de medição direta são a morfologia radicular [8-11], biomassa [12,13], [14,15]
características foliares, características de frutos [16,17], características relacionadas com a
produtividade [18], eficiência fotossintética [19], e a resposta ao estresse biótico e abiótico
[20,21].
Dado o rápido desenvolvimento de high-throughput screening genótipo em melhoramento
genético e genômica de crescimento, produtividade e tolerância a diferentes fatores bióticos e
abióticos, há uma chamada para mais eficaz e confiável de dados fenotípicos para apoiar a
melhoria de cultura genética moderna. As avaliações atuais de fenótipo características para
resistência a doenças ou estresse em programas de melhoramento depende em grande parte de
escore visual por especialistas, o que consome tempo e pode gerar viés entre diferentes
especialistas e experimentais se repete. Fenotipagem de plantas tornou-se um importante campo
da pesquisa em melhoramento vegetal [22]. Fenotipagem vegetal é concebido para medir traços
complexos relacionados ao crescimento, produtividade e adaptação ao estresse com uma certa
acurácia e precisão em diferentes escalas de organização, de órgãos para marquises [23]. Para
realizar este objetivo, fenotipagem alista de experiência de

sensores biológicos 2014, 1420080

ciências, ciências da computação, matemática e engenharia. Nos últimos anos, de alto
débito fenotipagem plataformas foram implantados em câmaras de crescimento ou estufas [24-
26]. Estas plataformas usam robótica, controle ambiental e imagens precisas tecnologias
(hardware e software) para avaliar o crescimento das plantas e o desempenho. No entanto, essas
plataformas são concebidos para uma gama limitada de espécie, englobando rosette pequenas
plantas, como Arabidopsis [14,15,27] e as principais culturas de cereais de 30 [13,28].
Plataformas e soluções genérico que permita a avaliação fenotípica simultânea de
múltiplas espécies devem ser desenvolvidos.
1,2. O papel das técnicas de imagem na planta de fenotipagem
 para analisar gene-ambiente (G x E) Modelo de interações e respostas fenotípicas, o
esquema de fenotipagem vegetal normalmente inclui uma medida quantitativa experimental,
resultados e interpretações (Figura 1). O delineamento experimental utilizado deve considerar
diferentes ambientes de crescimento (ambiente controlado ou um campo). Ele também inclui
simultaneamente o crescimento das plantas a infra-estrutura, monitoramento ambiental,
tratamento do substrato e instalações de biossegurança. Medição quantitativa fortemente
beneficia de novas tecnologias de imagens padronizadas, mas precisa de protocolos
experimentais, incluindo a calibração do sensor de imagem e uma definição precisa de rotinas de
processamento de dados brutos, como parte das melhores práticas para fenotipagem de plantas.
A interpretação dos resultados exige a integração de metadados dentro de esquemas de dados
experimentais para o fenótipo, dados genômicos e dados ambientais [23,31].
A quantificação de fenótipo da planta é um passo fundamental para a implementação de
fenotipagem vegetal. Técnicas modernas têm alta resolução e permitir a visualização de multi-
dimensional e multi-parâmetro data. Técnicas de imagem são utilizadas para quantificar traços
complexos relacionados com crescimento, produtividade e aplicações de estresse para
fenotipagem de plantas em ambiente controlado, em câmaras de crescimento (sistemas ou em
estufa) ou no campo [15,31-33]. A utilização de técnicas de imagem para acompanhar o
crescimento das plantas e as respostas dinâmicas, em tempo real, sob estresse, também podem
ser mais facilmente alcançados.
Figura 1. Um regime de fenotipagem vegetal [31,34].

1420081 2014 sensores,

algoritmos de análise de imagem são os principais drivers para avançar em estudos de
imagem que requerem a quantificação dos fenótipos de plantas para peças como as raízes, caules,
folhas, sementes e flores.
Noventa e dois diferentes ferramentas de software de análise de imagem foram descritos
em um web site para estudar biologia vegetal [35]. Algumas destas ferramentas necessitam de
entradas do usuário, tais como seleção de ponto manual, enquanto outros são automatizados ou
semi-automatizados. Algoritmos de segmentação típica são baseados em um modelo de cor e
valor limiar e pode avaliar o crescimento de plantas e cursos de geometria rosette, extraindo o
shoot projetada área e parâmetros geométricos em uma imagem RGB 2D [36,37]. Extração de
recurso e para o software de análise de imagem 2D e 3D, análise de crescimento da parte aérea e
da raiz e a arquitetura são úteis para fenotipagem vegetal [37-39]. Com base em imagens do
fenótipo, medidas quantitativas para traços complexos relacionados com crescimento,
produtividade e aplicações ao estresse depende basicamente algoritmos de processamento de
imagem.
Plantas de imagem é mais do que apenas "tirar fotos". O objectivo da imagem é um
fenótipo para medir quantitativamente através da interação entre a luz e as plantas tais como
fótons refletida, absorvida ou transmitida, fótons fótons. Cada componente das células e tecidos
de plantas tem comprimento de onda específico de absorbância, transmitância, reflectância e
propriedades. Por exemplo, a clorofila absorve fotões principalmente na região espectral azul e
vermelho da luz visível; a água tem suas principais características de absorção no próximo e
comprimentos de onda curtos e celulose absorve fótons em uma vasta região entre 2200 e 2500
nm. Imagens a diferentes comprimentos de onda é usado para diferentes aspectos de fenotipagem
vegetal (mostrado na Tabela 1). Imagem visível é usada principalmente para medir aspectos da
arquitetura da planta, tais como imagem projetada, área foliar, biomassa de cores, a dinâmica de
crescimento, vigor de plântulas, as sementes, morfologia, arquitetura de raiz, Folha avaliações de
severidade da doença, rendimento e número de frutos e a distribuição.
Imagens de fluorescência foi utilizado para a detecção de doença genética na resistência
a doenças. Thermal Infrared Imaging poderia caracterizar a fábrica temperatura para detectar
diferenças na condutância estomática como medida de resposta da planta ao estado da água e a
taxa de transpiração de estresse abiótico adaptação.
Espectroscopia de imagem pode fornecer insight sobre os drivers da dinâmica de
crescimento por meio de medição, tais como padrões de crescimento spatiotemporal durante as
experiências e também para a coleta de dados de espectroscopia de planta para quantificar índices
de vegetação, conteúdo de água, os parâmetros de composição de sementes e composição de
pigmento em estudos de potencial de rendimento. Actualmente, técnicas de imagem para
fenotipagem vegetal incluem principalmente imagens de fluorescência, Thermal Infrared
Imaging, imagens visíveis, e outras técnicas de espectroscopia de imagem (MRI, PET e CT).
Com relação à organização deste trabalho de revisão técnica de imagem, cada um com seu
respectivo perfilado é princípio subjacente, uma descrição de determinados aplicativos atuais, e
uma discussão de vantagens e limitações conhecidas na fenotipagem vegetal.
 2014 sensores, 14
Tabela 1. Uma comparação de diferentes técnicas de imagiologia em

planta 20082 aplicação fenótipo [23,40,41].

Técnicas de resolução do Sensor de imagem
área projetada de dados brutos, a dinâmica de crescimento, Biomassa, Produtividade
dos parâmetros do fenótipo de Imagens Exemplos de espécies
sensíveis Câmaras Ambiente em órgãos inteiros ou valor de cor cinzenta ou imagem de
luz visível a gama espectral visível órgão peças, séries de tempo imagens (canais RGB) taxas de
germinação, crescimento do eixo embrionário, Altura,
Arabidopsis thaliana [15,27,42,43]; cevada [13]; características controladas, caracteres da
panícula, arquitetura de raiz, Embebição e Arroz [ambiente] 11,18,44,45; leguminosa;
mapa com base em pixels de fluorescência emitida toda a câmaras de filmar ou folha de
imagens de fluorescência vermelha e fluorescência em tecido e os ajustes, séries de tempo
vermelho-distante região
mapa com base em pixels de toda a superfície da folha ou de imagens térmicas, câmaras
de infravermelho próximo, a temperatura na região infravermelha tecido, séries de tempo
ou de série de tempo em tempo único- câmeras de infravermelho próximo, Contínuo ou
Espectros discretos análises ponto de brotações e infravermelho próximo linha para digitalização
de imagens multiespectrais cada pixel em copas, um único ponto de câmaras, a termografia ativa
região do infravermelho próximo avaliação dos
instrumentos de infravermelho próximo de sementes, cultivo contínuo de vegetação ou
Hyperspectral imaging ,espectrômetros hyper ciclos espectral, espectros discretos de tempo
interior câmeras, as câmeras térmicas experimentos de
toda a série de tempo sistemas de câmara estéreo; série de imagens 3D em vários mapas
de profundidade tempo-de-voo resoluções câmaras de filmar toda vez instrumentos de leitura a
laser, mapas de profundidade 3D Laser em diversas séries de imagens com diferentes resoluções
de faixas de nuvens de pontos
200-500 μm; ressonância magnética MRI 1 captadores de Água ( H) Mapeamento 1-s 600
tomografia de emissão de pósitrons (
 PET e mapeamento de Radiofármaco detectores de isótopos de curta duração 1-2 mm;
10-s 20 min coregistration com
11 (por exemplo, CO2) sinais de tomografia de emissão de pósitrons (
X-ray A tomografia computadorizada CT 100 μm e inferior; horas Voxels e fatias de
tecido; perfilhos parâmetros morfométricos em 3D; qualidade de grão
Medicago truncatula [46]; Milho [47,48]; feijão [49] Morfologia, tamanho de campo de
trigo de floração [50,51]; Arabidopsis [14,52]; 54-estado (Fotossintética Natural fluorescência
variável controlada), pastagem de inverno, trigo, milho [55]; cevada[56,57]; rendimento
quântico, é proibido matar fotoquímica, meio ambiente; feijão[58]; a beterraba [59]; Tomate [60];
folha do estado de saúde, atirar no campo da arquitetura de plantas de chicória [61];
Marquise controlada ou temperatura foliar, Cevada [56]; trigo [56,62]; Milho [63]; meio
ambiente; Inseto infestação de grãos Grapevine [64]; arroz [64]; Campo
parâmetros da composição teor de água de 67 Arroz[65] [68]; soja; milho [69,70];
controlada
das sementes, o índice de área foliar de Cevada [71]; [56] meio ambiente
e estado da água do dossel foliar; Folha e Domínio; arroz [72-76]; [50]; Cobertura de
saúde; saúde da panícula Arabidopsis controlada [77]; Triticale [78] status; crescimento foliar;
ambiente de densidade de cobertura de
campo; atirar estrutura; distribuições de ângulo foliar; Soja [39]; Rosebush; Milho [79];
estrutura do dossel controlado; arquitetura; Triticale Altura [78]; [80] Meio ambiente Pimenta
Campo; biomassa e estrutura ângulo foliar; distribuições; Milho [81]; a beterraba sacarina e
espigas de trigo [82]; estrutura do dossel controlado; arquitetura; raiz; caule Altura Triticale [78];
cevada [83]; [84]; ambiente de
beterraba sacarina, [85]; Hordeum spontaneum parâmetros morfométricos e controlada
em 3D; teor de água Beta vulgaris Bean [86]; [87]
Transporte de ambiente controlado o particionamento, a velocidade de fluxo sectorality,
Hordeum spontaneum e Beta vulgaris [86]
Arroz de ambiente controlado [88]; trigo [10,89-91] e raio-X, radiografia digital

Sensores ambientais 2014, 14200832

 . Principais técnicas de imagem na detecção de fenotipagem de plantas portadoras de
informação são considerados como ondas eletromagnéticas. Plantas saudáveis interagir
(absorver, refletir, emitir, transmitir e fluoresce) com radiação eletromagnética de uma forma
diferente das interações de plantas infectadas (como mostrado nas tabelas 1 e 2). Este achado é
principalmente explicada pelo fato de que as plantas têm diferentes propriedades ópticas.
Técnicas de imagem são muito úteis para a detecção destas propriedades, especialmente para
aqueles que não podem ser vistas a olho nu. Fenotipagem vegetal baseada na reflexão espectral
depende de informações sobre as propriedades da luz emergindo da marquise após várias
interações (como, por exemplo, reflexões, transmissões e absorptions) com os tecidos da planta.
A canópia assinatura espectral da radiação refletida difusamente esta é descrita pela relação entre
a intensidade da luz refletida da luz acesa para cada comprimento de onda do visível (400-750
nm) e do infravermelho próximo (750-1200 nm) e infravermelho de onda curta (1200-2400 nm)
regiões espectrais.
A reflectância foliar é definida como a proporção da luz irradiada que é refletida pela
folha. A folha de interação da radiação eletromagnética com plantas varia com o comprimento
de onda da radiação.
Devido à forte absorção pelos pigmentos photoactive (Clorofilas e carotenóides totais,
antocianinas,) em comprimentos de onda visíveis, a marquise tem baixa reflectância. Nos
comprimentos de onda do infravermelho próximo, a marquise tem alta reflectância devido ao
espalhamento múltiplo de célula de ar interna interfaces no tecido foliar. Em wide seleccionáveis
de infravermelho de onda curta, folhas sadias têm baixa reflectância devido à absorção pela água,
proteínas e outros componentes de carbono. Os espectros de reflectância típica das culturas nestes
três seleccionáveis são mostrados na Figura 2. Por causa de seu alto conteúdo de água
(emissividade entre 0,97 e 0,99), folhas sadias emitem radiação na faixa de infravermelho térmico
(~10 µm) de acordo com a sua temperatura. As folhas verdes aparecem porque a luz verde (550
nm) é refletida relativamente eficiente quando comparado com o azul, amarelo e vermelho
bandas, que são absorvidas pela photoactive pigmentos. A cerca de 670 nm, causa alterações de
reflectância a borda vermelha para mudar para comprimentos de onda mais curtos (a acentuada
transição de baixa reflectância visível a alta reflectância NIR).
Tabela 2. A aplicação e limitações das técnicas de imagem para fenotipagem de plantas
sob diferentes ambientes em crescimento [23,41].
Aplicações crescentes limitações técnicas de imagem dinâmica de crescimento do
ambiente, Biomassa, rendimento, características da panícula, arquitetura de raiz, controlada a
embebição e taxas de germinação, folha fornece apenas informações fisiológicas de plantas
morfologia de plântulas de ambiente, vigor, coleóptilo comprimento e biomassa, a antese,
morfologia de sementes, raiz de imagem imagem visível arquitetura cobertura de dossel e cor;
informação sobre a cor verde pode ser usado para nenhuma calibração espectral; apenas os
índices relativos; o uso de reconstrução 3D estéreo; Medição de sombras e luz solar pode resultar
em domínio de várias câmaras ou pontos de vista permite sob ou sobre a exposição e limitar
automaticamente a estimativa de parâmetros de imagem processamento de arquitetura do dossel
de difícil análise complexa, status fotossintética controlada indireta toda a disparar de espécies
não-rosette; ambiente medição de fatores bióticos ou abióticos aclimatação pré-condições difíceis
de fluorescência Para medir na marquise escala, porque a pequena imagem da relação sinal/ruído,
apesar de laser- estado fotossintéticas, fluorescência induzida por campo indirecta transientes
podem estender a medida de biótico ou abiótico gama disponível, enquanto a fluorescência
induzida por soar podem ser usados

sensores remotamente, 20084 2014 14

Tabela 2. Cont.
Aplicações de técnicas de imagem ambiente crescente limitações temperatura de
superfície; condutância estomática de calibração do sensor de imagem e atmosférica controlada
estresse hídrico induzido por fatores bióticos ou abióticos são, muitas vezes, a correção
necessária; som ambiente baseado em física fatores resulta interpretação necessária a calibração
do sensor de imagem e correção atmosférica; geralmente são necessárias mudanças nas condições
térmicas ambientais levam a alterações na temperatura do dossel, imagem condutância
estomática; estresse hídrico fazendo uma comparação com o tempo difícil, de Campo induzida
por fatores bióticos ou abióticos que impliquem a utilização de referência. Difícil separar a
temperatura do solo a temperatura da planta em marquises esparsas, limitando a automatização
do processamento de imagem e
parâmetros de composição teor de água necessária a calibração do Sensor; custo, imagem
grande dados controlados sementes; área foliar; dossel de folhas e de conjuntos de dados
complexos hyperspectral imaging, ambiente, estado de saúde, estado de saúde da panícula;
crescimento; interpretação de imagens de densidade de cobertura composição bioquímica da
folha ou necessária a calibração do Sensor; mudanças na temperatura do dossel de espectroscopia;
concentração de pigmento; condições de luz água sinal de influência e necessidade freqüente; o
conteúdo do campo de medida indireta de referência branco bióticos ou calibração; estrutura do
dossel e estresse abiótico; arquitetura do dossel, LAI ou geometrias de câmara ou sun influência
do ângulo de sinal.
Gerenciamento de Dados NDVI é um desafio a altura do dossel e a arquitetura do dossel
controlado; estimativa do IAF; volume e biomassa; iluminação ambiente específicos necessários
para reflectância do laser pode ser usada para alguns instrumentos de leitura a laser recuperando
as informações espectrais lidar a altura do dossel e a arquitetura do dossel; Integração ou
sincronização de GPS com estimativa do IAF; volume e biomassa; e sistemas de campo Posição
do codificador de reflectância do laser pode ser utilizado para o georreferenciamento é necessária
para recuperar a informação espectral
Figura 2. Os espectros de reflectância típica da cultura em comprimentos de onda
diferentes [92].

2,1. Imagem de luz visível

.2,1 1. Princípios básicos
uma imagem visível é baseada em imagens digitais e destina-se a simular a percepção
humana para fornecer informações ou entrada para sistemas que precisam de dados para
aplicações de fenotipagem vegetal de

sensores baseados em traço 2014, 1420085

melhoramento fisiológico. A aplicação mais comum da imagem visível é baseada em
sensores de silício (CCD ou CMOS) de matrizes que são sensíveis às faixas de luz visível (400-
750 nm) e permitir a imagem em duas dimensões, e é a tecnologia de imagens mais simples para
detecção de plantas. Normalmente, os dados brutos de uma imagem é apresentada em matrizes
espaciais de valores correspondentes a intensidade de fluxos de fótons no vermelho (~600 nm),
verde (~550 nm) e azul (~450 nm) bandas espectrais da luz visível. Banda visível são comumente
câmeras câmeras digitais convencionais ou RGB/CIR câmaras porque eles podem fornecer
medições rápidas com soluções acessíveis para aplicações de fenotipagem vegetal.
2,1.2. Aplicações actuais
imagens visíveis têm sido amplamente utilizados na planta de ciência por seu baixo custo
e sua facilidade de operação e manutenção. Em um ambiente controlado (em câmara de
crescimento ou em estufa), imagem visível foi primeiramente adotado para análise da biomassa
[13,15], de rendimento [18], caracteres da panícula [44], a embebição e germinação taxas [46],
morfologia foliar [49], o vigor de plântulas [23,32], comprimento do coleóptilo e da biomassa na
antese [93], a morfologia de sementes [42,94] e a arquitetura de raiz [11,45]. Em um exemplo de
biomassa em um ambiente controlado, projeta-se a área foliar em plantas, como Arabidopsis
thaliana e milho está disponível através de sistemas comerciais [7,24] que são baseados em
imagens visíveis.
Este sistema utilizado vários ângulos (normalmente duas vistas laterais e uma vista
superior) para extrair uma relação matemática entre estas três imagens visíveis para a biomassa
e área foliar. A correlação entre o digital estimativa da biomassa e a obtida para a
colheita 2 destrutiva pode apresentar um valor superior a 0,9 [27,95].
Em um ambiente controlado, a imagem visível de crescimento ao longo de um período de
desenvolvimento da planta pode ser usada para estimar a soma dos mecanismos de resposta ao
estresse e oferece a oportunidade para provocar além de muitas destas respostas. Logo após a
aplicação do estresse salino, assim como os estômatos fecham, a inibição do crescimento de
planta também ocorre rapidamente. Depois de salinidade mais exposição, senescência foliar pode
ser quantificada, separando as áreas verde e amarela da folha, e este achado pode estar
relacionado a tolerância do tecido ao acúmulo de sal. Usando uma análise de imagem visível,
estes componentes de salinidade pode ser medida em uma única planta. Além disso, estes
componentes podem ser medidos de forma rápida e precisa; assim, eles podem ser medidos em
grandes populações, como populações mutantes e mapeamento de populações, o que permite uma
abordagem genética a ser realizada para identificar os genes, o que está subjacente a variação
nesses respectivos componentes de tolerância [13,95,96].
Utilizando o extrato de imagem visível de crescimento de planta morfologia dinâmica,
sistemas de raízes, sementes ou características da superfície, uma série de pré-processamento e
análise de imagem são utilizados algoritmos de segmentação, como o algoritmo de watershed,
um método de segmentação de cores baseada em RGB espaço e um modelo de segmentação de
imagem [15]. Além disso, novos métodos de processamento de imagem foram encontradas. Por
exemplo, De Vylder et al. [97] utilizaram a segmentação de cores com base em parâmetros do
fenótipo extraídos do espaço RGB, incluindo a biomassa (para quantificar a área projetada
baseada em imagem), o diâmetro (a distância máxima entre dois pixels pertencentes ao rosette),
stockiness, taxa de crescimento relativo, e compacidade (a relação entre a área da roseta e a área
delimitada pela cobertura convexa da roseta). Massimo et al. [98] propuseram um método de
segmentação para plantas em experimentos de fenotipagem baseada em imagem. Os
pesquisadores construíram um modelo de aparência de plantas com base em modelos de Mistura
Gaussiano e conhecimento prévio. Usando vários top visualizar imagens de Arabidopsis que
foram coletados utilizando

sensores de lapso de tempo, 2014 1420086

câmera digital no laboratório por um período de poucos dias, a abordagem proposta
obteve uma precisão global de 96,44%.
No campo, imagens visíveis, fornecem informações sobre a cobertura do dossel e
marquise de 101 cores [99]. A cobertura pode ser estimado por um programa de processamento
de imagem da cor de limiar. O índice de área foliar (IAF) e interceptação luminosa [102] pode
ser obtida com este método. Outras informações mais sofisticados também podem ser extraídos
por análise de imagem, tais como água stress ou estresse de salinidade da forma e solidez,
compacidade, [103]. No campo, uma câmera estéreo rig ou imagens a partir de vários locais [38]
também permitem a reconstrução detalhada da estrutura do dossel e a sua análise para a obtenção
de variáveis críticas para a fenotipagem, tais como o IAF, área foliar, distribuição ou
comprimento de panícula [104].
2,1.3. Vantagens e limitações
os traços acima referidos estão agora marcados manualmente, e este método pode ser
melhorada em termos de velocidade e precisão utilizando imagens visíveis. Imagem visível na
fenotipagem vegetal é o método mais simples, mas essas imagens só pode fornecer informações
fisiológicas de plantas na fenotipagem vegetal.
Quando imagens visíveis são processados para obter informações fenotípicas, como a
biomassa, número de folhas e área foliar, que continua a ser um desafio para controlar a
sobreposição das folhas adjacentes na segmentação de imagens.
Com a exceção deste uma dificuldade, aplicações no campo são limitados pelas seguintes
condições: (1) menor diferença no brilho e cor entre a folha e o fundo; (2) remoção de sombra do
dossel; (3) o preenchimento automático quando o solo ou insetos são removidos das folhas; e (4)
a influência da luz sobre o processamento automático de imagens. Esses fatores afetam
gravemente a aplicação da imagem visível para fenotipagem de plantas no campo e devem ser
resolvidos por outras técnicas.
2,2. Imagens de fluorescência
.2,2 1. Princípios básicos
 informações sobre um estado metabólico da planta pode ser obtido pela excitação artificial
da planta photosystems e observação das respostas. O mais relevante é a de descrever a técnica
de fluorescência. A FLUORESCÊNCIA é a luz que é emitida durante a absorção de radiação em
alguns comprimentos de onda mais curtos. As fluorescentes normalmente parte da planta é o
complexo de clorofila. Irradiando os cloroplastos com azul ou luz actínica resultará em alguns
re-emissão de luz absorvida pela clorofila e a re-emissão proporção da luz absorvida pela
clorofila. A proporção de re-emissão em comparação com a irradiação de luz é variável e depende
da capacidade da planta para metabolizar a luz colhida. Esta re-luz emitida é a fluorescência, e é
um bom indicador da capacidade de absorção de luz actínica. Além disso, combinando uma fonte
de luz actínica saturando com breves pulsos azul pode ser utilizada para estimar a eficiência de
assimilação, não-oxidantes têmpera e outros parâmetros fisiológicos de plantas. Imagens de
fluorescência é a imagem desses sinais de fluorescência (ou parâmetros) e, em geral, emprega
com dispositivo de carga acoplada (CCD) que são sensíveis aos sinais de fluorescência
fluorescência onde os sinais ocorrem iluminando as amostras com visível ou UV (luz ultravioleta
) por meio de laser pulsado, pulsado lanterna lâmpadas ou LEDs (light emitting diodes), como
ilustrado na Figura 3a. Valor de Pixel Imagens dos

sensores de fluorescência, 2014 14 20087

parâmetros foram exibidos com a ajuda de um falso código de cores que variam de preto
(0,00) através de vermelho, amarelo, verde e azul para cor-de-rosa (terminando em 1,000)
[105.106].
UV (ultravioleta) Iluminação (variando de 340-360 nm) gera dois tipos de fluorescência,
isto é, o vermelho para vermelho-distante região e a região de azul para verde, que é o princípio
subjacente de imagens de fluorescência multicor. Esta técnica permite a captura simultânea de
emissão de fluorescência de quatro bandas espectrais (Azul (440 nm, F440), verde (520 nm,
F520), vermelho (690 nm, F690) e vermelho (740 nm, 740), com um único comprimento de onda
de excitação. A emissão de sinais de fluorescência de azul e verde origem (com maxima perto de
440 e 520 nm) são os ácidos cinâmico (principalmente ferulic acid) presente na parede celular, e
as origens do vermelho e vermelho-distante (emissão de fluorescência com maxima perto de 690
e 740 nm) são moléculas de clorofila α na antena e o centro de reação do fotossistema II
fotossintética de cloroplastos nas células do mesofilo (conforme mostrado na Figura 3b [107]).
 Mudanças na emissão de fluorescência ou, ainda mais sensíveis, mudanças na relação
entre os diferentes índices de fluorescência (F440/F690, F440/F735) podem ser utilizados como
indicadores de estresse, e a F690/F735 tem se mostrado um indicador do conteúdo de cloroplasto
[106-108].
Figura 3. Um esquema de cores para o sistema de imagens de fluorescência (a) e a emissão
de fluorescência da clorofila induzida como folhas verdes, azul, vermelho e verde luz de
excitação (b) [109].
De excitação de fluorescência (radiação UV)
detecção de fluorescência (câmera CCD)
Controle/Armazenamento de
colheita (PC)

(a) (b) 2,2.2. Os aplicativos atuais

a principal técnica utilizada para detecção de doença nas folhas é de imagens de
fluorescência. Durante a doença, infecção, alterações metabólicas que ocorrem entre a
fotossíntese e a respiração durante a derivação de fluxo de nutrientes são os primeiros a ser
afectados. Este processo é principalmente acompanhado por imagens de fluorescência.
Porque usando fluorescência modulada requer grande energia para iluminação rápida,
imagens de fluorescência é frequentemente usado em um ambiente controlado.
Imagens de fluorescência podem estimar a fotossíntese para monitorar os efeitos de
patógenos [21.110] e diagnosticar o estresse precoce respostas a fatores bióticos e abióticos, antes
de um declínio no crescimento pode ser medido de 52,59,111 [113]. Na planta de fenotipagem,
imagens de fluorescência é usado principalmente para a imagem de outros fenômenos
fisiológicos indiretamente se elas interferirem com o funcionamento da fotossíntese e
metabolismo de seus associados, por exemplo, efeitos de herbicidas e condutância
heterogeneidade para triagem de genótipos com

Sensores 2014 1420088,

resistência a doenças, e para aqueles que são tolerantes ao estresse biótico e abiótico.
Alguns exemplos de suas aplicações para fenotipagem de plantas são dadas.
 Imagens de fluorescência fornece uma técnica de rastreio rápido para identificar plantas
com melhorada ou prejudicada metabolismo e crescimento. Perturbações nos processos
metabólicos (como causadas por patógenos e estresse) que não estão diretamente envolvidos no
metabolismo fotossintético muitas vezes induzir alterações nos parâmetros de fluorescência, que
podem ser utilizadas para verificar a existência de tais perturbações. Barbagallo et al. [109]
usaram imagens do parâmetro de fluorescência Fv/Fm para mudas crescendo em uma placa de
96 poços, e os resultados mostraram que uma gama de tratamentos de imazapyr produziu uma
diminuição marcada neste parâmetro após 24 h, com uma magnitude de redução relacionada com
a concentração do herbicida foi aplicado.
A tela imagens de fluorescência de genótipos, tem sido proposto como uma ferramenta
para o estudo de compostos induzida por estresse que poderiam ser avaliados como indicadores
de estresse. Por exemplo, swarbrick et al. [57] utilizaram a imagem quantitativa de fluorescência
da clorofila a estudar a resposta de resistência de cevada folhas infectadas com Blumeria
graminis. Durante a interação, a fotossíntese foi reduzida progressivamente em toda a folha.
Chaerle et al. [59] confirmado a beterraba sacarina linhas que diferiam em sua susceptibilidade a
Cercospora beticola infecção usando imagens de fluorescência da clorofila e mostrou que as
diferenças na intensidade de fluorescência foram medidos entre plantas suscetíveis e resistentes.
Burling et al. [51] estudaram as diferenças no nível de resistência de cultivares de trigo em
resposta a Puccina triticina utilizando imagens de fluorescência e mostraram que eles podem ser
discriminadas utilizando o rendimento quântico da não-regulamentado a dissipação de energia
em PSII. Para uma cultivar suscetível, a diferença entre os valores de parâmetro foi medido no
controle e inoculadas folhas e como uma evolução ao longo do tempo.
Além disso, vários usos possíveis da fluorescência da clorofila imaging têm sido
propostos para mapeamento de locos de características quantitativas (QTLs) para características
relacionadas com o crescimento [114.115] (como a área foliar), high-throughput screening para
mutantes ou transformants fotossintética e caracterização de mutantes com diferentes
composições de pigmentos fotossintéticos [51,57,116,117]. Para efectuar medições em toda a
fábrica e nível de cobertura, métodos que utilizam fluorescência induzida por laser transientes,
[118] ou o acompanhamento da fluorescência induzida por sun [119] são exploradas.
2,2.3. Vantagens e limitações
as imagens de fluorescência da clorofila fornece uma ferramenta poderosa para resolver
a heterogeneidade espacial da folha desempenho fotossintético, e tem sido usado em muitas áreas
da fisiologia vegetal, tais como a detecção precoce de sintomas de estresse induzido pelo ataque
do patógeno ou tratamento herbicida [51,57,116].
 Algumas medidas, como as diferenças de crescimento não pode ser detectado por meio
de observação visual, e há grandes diferenças de imagens entre o controle e as plantas tratadas
com herbicidas [109].
No entanto, a relação entre a fluorescência variável e o máximo que foi medido após
saturar pulsos de luz parece ser relativamente insensíveis a grave limitação de água [14] e,
portanto, não parece adequado para a detecção precoce de estresse hídrico. A maioria dos estudos
de imagens de fluorescência são limitadas ao nível de folhas individuais ou a muda modelo de
nível de culturas. Robustez, reprodutibilidade e software de análise de dados são necessários para
abordar o uso de fenotipagem em grande escala e a desenvolver um procedimento padrão para
processamento de imagens de fluorescência. Além disso, os requisitos de energia dos

sensores, 2014 14 20089

imagens de fluorescência (por exemplo, utilizando estimulação laser de ondas curtas)
pode ser limitante para aplicações de fenotipagem de campo.
2,3. A imagem térmica 2,3.1. Princípios básicos
de imagem térmica, permite a visualização de radiação infravermelha, indicando um
objeto como a temperatura em toda a superfície do objeto. A faixa espectral sensível de câmaras
térmicas é 3-14 µm, e o mais comumente usado para comprimentos de onda são imagens térmicas
3-5 µm ou 7-14 µm. Dentro destas duas gamas de comprimentos de onda, a radiação
infravermelha é transmissão atmosférica perto de seu valor máximo. A sensibilidade térmica de
comprimentos de onda menores é 3-5 µm, o que faz com que seja maior do que a de
comprimentos de onda de 7-14 µm, porque pequenos comprimentos de onda correspondem a
níveis de energia mais elevados. No entanto, a utilização de comprimentos de onda mais longos,
pode ser vantajosa para determinadas aplicações. Por exemplo, para alvos a longa distância
através de mais caminhos atmosférica, comprimentos de onda entre 8 e 14 µm seria minimizar
os erros da absorção de radiação infravermelha atmosférica [120.121]. Nos últimos anos, dado o
desenvolvimento de tecnologia térmica infravermelha, as câmeras térmicas com altíssima
sensibilidade térmica (de alguns) foram disponibilizados milliKelvins [121] e prontamente
revelou as distribuições de temperatura na planta ao nível de folha, que tende a reduzir ainda mais
o seu preço, e eles têm uma interface de usuário mais amigável e maior disponibilidade de
detectores de alta resolução.
 2,3.2. Aplicações actuais
de imagem térmica é usado para medir temperaturas de superfície foliar para estudar
relações hídricas de plantas, e especificamente para a condutância estomática, porque um dos
principais determinantes da temperatura foliar é a taxa de evaporação ou transpiração de uma
folha. Salienta bióticos ou abióticos, muitas vezes, resultam em diminuição das taxas de
fotossíntese e de transpiração [122.123]; e o sensoriamento remoto da temperatura foliar por
imagem térmica pode ser uma maneira confiável para detectar alterações no estado fisiológico
das plantas em resposta a diferentes fatores bióticos e/ou abióticos. A temperatura do dossel tem
sido utilizado com sucesso em programas de melhoramento para ambientes propensos à seca. Na
planta de fenotipagem, oferece imagens térmicas Temperatura do dossel para detectar diferenças
na condutância estomática como medida de resposta da planta ao estado da água e a taxa de
transpiração [56,64], tanto no campo e em casa de vegetação. Em um estudo realizado por
Giuseppe, thermal infrared imaging foi utilizado para distinguir entre 92 diferentes genótipos de
milho para a triagem de adaptação à seca no milho. Houve uma diferença de temperatura média
de mais de 2 °C entre diferentes genótipos sob estresse hídrico [124]. Romano et al. [125] A
imagem latente térmica utilizado no nível do dossel em fase reprodutiva de milho sob estresse
hídrico entre a antese e a bolha.
Imagens térmicas, foi identificada como uma ferramenta potencial que pode acelerar e
fenotipagem triagem em programas de melhoramento de milho estresse hídrico. Thermal Infrared
Imaging também tem sido proposta para uso no laboratório, para telas de mutantes de Arabidopsis
[126]. As diferenças de temperatura do dossel foram comparados com o ar ambiente (por
exemplo, a depressão, ou a temperatura do dossel CTD) medido pelo Thermal Infrared Imaging,
e estes resultados têm sido utilizadas como critério de seleção em programas de melhoramento
para resistência à seca [71]. As imagens térmicas de uma única cultura de cobertura sob estresse
hídrico tem sido usada para identificar a variabilidade dentro de campo para seleção do local
fenotipagem.

1420090 2014 sensores,

além disso, a imagem térmica tem sido usada por muitas culturas, desde pequenos grãos
de milho [127] e árvores de fruto [128]. Também tem sido usado em combinação com o Enhanced
Imaging espectral de estimativa do conteúdo de água da folha [125].
 2,3.3. Vantagens e limitações
Embora as câmeras térmicas são mais caros e mais difíceis de lidar do que sensores
infravermelhos, as câmeras térmicas oferecem vários benefícios, como, por exemplo, resolução
espacial e medições mais precisas sob condições ambientais variáveis. Além disso, um grande
número de parcelas em ensaios de campo podem ser fotografada ao mesmo tempo, idealmente,
permitindo uma comparação de diferenças na temperatura do dossel entre os genótipos sem a
necessidade de normalização para determinar a temperatura foliar absoluta.
No entanto, análise térmica de plantas com base em Thermal Infrared Imaging é muito
influenciado por estar perto de qualquer objeto e ambiente. As medições de temperatura de
superfície exigem extensa calibração.
Além disso, se as plantas com mais complexa morfologia tridimensional são estudadas, a
orientação das folhas para a radiação incidente e o ângulo da câmera usada para gravar as imagens
devem ser considerados na análise dos dados [64].
Além disso, imagens térmicas, em conjunto com o visível e NIR imagens, permitir a
exclusão dos não-material foliar quando estimar a temperatura do dossel e a possibilidade de
seleção de partes específicas da copa para estimativa de estresse de água [129-131]. Padrões
espaciais são criados com base em uma das imagens (por exemplo, o processamento da cor da
imagem RGB) e, em seguida, em sobreposição à outra (por exemplo, uma máscara sobre a
imagem térmica). Esta abordagem permite o isolamento de folhas que são expostos a condições
ambientais uniformes e permite uma melhor interpretação da sua temperatura de acordo com a
conhecida condições ambientais prevalecentes.
2,4. Espectroscopia de imagem
.2,4 1. Princípios básicos
da aplicação de espectroscopia de imagem para fenotipagem vegetal veio da pesquisa
sobre o sensoriamento remoto da vegetação. Espectroscopia de imagem planta é feita através da
interação da radiação solar, produzidos com plantas. No espectro visível (400-700 nm),
reflectância, por folhas ou marquises é particularmente baixo. Essa baixa reflectância é explicada
pela absorção de pigmentos de clorofila foliar, principalmente, com um pico característico de
refletância na região verde de aproximadamente 550 nm.
Com a passagem do visível ao infravermelho próximo (NIR) comprimentos de onda, há
um forte aumento na reflectância, ou o chamado "Borda d'. No NIR (700-1200 nm), uma grande
parte da radiação incidente é refletida pelas folhas de dispersão no mesofilo foliar. Além disso, a
radiação NIR pode ser transmitido a partir do canto superior folhas da marquise para as folhas
inferiores, o que pode reflectir os fótons de volta à parte superior do dossel. Como conseqüência,
folha e arquitetura do dossel, tais como espessura e hábito de crescimento, são os principais
determinantes do padrão de reflectância nesta parte do espectro. Com o aumento dos
comprimentos de onda de 2500 nm, a reflectância diminui gradualmente por causa do aumento
da absorção pela água presente nas folhas [33.132]. Espectroscopia no infravermelho próximo
para a avaliação indireta do crescimento de colheita e rendimento rendimento potencial e
desempenho sob condições de estresse tem sido abordada mais recentemente [133]. Informações
de reflectância espectral de folhas ou marquises é

2014, 1420091 sensores

utilizados para a quantificação dos índices de vegetação, que são operações simples (por
exemplo, proporções e diferenças) entre dados de reflectância espectral em determinados
comprimentos de onda. Este diagnóstico permitiu o desenvolvimento do índice de vegetação da
diferença normalizada (NDIX) e uma vasta gama de índices relacionados. Estes índices de
vegetação são geralmente relacionados com diferentes características, tais como a biomassa
fotossinteticamente ativa, pigmento e estado da água [92]. Índices de vegetação têm sido
utilizados para predizer a biomassa verde, área foliar, teor de clorofila e a produtividade de trigo
e de milho em condições de campo [134.135].
Tanto a espectroscopia no infravermelho próximo e reflectância espectral de plantas
dependem do desenvolvimento de modelos de calibração que relacionam a informação espectral
e dados de referência da característica. Geralmente, uma sub-amostra de um conjunto de dados
completo que representa toda a população no que se refere à gama de variação espectral é
utilizado para o desenvolvimento da calibração com os tratamentos matemáticos e Algoritmos
robustos para a construção de modelos de previsão. Estes tratamentos matemáticos e algoritmos
apropriados incluem parcelas correlação 2D [136], a regressão de mínimos quadrados parciais
[137.138], análise de componentes principais [139], máquinas de vetor de suporte [140], redes
neurais [141] e outras abordagens de aprendizagem de máquina. Uma vez que os modelos de
calibração foi validado com sucesso, eles podem ser empregados em análises de rotina para
predizer valores fenotípicos em conjuntos de dados externos, utilizando dados espectrais e mais
usado em combinação com os dados ambientais e genotípicas para fazer decisões de criação
[142.143].
Medição espectral pode ser obtido através de câmaras de imagem multiespectral
hyperspectral ou que são capazes de digitalizar seleccionáveis de interesse em altas resoluções.
 2,4.2. Aplicações actuais
na planta de fenotipagem, índices de reflectância espectral são utilizados para medições
não destrutivas de biomassa verde, dossel foliar, teor de clorofila e a senescência do dossel (ou
se eles ficar verde) e status de água da fábrica. A derivação de uma série de índices de vegetação
de reflectância, desde simples diferenças entre dois valores de reflectância de onda para
normalizar os valores de reflectância, é freqüentemente usado. Vários índices têm sido
introduzidas tanto em pesquisas de campo e programas de melhoramento para fenotipagem de
grande escala dinâmica e estimativas da biomassa verde, conteúdo de nitrogênio composição
pigmentos fotossintéticos, status, e teor de água [144-146].
E multiespectral hyperspectral medições são amplamente utilizados para estimar o
conteúdo de água do dossel como um indicador do estado da água, que utiliza as bandas de
absorção na faixa do infravermelho para descrever vários índices de 100.147 de água [149]. Além
disso, o uso de espectroscopia de alta resolução e análise de wavelet também pode fornecer alta
sensibilidade para a marquise do teor de água [150.151]. A alta resolução espectral medida
hyperspectral torna um método promissor para a avaliação de crescimento foliar de arroz [73],
para determinar o estado de panículas de arroz [74] e para detectar a gravidade dos danos
causados por insectos [152-154], tais como os resultados de um inquérito por sabatier et al. [155]
usando espectroscopia de reflectância do infravermelho próximo como uma ferramenta de
triagem de alto rendimento para resistência a pragas e doenças em um programa de melhoramento
genético da cana-de-açúcar. Espectroscopia de Reflectância do infravermelho próximo previu a
componentes constitutivos de resistência a pragas e doenças em germplasms do programa de
melhoramento genético da cana-de-açúcar da África do Sul. Duzentos e vinte e dois genótipos
foram analisados durante o 1100-2300 nm Faixa de comprimento de onda por uma sonda de fibra
ótica. Mínimos quadrados parciais (PLS) regressões foram aplicados a bud, Entrenó e espectros
de folhas que foram pré-tratados (segunda derivada) e de dispersão (SNV e detrending corrigida).
Modelos de calibração resultante da correlação entre as medições e

os sensores NIR 2014, 14200922

avaliações existentes deu para calibração, coeficientes de determinação (r , o quanto mais
próximo de 1, melhor) e os erros padrão de previsão por correção de alavancagem (SEP, menor
o melhor) de 1,19 0,72 (SEP) para a broca da haste (Eldana saccharina), 0,62 (SEP) para 1,50
(Sporisorium scitamineum sujeira), 0,62 (SEP) para a cana-de-Açúcar 1,07 tripes (Fulmekiola
serrata) 1,02 e 0,67 (SEP) para castanho ferrugem (Puccinia melanocephala) avaliações. Apoorva
et al. [156] avaliou índices de vegetação para a fenotipagem de precisão de distribuição
quantitativa de reacções de ferrugem do trigo. Cento e vinte genótipos de trigo Indiano foram
escaneados usando um dispositivo óptico do sensor GreenSeeker para registrar o índice de
vegetação da diferença normalizada (NDVI) e um dispositivo portátil medidor de clorofila de
plantas mediu o teor de clorofila foliar. Os resultados indicam que o ndvi em terra temporal é
mais eficaz para estudar a ferrugem 2 quantitativos reação com um coeficiente de regressão
significativa (r = 0,63) entre a área abaixo da curva de progresso da doença e dados de NDVI,
teor de clorofila, seguido do
índice 2 (r = 0,37).
Para fenotipagem vegetal, um investigador a possibilidade de usar bandas específicas no
NIR para a região do infravermelho médio para estimar o conteúdo de água dos tecidos e não
invasiva para projetar protocolos de triagem para respostas diferenciais genotípica de seca
[64.157.158]. Por exemplo, Cabrera et al. [159] usada espectroscopia no infravermelho próximo
para prever com precisão as diferenças genotípicas no kernel e folhas cinzas e nitrogênio em
milho cultivado sob diferentes tratamentos de água. Espectroscopia no infravermelho próximo
também tem sido proposto para predizer a assinatura isotópica associados genotípica de
adaptação ao estresse hídrico, tais como a composição dos isótopos estáveis de carbono e
oxigênio [160] [159] em amêndoas maduras. Em alargar o número de comprimentos de onda
medidos, espectroscopia de imagem abre novas possibilidades para a extração de características
espectrais relacionadas com a fitossanidade e o estado de doença.
2,4.3. Vantagens e limitações
do uso de espectroscopia no infravermelho próximo e reflectância espectral técnicas de
fenotipagem vegetal é muito promissor. Suas aplicações na sua infância são maduros e confiáveis.
Quando combinado com plataformas aéreas (como helicópteros, balões e guindastes), é muito
bem adaptado para fenotipagem de campo.
Actualmente, o limite de empregando espectroscopia de imagem para aplicações high-
throughput screening é o grande volume de dados que podem ser gerados a partir de imagens
espectrais. Além disso, os custos de câmaras de imagem multiespectral hyperspectral ou são
relativamente caros, que, entre outras razões, impede sua ampla adopção pelos programas de
melhoramento.
2,5. Outras técnicas de imagem
.2,5 1. Algumas técnicas de mapeamento 3D de plantas disponíveis o sensor de imagem
tecnologias usadas para o mapeamento 3D de plantas actualmente são principalmente light
detection and Ranging (LIDAR) (ou sensores de laser scanner) [161], visão estéreo [39,82],
dispositivos de mistura de fótons (PMD) tempo-de-voo câmaras [79] e até mesmo consumidor-
interface de jogos Microsoft Kinect [162.163]. Com sua maior robustez, precisão e resolução, o
mais conhecido e mais utilizado tipo de sensor 3D para reconstrução do dossel é lidar [164-166].
Ele cria precisas e modelos 3D detalhados por projecção de luz estruturada e laser scanners. No
entanto, pode ser caro, complexo e exigem imagens mais vezes. Os leitores a laser têm sido
utilizados para rápida

Sensores LAI 2014, 1420093

mapeamento [167] e para estimar a área da fábrica de perfis de densidade de um dossel
de trigo [168]. Light Detection and Ranging (LIDAR) ou laser (scanner) é uma técnica de
sensoriamento remoto ativo mentiroso que utiliza sensores para medir a distribuição de planta
3D marquises diretamente. Após ser processado para estruturas geométricas associadas com
órgãos vegetais, 3D a partir de dados LIDAR métodos podem fornecer mapas topográficos de
alta resolução e altamente estimativas precisas de vegetação alta, cobertura, estruturas e canopy
[161.168]. Além disso, quando combinado com fluorescência, escaneamento a laser permite a
avaliação de desempenho fotossintético e tem potencial em áreas como plant pathology [169].
Visão estéreo tem duas ou mais câmaras ou estruturas a partir de técnicas de movimento
3D de dados. No entanto, a correspondência estéreo profundidade e precisão variam com o tipo
de algoritmo utilizado. A correspondência local algoritmos são eficientes, mas menos precisas
do que as globais. Além disso, o desempenho é afetado negativamente pela falta de textura na
superfície do objeto. Visão estéreo tem sido utilizado com sucesso no interior; por exemplo,
Mizuno et al. [170] visão estéreo utilizado para detecção de murcha e takizawa et al. [171] visão
estéreo utilizado para construir modelos 3D de plantas. A partir desses modelos, as informações
extraídas, tais como a altura de planta, área foliar e formas são úteis na fenotipagem vegetal. Em
operações de campo, tem sido bem sucedido para imagens em escalas maiores, como quando
Rovira et al. [172] As imagens estéreo antena utilizada para estimativa de crescimento. O uso de
visão estéreo para detecção espacial de plantas de milho tanto no interior como no exterior tem
sido demonstrada por Jin et al. [173]. Em certa medida, tomando estas medidas estruturais com
visão estéreo foi tentada no exterior. Ivanove et al. [174] usado top imagens estéreo de plantas de
milho no campo para encontrar parâmetros estruturais, tais como a orientação da folha, área
foliar, distribuição e posição de folha para, em seguida, construir um modelo do dossel. Depois
de efectuar uma análise destrutiva da planta para ver as folhas internas, as propriedades do
modelo 3D não foram promissores. No entanto, os métodos e aparelhos de imagem melhoraram
muito desde então. Além disso, a textura, a luz solar é também um importante fator que afeta o
desempenho de visão estéreo. Para evitar a luz solar, uma sombra é usado ou experimentos são
realizados em dias nublados [175]. A luz solar forte e o processo de correspondência estéreo
reduzir a eficácia da visão estéreo e limitar o âmbito ou a escala da aplicação.
Avanços recentes no tempo de voo, com base em sensores de gama revolucionaram a
indústria, e diversas marcas de off-the-shelf Câmeras 3D estão disponíveis no mercado. Estas
câmaras utilizam emissores de infravermelho próximo e geralmente produzem imagens de
profundidade de baixa resolução. A sua resolução foi gradualmente aumentando ao longo dos
últimos anos. Eles podem produzir uma alta taxa de quadros (até 50 fps) e a profundidade das
imagens e, portanto, são altamente adequado para aplicações em tempo real. No entanto, seu
desempenho é afetado pela luz solar [176]. Em comparação com visão estéreo e lidar, menos
aplicativos de câmera ToF para fenotipagem vegetal ter aparecido. No entanto, elas são caras em
relação aos sistemas 3D convencionais. A Kraft et al. [177] e Klose et al. [79] investigaram a
viabilidade de câmeras ToF para análise. Eles descobriram que é um bom candidato para a
fenotipagem vegetal mas não conta para ele (ele: um parâmetro controlável relacionado com o
comprimento de tempo o sensor integra o sinal devolvido), que é um parâmetro muito importante,
e, sem ele, a SQE avaliação dos dados torna-se um tanto sem sentido. Alenya et al. [178] usou
uma câmera ToF no interior, combinando dados de profundidade com imagens RGB para folhas.
Indo um passo além, Song et al. [179] Imagens ToF combinado com imagens estéreo para
medições de área foliar de plantas em casa de vegetação para aumentar a resolução e a
profundidade dos dados.
Uma câmera ToF foi utilizada em campos de milho para medição do espaço inter-planta
[180]. Vento e luz solar foram bloqueados de vista usando uma sombra. Baixa resolução e
sensibilidade para iluminação exterior tornaram-se dois grandes desafios para aplicações ToF.

1420094 2014 sensores,

 recentemente, o baixo custo Microsoft Kinect tem sido utilizada para a investigação
fenotipagem [82.162]. Este instrumento tem baixa resolução e é altamente sensível a iluminação
exterior, limitando sua aplicação.
2,5.2. Imagens tomográficas por MRI, PET CT ou
RNM (Ressonância Nuclear Magnética) utiliza ressonância magnética nuclear para gerar
imagens 1 e detecta sinais de ressonância nuclear magnética, originários de H, 13C, 14N
e 15N. A ressonância nuclear magnética podem adquirir conjuntos de dados em 3D de estruturas
da planta e podem ser usadas em sementes [181], sistemas de raiz completa crescendo em ou
perto de solo natural [182] e plantas inteiras [183]. Além disso, a RM pode descrever as
representações 3D da distribuição da água e deve ser aplicado para a quantificação não-invasiva
de plantas ou órgão para estimar o teor de água e difusão de água e o transporte de água [184], e
para descobrir moléculas marcadas [181].
PET (Tomografia por Emissão de Pósitrons) é uma técnica de imagem nuclear que produz
uma imagem 3D ou imagem de um processo funcional. Detecta pares de raios gama, que são
emitidos indirectamente por radionuclídeos emissores de pósitrons. Pode-imagem não invasiva a
distribuição dos compostos, como 11C [185], 13 52 N [186], ou Fe [187]. Quando o CO2 é
consumido durante a fotossíntese, o transporte de
11C-rotuladas foto-assimila pode ser repetidamente imagens em 3D por animal de
estimação. Este modo de imagem pode dissecar domínios no transporte de órgãos vegetais, e
fornece parâmetros quantitativos, tais como as velocidades de transporte e a taxa de perda de
lateral ao longo de caminhos de transporte [188]. Quando utilizado em combinação com RM,
pode fornecer características estruturais e funcionais e podem ser usados para analisar o
transporte de água e de compostos rotulados de forma independente.
X-ray CT (tomografia computadorizada por raios X) é uma tecnologia que usa o
computador-processados de raios-X para produzir imagens tomográficas de áreas específicas do
objeto digitalizado e pode gerar uma imagem 3D do interior de um objeto a partir de uma grande
série de imagens radiográficas 2D tomadas em torno de um único eixo de rotação. Esta técnica
pode fornecer dados volumétricos para várias estruturas com diferentes densidades do solo tais
como heterogeneidade estrutural [189] e estruturas da planta [190], pode medir a arquitetura do
sistema radicular (um viés de 8%) [10]. Em sistemas de arquitetura do sistema radicular, o CT
método tem sido aplicado a um certo número de espécies, incluindo cevada, milho, Arabidopsis,
trigo e grão-de-bico [191-195]. As limitações do CT são os custos e tempos de digitalização.
No entanto, as tecnologias de imagem tomográfica permanecer baixa taxa de transferência
e a sua segmentação de imagem e reconstrução deve ser melhorada para fenotipagem vegetal de
alto rendimento.
 Como descrito acima, embora as técnicas de imagens individuais são capazes de revelar
sintomas nos estágios iniciais para uma ampla gama de tensões, eficaz a discriminação entre
salienta causal é melhorada através da utilização de vários sensores (como a imagem térmica e
fluorescência imaging) que monitoram os processos fisiológicos diferentes. Por exemplo, tanto o
estresse hídrico e a deficiência de nitrogênio pode reduzir o teor de clorofila (que é revelada por
mudanças nas imagens de fluorescência), mas o estresse hídrico, normalmente, tem um efeito
mais rápido e mais pronunciado no encerramento estomática (detectada pela imagem térmica),
dado que apenas o estresse provoca a murchidão das folhas. O estresse hídrico também irá inibir
a fotossíntese pela limitação estomática de absorção de CO2, o que afetará a emissão de
fluorescência da clorofila. A cinética de emissão de fluorescência da clorofila provavelmente irá
diferir entre estresse hídrico e a deficiência de nitrogênio [196]. Para visualizar a dinâmica da
condutância descoordenação para interpretar a heterogeneidade

sensores 2014, 1420095

de condutância e possivelmente ligados respostas fotossintéticas, é necessário ter multi-
sensor fusion-plataformas fenotipagem [197].
3. Exemplos de plataformas de fenotipagem
combinando avanços em tecnologias de detecção, a tecnologia de controle automático, e
a aeronáutica, computação está preparando o caminho para o desenvolvimento de ambiente
controlado fenotipagem baseados em plataformas e plataformas baseadas em campo (mostrado
na Tabela 3). Recentemente, ambiente controlado fenotipagem baseados em plataformas foram
vendidas comercialmente ou desenvolvidas no domínio público e foram implantados em câmaras
de crescimento ou estufas. Essas plataformas são projetados especificamente para a investigação
e a fenotipagem em grande escala para uma gama limitada de espécie, englobando rosette
pequenas plantas, como Arabidopsis [15,27] e as principais culturas de cereais [13,29,198].
Grande parte da discussão destas plataformas tem focado a medição intensivo de plantas
individuais usando plataformas que combinam a robótica e a análise de imagens com ambiente
controlado sistemas [15]. No entanto, o uso de ambientes controlados para representar ambientes
de campo tem limitações conhecidas. Com efeito limitado espaço ou volumes de câmara muitas
vezes não permitem que plantas a flor e semente, tornando-se impossível avaliar os efeitos do
estresse durante o crescimento reprodutivo. O volume de solo que é fornecida para as plantas em
ambientes controlados é geralmente muito menor do que a disponível para as plantas no campo,
que afectam os regimes de água e nutrientes e a alteração dos padrões normais de crescimento e
desenvolvimento.
Ambientes controlados fechados também são problemáticos para a caracterização de
respostas relevantes para ambientes de campo. Por exemplo, estufas ou câmaras, radiação solar,
velocidade do vento e as taxas de evaporação são geralmente menores do que eles estão sob
situações ao ar livre. Pesquisadores têm focado em melhorias no nível de campo potencial de
rendimento ou de tolerância ao estresse abiótico que favorece a fenotipagem campo-baseados.
Fenotipagem campo plataformas são cada vez mais reconhecidas como a única ferramenta para
fornecer a necessária transferência em termos de números de plantas ou populações e uma
descrição precisa de expressão de traço no mundo real [31].
Tabela 3. Vantagens e desvantagens sobre plataformas de fenotipagem típicas [41].
O tipo de plataforma do fenótipo Vantagens Desvantagens
automaticamente a operação contínua; geralmente caro; só pode monitorar um ambiente
controlado com base boa repetibilidade número limitado de parcelas
muito flexível; implantação geralmente levam um longo tempo para cobrir um campo,
para Terra com base boa capacidade para GPS/GIS; marcação sujeita a diversas condições
ambientais muito boa resolução espacial
podem cobrir todo o tempo do experimento, em um tempo muito curto, obtendo um
limitações sobre o peso da carga útil; antena espacial com base instantâneo de todas as parcelas
sem resolução depende de
mudanças de altitude e velocidade em condições ambientais

do campo incluem plataformas baseadas no solo e métodos baseados em antena.

Fenotipagem de terra incluem plataformas e sensores de detecção de veículos modificados, que
são muitas vezes referida como "phenomobiles". Diferentes "phenomobiles" têm sido
desenvolvidos nos últimos anos [31,78,199-202].
Por exemplo, o triticale foi desenvolvido que transporta oito conjuntos de sensores 3D,
dois

sensores de tempo de voo, 20096 2014 14

 câmaras, uma câmara a cores, três sensores de distância a laser, hyperspectral imaging
system e dois sistemas de imagem cortina de luz para medir a altura da planta, peso fresco de
densidade, teor de umidade, densidade de perfilhos, fase de crescimento e conteúdo de nitrogênio
de todas as parcelas, permitindo a triagem de cerca de 250 parcelas por hora [78]. Plataformas de
fenotipagem de terra que os dados a serem capturados no nível das parcelas e exigem pouco pós-
processamento. No entanto, esta plataforma também limita a escala em que as plataformas de
fenotipagem de terra pode ser usado. Além disso, medições simultâneas de todas as parcelas em
um julgamento não são possíveis com as plataformas fenotípicos baseados em terra.
Baseados em plataformas aéreas fenotipagem estão sendo cada vez mais considerado
como uma alternativa para superar as limitações associadas com plataformas fenotípicos
baseados em terra. Baseados em plataformas aéreas fenotipagem permitir a rápida caracterização
de muitas parcelas dentro de minutos. Antena inicial fenotipagem baseados em plataformas
usadas pequenas aeronaves (por exemplo, cortar-pó aviões); no entanto, isso é caro e é difícil de
alcançar com segurança a baixas velocidades necessárias para imagens em alta definição, de
baixa altitude. A geração atual de baseados em plataformas aéreas fenotipagem varia
significativamente em termos da carga, custos iniciais, custos de manutenção e controle.
Recentemente desenvolvidas alternativas incluem phenotowers e dirigíveis. No entanto, estes
tipos de antenas fenotípicos baseados em plataformas têm uma altura máxima de 50 m.
Dirigíveis são balões cheios de hélio, que pode ser realizada em uma posição apropriada
e tem sensores montado embaixo. Suas vantagens são a sua capacidade de transportar uma carga
pesada (vários quilogramas), e eles podem fazer muitos sensores trabalham simultaneamente;
mas eles precisam de muitas pessoas para controlar o armazenamento de espaço considerável
para a inflação. Plataformas aéreos não tripulados são alternativas de dirigíveis, como, por
exemplo, polycopters [203.204] e aviões [205]. Em comparação com dirigíveis, o payload de
plataformas aéreas não tripuladas é menor, mas estes veículos geralmente podem transportar até
2 kg, e eles podem ter pelo menos dois sensores para montagem de imagens simultâneas.
Plataformas aéreas não tripuladas, ter maior controle e autonomia de voo e estão se tornando cada
vez mais acessível. Embora pode ser polycopters maneuvered em uma posição apropriada, os
aviões não tripulados, contando com avanços na aeronáutica e sensores podem obter imagens de
alta qualidade. A autonomia e a área coberta pelos aviões são maiores e os riscos de destruição
por craning são inferiores para polycopters. A maioria das plataformas não tripuladas, levar uma
câmera RGB/CIR e sensor de imagem térmica. Alternativas ao RGB/CIR são câmeras ou
sensores de imagem multiespectral hyperspectral, embora eles aumentam a carga, mas trazem
uma gama enorme de novas possibilidades. Para plataformas não tripuladas, o software inclui
programas para fazer o seguinte:
 (1) luta do plano de missões; (2) reunir as imagens; (3) extrair os dados para as parcelas
dentro das imagens. Um imager é operado a partir do solo. A estação em terra controla a antena
não tripuladas, plataformas, enlace de rádio, transmitindo a posição, altitude e o estado [40,41].
Plataformas multifuncionais que obter uma grande quantidade de imagens e dados e
computação de alta capacidade de armazenamento de dados essenciais em software para
plataformas de fenotipagem. Analisar e gerenciar esses dados representam um outro desafio de
informática, bem como, em particular, quando os projectos se tornam grandes em escala e muitas
pessoas estão envolvidas. Porque uma única imagem tem o potencial para produzir um grande
número de medições ou descrições de fenótipo, esses fatores contribuem para a complexidade da
posterior análise de dados. Billiau et al. [206] face a este problema e descrito como eles
resolveram o desafio. Um sistema de gerenciamento de informações de laboratório já estava no
lugar e foi aumentada com outro shell de programas que tratou o armazenamento de dados,
recuperação e acessibilidade. Como tal, um acesso seguro e rápido manuseio de dados poderia
ser alcançado, assegurando a rápida manipulação de dados, e acesso a todos os cientistas e as
partes interessadas no projeto [207].

2014 sensores, 14200974

. Conclusões
Nesta revisão, avaliamos uma gama de comprimento de onda diferentes técnicas de
imagem na fenotipagem vegetal (Tabela 1). Para os sensores de imagem aplicada a fenotipagem
vegetal, propriedades físicas, conhecimento profundo, robusto, software de análise de imagem e
oleodutos são pré-requisitos para permitir a recolha de dados do fenótipo. Imagem visível para a
estimativa da biomassa e padrões de crescimento em 2D (folhas individuais, para marquises) tem
sido utilizado para culturas em reprodução. Imagens de fluorescência foi utilizado principalmente
para a detecção de doença foliar e a imagem térmica para detecção do status de água da fábrica.
Uma reconstrução 3D de superfície requer calibração para estimativa de biomassa.
Espectroscopia de imagem requer procedimentos padrão para a extração de características
espectrais para reduzir dados brutos na fenotipagem vegetal. Para a RM e a fenotipagem de planta
de PET na triagem, a aquisição dos dados é tempo que consome, e ferramentas de software deve
ser desenvolvido para analisar dados e obter resultados interpretáveis fisiologicamente. Há uma
grande diferença na confiabilidade dos métodos de imagem entre ambientes controlados e o
campo (mostrado na Tabela 2). Esta confiabilidade deve ser considerada para entender o princípio
de medição para cada desenho experimental, sensor adequado a calibração, e a calibração
periódica dos sistemas baseados em imagens.
Para além das revistas técnicas, existem outras tecnologias que levaram a contribuições
significativas para a fenotipagem vegetal nível de entendimento sobre as respostas das plantas
em ambientes heterogêneos, como um protótipo do ressonador de microondas [12] e a cortina de
luz magnética (LCI) [78.200].
O fenótipo do ressonador de microondas podem estimar a biomassa vegetal
dinamicamente em várias resoluções espaciais e temporais, e pode obter imagens de cortina de
luz de contornos de plantas sob diferentes ambientes. Com o refinamento das tecnologias de
imagem atual e o desenvolvimento de novas técnicas, mais informações estarão disponíveis para
ajudar a dissecar planta fenótipos e acelerar fenotipagem vegetal.
Agradecimentos
apoio financeiro do Programa Nacional 863 (2009AA103000 e 2012AA101903), a China
National Science (61233006), Shanghai Comissão de Ciência e Tecnologia, China
(11dz1960203) e Xangai, Pós-graduação e Inovação (horticultura) é reconhecido com gratidão.
Conflitos de Interesse
Os autores declaram não haver conflitos de interesse.
Referências
1. Nações Unidas, Departamento de Assuntos Econômicos e Sociais da Divisão de
População. Disponível online: http://www.unpopulation.org (acessado em 10 de Outubro de
2014).
2. Phillips, R.L. A mobilização da ciência para quebrar barreiras de rendimento. Crop Sci.
2010, 50, S-99-S-108.
3. McMullen, M.D.; Kresovich, S.; villeda, H.S.; Bradbury, P.; Li, H.; Sun, Q.; Flint-
Garcia, S.; Thornsberry, J.; Acharya, C.; Fundos, C. propriedades genéticas da população de
mapeamento de milho associação aninhados. Science 2009, 325, 737-740.

2014 sensores, 14200984

. Jannink, J.-L.; Lorenz, A.J.; Iwata, H. seleção genômica no melhoramento de plantas:
Da teoria à prática. Breve. Funct. Genómica 2010, 9, 166-177.
 5. Newell, M.A.; jannink, J.-L. Seleção genômica no melhoramento de plantas. No
melhoramento genético; Springer:
Berlim/Heidelberg, Alemanha, 2014; pp 117-130.
6. Gaudin, A.C.; Henry, A.; Sparks, A.H.; Slamet-Loedin, I.H. Tendo seca arroz
transgénico triagem para o campo. J. Exp. Bot. 2013, 64, 109-117.
7. Fenotipagem vegetal. Disponível online: www.plantphenomics.com (acessado em 10
de Outubro de 2014).
8. Walter, A.; Seda, W.K.; Schurr, U. efeitos ambientais sobre os padrões espaciais e
temporais de folha e raiz de crescimento. Ann. Planta Rev. bras. 2009, 60, 279-304.
9. Kumar, P.; Huang, C.; Cai, J.; Miklavcic, S.J. Fenotipagem de raiz pela detecção e
classificação de ponta de raiz através de aprendizagem estatística. Solo 2014, 380, 193-209.
10. Flavel, R.J.; Guppy, C.N.; Tighe, M.; WATTS, M.; McNeill, A.; Young, I.M.
Quantificação não destrutivo de cereais, raízes, em solo com alta resolução e tomografia de raios
x. J. Exp. Bot. 2012, 63, 2503-2511.
11. Clark, R.T.; MacCurdy, R.B.; Jung, J.K.; shaff, J.E.; McCouch, S.R.; Aneshansley,
D.J.; kochian, L.V. Fenotipagem de raiz tridimensional com uma nova imagem e plataforma de
software. Fábrica Physiol. 2011, 156, 455-465.
12. Menzel, M.I.; tittmann, S.; Buehler, J.; Preis, S.; Wolters, N.; Jahnke, S.; Walter, A.;
Chlubek, A.; LEÃO, A.; Hermes, N. determinação não-invasiva de biomassa vegetal com micro-
ondas silenciadores.
Ambiente da célula vegetal. 2009, 32, 368-379.
13. Golzarian, M.R.; Frick, R.A.; rajendran, K.; Berger, B.; Roy, S.; TESTER, M.; Lun,
D.S. Inferência exata de biomassa a partir de imagens de alta throughput de cereais. Métodos de
plantas 2011, 7, 1-11.
14. Jansen, M.; Gilmer, F.; biskup, B.; Nagel, K.A.; Rascher, U.; Fischbach, A.; La
Lanterna, S.; Dreissen, G.; tittmann, S.; Braun, S. fenotipagem simultânea de crescimento foliar
e fluorescência da clorofila através de growscreen fluoroscopia permite a detecção de tolerância
ao estresse em Arabidopsis thaliana e outras plantas de Rosette. Funct. Fábrica Biol. 2009, 36,
902-914.
15. Arvidsson, S.; Pérez-Rodríguez, P.; B. Um crescimento Mueller-Roeber, pipeline de
fenotipagem de Arabidopsis thaliana integração de análise de imagem e modelagem área roseta
para quantificação dos efeitos de genótipo. New Phytol. 2011, 191, 895-907.
16. Brewer, M.T.; Lang, L.; Fujimura, K.; Dujmovic, N.; Gray, S.; van der Knaap, E.
Desenvolvimento de um vocabulário controlado e aplicativos de software para analisar a variação
na forma do fruto de tomate e de outras espécies de plantas. Fábrica Physiol. 2006, 141, 15-25.
 17. Monforte, A.J.; Diaz, A.I.; EL-DELGADO, A.; van der Knaap, E. A base genética da
morfologia de frutos em culturas hortícolas: Lições de tomate e melão. J. Exp. Bot. 2014,
doi:10,1093/jxb/eru017.
18. Duan, L.F.; YANG, W.N.; Huang, C.L.; Liu, P. Uma novela baseada em visão de
máquina para a avaliação automática de características relacionadas com a produtividade do
arroz. Métodos de plantas, 7, 2011 doi:10.1186/1746-4811-7-44.
19. Bauriegel, E.; giebel, A.; AJUSTE BR, Herppich Fluorescência da clorofila e
Hyperspectral imaging para analisar o impacto de fusarium culmorum fotossintética na
integridade das espigas de trigo infectadas. 2011 sensores, 11, 3765-3779.

2014 sensores, 142009920

. Rao, N.K.S.; laxman, direito Culturas hortícolas fenotipagem para tolerância a estresses
abióticos. No Climate-Resilient Horticultura: Adaptação e estratégias de mitigação; Springer:
Berlim/Heidelberg, Alemanha, 2013; pp. 147-157.
21. Balachandran, S.; pressa, V.; Kelley, S.; CAMARGO, C.; Robinson, S.; Rohozinski,
J.; Seaton, G.; Sims, D. conceitos de estresse biótico de plantas. Alguns insights sobre o estresse
fisiologia de plantas infectadas pelo vírus, a partir da perspectiva da fotossíntese. Physiol. A
fábrica. 1997, 100, 203-213.
22. Phenodays 2014. Disponível online: http://www.phenodays.com/ (acessado em 10 de
Outubro de 2014).
23. Fiorani, F.; Schurr, U. cenários futuros para fenotipagem de plantas. Ann. Planta Rev.
bras. 2013, 64, 267-291.
24. Phenomics planta australiana de fábrica. Disponível online:
http://www.plantphenomics.org.au/ (acessado em 10 de Outubro de 2014).
25. Eppn é um projecto financiado pela UE com 14 participantes. Disponível online:
http://www.plant- fenotipagem-network.eu/eppn/estrutura (acessado em 10 de Outubro de 2014).
26. Narrativa do projeto trigo ksu-genética. Disponível online:
Projetos/downloads/http://www.wheatgenetics.org/__ProjectNarrative HTP 20130219.pdf
(acessado em 10 de Outubro de 2014).
27. Granier, C.; Aguirrezabal, L.; Chenu, K.; Cookson, S.J.; dauzat, M.; hamard, P.;
thioux, J.J.; Rolland, G.; Bouchier-Combaud, S.; Lebaudy Phenopsis, A., uma plataforma
automatizada para fenotipagem reprodutíveis de respostas ao déficit de água no solo em
Arabidopsis thaliana permitiu a identificação de uma adesão com baixa sensibilidade ao déficit
de água no solo. New Phytol.
2006, 169, 623-635.
28. Deikman, J.; petracek, M.; Ouvido, J.E. A tolerância à seca através da biotecnologia:
Melhorar a tradução do laboratório para campos de agricultores. Curr. J. Biotechnol. 2012, 23,
243-250.
29. Hartmann, A.; Czauderna, T.; Hoffmann, R.; Stein, N.; Schreiber, F. Análise de
imagem Htpheno: Um oleoduto para fenotipagem vegetal de alto rendimento. BMC Bioinf. 2011,
12, 148.
30. Yang, W.; Duan, L.; Chen, G.; Xiong, L.; Liu, P. planta e alto rendimento phenomics:
Acelerar a fenotipagem da genómica funcional de arroz utilizando tecnologias pluridisciplinares.
Curr.
J. Fábrica Biol. 2013, 16, 180-187.
31. Branco, J.W.; Andrade-Sanchez, P.; Gore, M.A.; BRONSON, K.F.; coffelt, T.A.;
Conley, M.M.; Feldmann, K.A.; Francês, A.N.; Heun, J.T.; hunsaker, R. Phenomics campo para
investigação genética vegetal. Colheitas de Campo. 2012, 133, 101-112.
32. Walter, A.; Studer, B.; Kölliker, R. fenotipagem avançado oferece oportunidades para
uma melhor reprodução de espécies forrageiras e turfe. Ann. Bot. 2012, 110, 1271-1279.
33. Berger, B.; Pai, B.; TESTER, M. High-Throughput atirar para o estudo de imagens
seca as respostas.
J. Exp. Bot. 2010, 61, 3519-3528.
34. Von Mogel, K. Tendo o phenomics revolução no campo. Notícias CSA Mag. 2013,
58, 4-10.
35. Análise de imagens de plantas. Disponível online: http://www.plant-image-
analysis.org/ (acessado em 10 de Outubro de 2014).
36. Leister, D.; Varotto, C.; pesaresi, P.; Niwergall, A.; salamini, F. Avaliação em grande
escala de crescimento de planta em Arabidopsis thaliana por análise de imagem não-invasivos.
Fábrica Physiol. Vet. 1999, 37, 671-678.
37. Mühlich, M.; Truhn, D.; Nagel, K.; Walter, A.; scharr, H.; aach, T. medindo o
crescimento de raiz de planta. Em reconhecimento de padrões; Springer: Berlim/Heidelberg,
Alemanha, 2008; pp. 497-506.
 2014 sensores, 142010038
. Paproki, A.; sirault, X.; Lourenço, S.; Furbank, R.; Fripp, J. Uma nova técnica de
processamento com base em malha 3D para análise de plantas. Planta BMC Biol. 2012, 12, 63.
39. Biskup, B.; scharr, H.; Schurr, U.; Rascher, U. um sistema de imagens estéreo para
medição de parâmetros estruturais de marquises. Ambiente da célula vegetal. 2007, 30, 1299-
1308.
40. Araus, J.L.; Cairns, J.E. Campo fenotipagem de alta throughput, melhoramento
genético: a nova fronteira.
Fábrica de tendências Sci. 2014, 19, 52-61.
41. Deery, D.; Jimenez-Berni, J.; SILVA, H.; sirault, X.; Furbank, R. de sensoriamento
remoto Proximal buggies e potenciais aplicações para fenotipagem campo-baseados. Agronomia
2014, 4, 349-379.
42. Joosen, R.V.L.; Arends, D.; Willems, L.A.J.; Ligterink, W.; Jansen, R.C.; Hilhorst,
H.W.
Visualização da paisagem genética de arabidopsis o desempenho das sementes. Fábrica
Physiol. 2012, 158, 570-589.
43. Joosen, R.V.; Kodde, J.; Willems, L.A.; Ligterink, W.; van der Plas, L.H.; Hilhorst,
H.W.
Germinador: um pacote de software para o scoring de alta taxa de transferência e ajuste
de curvas de germinação de sementes de arabidopsis. Fábrica J. 2010, 62, 148-159.
44. Ikeda, M.; Hirose, Y.; Takashi, T.; Shibata, Y.; Yamamura, T.; Komura, T.; Doi, K.;
Ashikari, M.; Matsuoka, S.; Kitano, H. Análise de traços de panículas de arroz e detecção de qtls
utilizando um método de análise de imagem. Raça. Anim. Sci. 2010, 60, 55-64.
45. Iyer-Pascuzzi, A.S.; Symonova, O.; Mileyko, Y.; Hao, Y.; Belcher, H.; harer, J.;
Weitz, J.S.; Benfey, P.N. Análise de imagem e plataforma para fenotipagem automática e traço
de ranking de sistemas de raiz de planta. Fábrica Physiol. 2010, 152, 1148-1157.
46. Dias, H.B.; Brunel-Muguet, S.; Dürr, C.; Huguet, T.; Demilly, D.; Wagner, M. H.;
Teulat-Merah, B. ANÁLISE DE QTLS a germinação de sementes e crescimento de pré-
emergência em temperaturas extremas em Medicago truncatula. Ferramentaou. Appl. Genet.
2011, 122, 429-444.
47. Nagel, K.A.; Putz, A.; Gilmer, F.; Heinz, K.; Fischbach, A.; Pfeifer, J.; Faget, M.;
Blossfeld, S.; Ernst, R.; Dimaki, C. é uma novela Growscreen-Rhizo robô fenotipagem
permitindo medições simultâneas de crescimento radicular e da parte aérea de plantas cultivadas
em solo rhizotrons cheios. Funct. Fábrica Biol. 2012, 39, 891-904.
48. Grift, T.; Oliveira, J.; Bohn, M. fenotipagem de alto rendimento tecnologia para milho.
Biosyst. O ENG. 2011, 110, 40-48.
49. Hoyos-Villegas, V.; Houx, A.; SINGH, S.; F. Ground-Based Fritschi, imagem digital
como uma ferramenta para avaliar o crescimento e produtividade da soja. Crop Sci. 2014,
doi:10,2135/cropsci2013.08.0540.
50. Moshou, D.; Bravo, C.; Oberti, R.; West, J.; Bodria, L.; McCartney, A.; Ramon, H.
doenças das plantas detecção baseada na fusão de dados de hiper-espectral e multi-espectral de
imagens de fluorescência usando mapas de kohonen. Imagens em Tempo Real 2005, 11, 75-83.
51. Bürling, K.; Hunsche, M.; Noga, G. rendimento quântico de dissipação de energia
não-regulamentados em psii (y (n)) para a detecção precoce da ferrugem da folha (Puccinia
triticina) infecção em cultivares suscetíveis e resistentes de trigo (Triticum aestivum L.),
cultivares. Prec. Agric. 2010, 11, 703-716.
52. Baker, S.E. Fluorescência da clorofila: uma sonda de fotossíntese in vivo. Annu.
Planta Rev. bras.
2008, 59, 89-113.
53. Harbinson, J.; Prinzenberg, A.E.; Kruijer, W.; aarts, M.G. High throughput screening
com imagens de fluorescência da clorofila e sua utilização no melhoramento da cultura. Curr. J.
Biotechnol.
2012, 23, 221-226.

2014 sensores, 142010154

. Woo, N.S.; Badger, M.R.; pogson, B.J. Um rápido, não-invasivo para avaliação
quantitativa da sobrevivência seca utilizando fluorescência da clorofila. Métodos de plantas 2008,
4, 27.
55. Rascher, U.; Agati, G.; Alonso, L.; cecchi, G.; Champagne, S.; Colombo, A.; Damm,
A.; Daumard, F.; Miguel, E.D.; Fernandez, G.2 Cefles: o componente de sensoriamento remoto
para quantificar a eficiência fotossintética da folha da região de medição por fluorescência
induzida por do sol em bandas de absorção do oxigênio. Biogeosci. Discutir. 2009, 6, 2217-2266.
 56. Munns, R.; Tiago, R.A.; sirault, X.R.; Furbank, R.T.; SILVA, R. Novos métodos
fenotípicos para a triagem de trigo e cevada para respostas benéficas ao déficit hídrico. J. Exp.
Bot. 2010, 61, 3499-3507.
57. Swarbrick, P.J.; Schulze-Lefert, P.; Scholes, J.D. conseqüências metabólicas de
suscetibilidade e resistência (corrida-específico e de amplo espectro) em folhas de cevada
desafiados com oídio.
Ambiente da célula vegetal. 2006, 29, 1061-1076.
58. Rousseau, C.; Belin, E.; Bove, E.; Rousseau, D.; Fabre, F.; Berruyer, R.; Guillaumès,
J.; Manceau, C.; Jacques, M.-A.; boureau, T. alta taxa de transferência de dados fenotípicos
quantitativos de resistência de plantas utilizando a análise de imagens de fluorescência da
clorofila. Métodos de plantas 2013, 9, 17.
59. Chaerle, L.; Hagenbeek, D.; De Bruyne, E.; Van der Straeten, E. imagens de
fluorescência da clorofila para resistência à doença de rastreio de açúcar de beterraba. Órgão de
tecido de células vegetais Cult. 2007, 91, 97-106.
60. Mishra, K.B.; Iannacone, R.; petrozza, A.; Mishra, A.; Armentano, N.; la Vecchia, G.;
Trtílek, M.; Cellini, F.; Nedbal, L. desenvolvido tolerância à seca em plantas de tomate é refletido
na emissão de fluorescência da clorofila. Ficção Científica de plantas. 2012, 182, 79-86.
61. Lootens, P.; Devacht, S.; Baert, J.; van Waes, J.; van Bockstaele, E.; Roldán-Ruiz, I.
Avaliação de estresse de frio de jovens chicória (Cichorium intybus L.) por imagens de
fluorescência da clorofila a. II. Cinética de relaxamento escuro. Photosynthetica 2011, 49, 185-
194.
62. Manickavasagan, A.; Jayas, D.; BRANCO, A. A imagem térmica para detectar
infestação por Cryptolestes ferrugineus dentro de kernels de trigo. J. Empurrão armazenado. Res.
2008, 44, 186-192.
63. Araus, J.L.; serret, M.D.; Edmeades, G.O. Milho fenotipagem de adaptação à seca.
24. Physiol. 2012, 3:10,3389, doi/fphys.2012.00305.
64. Jones, H.G.; serraj, R.; Loveys, B.R.; Xiong, L.; Wheaton, A.; Preço, A.H. Thermal
Infrared Imaging marquises de cultura para o diagnóstico e quantificação de respostas ao estresse
de água no campo. Funct. Fábrica Biol. 2009, 36, 978-989.
65. Sakamoto, T.; Shibayama, M.; Kimura, A.; Takada, E. Avaliação de câmera digital
em índices de vegetação derivados do quantitativo de crescimento sazonal de arroz. ISPRS J.
Photogramm.
Remote Sens. 2011, 66, 872-882.
66. Shibayama, M.; Nakashima, T.; Takada, E.; Inoue, A.; Morita, K.; Takahashi, W.;
Kimura, A.
 Estimativa do índice de área foliar do arroz paddy com ponto fixo de observação contínua
de reflectância do infravermelho próximo calibrado usando uma câmera digital. Produto Vegetal.
Anim. Sci. 2011, 14, 30-46.
67. Shibayama, M.; Nakashima, T.; Takada, E.; Inoue, A.; Morita, K.; Yamaguchi, T.;
Takahashi, W.; Kimura, A. modelos de regressão para predição do índice de área foliar de arroz
usando ponto fixo bienal observações contínuas do infravermelho próximo de imagens digitais.
Produto Vegetal. Anim. Sci. 2011, 14, 365-376.

2014 sensores, 142010268

. Bolon, Y.-T.; Haun, R.; Xu, W.W.; conceder, D.; Stacey, M.G.; Nelson, R.T.; Gerhardt,
D.J.; jeddeloh, J.A.; Stacey, G.; muehlbauer, G.J. Análises genômicas e fenotípica da população
mutante neutrões rápidos recurso em soja. Fábrica Physiol. 2011, 156, 240-253.
69. Cook, J.P.; McMullen, M.D.; Holland, J.B.; Tian, F.; Bradbury, P.; Ross-Ibarra, J.;
Escudo, E.S.; Flint-Garcia, S.A. a arquitetura genética de milho na composição do kernel nested
association associação puras e mapeamento de painéis. Fábrica Physiol. 2012, 158, 824-834.
70. Spielbauer, G.; Armstrong, P.; Baier, J.W.; Allen, W.B.; Richardson, K.; Shen, B.; se
assenta, A.M.
high-throughput espectroscopia de reflectância do infravermelho próximo para a predição
de composição quantitativa e qualitativa de fenótipos de milho individuais kernels. Cereal Chem.
2009, 86, 556-564.
71. Blum, A.; Mayer, J.; Gozlan, G. detecção térmica infravermelha de dosséis vegetais
como uma técnica de triagem para evitar desidratação em trigo. Colheitas de Campo. 1982, 5,
137-146.
72. Huang, J.; Liao, H.; Zhu, Y.; Sol, J.; Sun, Q.; LIU, X. Hyperspectral detecção de folha
de arroz arroz danificada pela pasta (cnaphalocrocis medinalis). Comput. Electr. Agric. 2012, 82,
100-107.
73. Nguyen, H.T.; Lee, B.-W. Avaliação do crescimento foliar de arroz e status de
nitrogênio hyperspectral reflectância do dossel e regressão de mínimos quadrados parciais. Eur.
J. Agric. 2006, 24, 349-356.
 74. Liu, J.-Y.; Shi, J. J.; Zhang, L. W.; HUANG, J.-F. A discriminação de panículas de
arroz por refletância hyperspectral dados com base na análise de componentes principais e
classificação de vetor de suporte. J. Zhejiang Univ. Sci. B 2010, 11, 71-78.
75. Singh, C.B.; Jayas, D.S.; paliwal, J.; BRANCO, N.D. Identificação de inseto-
estragado kernels trigo uso de onda próximo do infravermelho e cor digital hyperspectral
imaging. Comput. Electr. Agric.
2010, 73, 118-125.
76. Yang, Y.; Chai, R.; Ele, Y. detecção precoce de brusone (Pyricularia) na fase de mudas
no nipponbare variedade de arroz utilizando infravermelho próximo hyper-espectral da imagem.
Afr. J. Biotechnol. 2014, 11, 6809-6817.
77. Matsuda, O.; Tanaka, A.; Fujita, T.; Iba, K. Hyperspectral técnicas de imagem para a
rápida identificação de mutantes de arabidopsis com alteração de status de pigmento de folhas.
Célula vegetal Physiol. 2012, 53, 1154-1170.
78. Busemeyer, L.; Mentrup, D.; Möller, K.; Wunder, E.; alheit, K.; Hahn, V.; Maurer,
H.P.; Reif, J.C.; Würschum, T.; Müller, J.-Breedvision de um sensor multi-plataforma para testes
não-destrutivos fenotipagem campo-baseados no melhoramento de plantas. 2013 sensores, 13,
2830-2847.
79. Klose, R.; Penlington, J.; Ruckelshausen, A. Estudo de Usabilidade do 3D tempo-de-
voo automático de câmeras para fenotipagem de plantas. Bornimer Agrartech. Ric. 2009, 69, 93-
105.
80. Van der Heijden, G.; Música, Y.; Horgan, G.; Polder, G.; dieleman, A.; Bink, M.;
Palloix, A.; van Eeuwijk, F.; Glasbey, C.: picante para fenotipagem automatizado de grandes
plantas de pimentão em estufa. Funct. Fábrica Biol. 2012, 39, 870-877.
81. Reis, R.J. Avaliação de métodos fenotípicos para o milho. Tese de Mestrado,
Universidade de Illinois em Urbana-Champaign, Urbana, Illinois, 2013.
82. Paulus, S.; Behmann, J.; A.-Mahlein, K.; plümer, L.; Kuhlmann, H. 3D de baixo custo
sistemas:
ferramentas adequadas para fenotipagem de plantas. 2014 sensores, 14, 3001-3018.
83. Paulus, S.; Dupuis, J.; Riedel, S.; Kuhlmann, H. análise automatizada de cevada
órgãos usando 3D laser scanning: Uma abordagem para fenotipagem de alto rendimento. 2014
sensores, 14, 12670-12686.
 2014 sensores, 142010384
. Fang, S.; Yan, X.; Liao, H. reconstrução 3D e modelagem dinâmica de arquitetura de
raiz in situ e sua aplicação à investigação de fósforo de cultura. Fábrica J. 2009, 60, 1096-1108.
85. Hillnhütter, C.; Sikora, R.; oerke, E. C.; Dusschoten, D. ressonância magnética
nuclear: Uma ferramenta para a criação de imagens belowground danos causados por heterodera
schachtii e Rhizoctonia solani em açúcar de beterraba. J. Exp. Bot. 2012, 63, 319-327.
86. Poorter, H.; Bühler, J.; van Dusschoten, D.; Climent, J.; Postma, J.A. Pot size matters:
Uma meta-análise dos efeitos de enraizamento volume sobre o crescimento das plantas. Funct.
Fábrica Biol. 2012, 39, 839-850.
87. Rascher, U.; Blossfeld, S.; Fiorani, F.; Jahnke, S.; Jansen, M.; Kuhn, A.J.; Matsubara,
S.; Märtin, L.L.; Merchant, A.; Metzner, A. abordagens não invasiva para fenotipagem de
características de desempenho aprimorado em feijão. Funct. Fábrica Biol. 2011, 38, 968-983.
88. Yang, W.; XU, X.; Duan, L.; Luo, Q.; Chen, S.; Zeng, S.; Liu, P. High-Throughput
medição de perfilhos de arroz utilizando uma esteira equipados com tomografia computadorizada
por raios x. Rev. Sci. Instrum.
82, 2011, 025102.
89. Karunakaran, C.; Jayas, D.; BRANCO, A. Detecção de sementes de trigo interno
infestação por Rhyzopertha dominica usando imagem de raios-x. J. Empurrão armazenado. Res.
2004, 40, 507-516.
90. Garbout, A.; Munkholm, L.J.; Hansen, S.B.; Petersen, B.M.; Munk, O.L.; pajor, J. O
uso de PET/CT técnica de digitalização 3D para visualização e quantificação de interações
planta/solo. Solo 2012, 352, 113-127.
91. Gregório, P.; Hutchison, D.; Leia, D.; Jenneson, P.; Gilboy, W.; Morton, E. imagem
não invasiva de raízes com alta resolução x-ray micro-tomografia. Em Raízes: O Interface
dinâmico entre as plantas e a terra; Springer: Berlim/Heidelberg, Alemanha, 2003; pp. 351-359.
92. Ollinger, S.V. Fontes de variabilidade na reflectância do dossel e as propriedades
convergente das plantas. New Phytol. 2011, 189, 375-394.
93. Richards, R.A.; Rebetzke, G.J.; Watt, M.; Condon, A.T.; Spielmeyer, W.; Dolferus,
J. Melhoramento para produtividade melhorada de água em regiões temperadas cereais:
FENOTIPAGEM, locos de características quantitativas, marcadores e o ambiente de seleção.
Funct. Fábrica Biol. 2010, 37, 85-97.
94. Chern, C. G.; Ventoinha, M.-J.; Yu, S. M.; Hora, A.-L.; Lu, P. C.; LIN, C. Y.; Wei,
F.-J.; HUANG, S. C.; Chen, S.; Lai, M.-H. Um estudo phenomics arroz fenótipo de pontuação e
propagação de sementes de um t-DNA mutante arroz induzida pela inserção da população.
Fábrica Mol. Biol. 2007, 65, 427-438.
95. Rajendran, K.; TESTER, M.; Roy, S.J. Quantificando os três principais componentes
da salinidade no sector dos cereais. Ambiente da célula vegetal. 2009, 32, 237-249.
96. Munns, R.; TESTER, M. mecanismos de tolerância à salinidade. Annu. Planta Rev.
bras. 2008, 59, 651-681.
97. De Vylder, J.; Vandenbussche, F.; Hu, Y.; Philips, W.; Van der Straeten, E. Rosette
tracker: Uma ferramenta de análise de imagem para a quantificação dos efeitos de genótipo.
Fábrica Physiol.
2012, 160, 1149-1159.
98. Minervini, M.; Abdelsamea, M.M.; Tsaftaris, S.A. Image-Based fenotipagem vegetal
com aprendizagem incremental ativa e contornos. Plant Anal. Inf. 2013, 23, 35-48.

2014 sensores, 142010499

. Casadesus, J.; Kaya, Y.; Bort, J.; Nachit, M.; Araus, J.; Amor, S.; ferrazzano, G.;
Ibrahim, F.; maccaferri, M.; Martos, V. utilizando índices de vegetação provenientes de câmaras
digitais convencionais como critérios de seleção para melhoramento do trigo em ambientes com
limitação de água. Ann. Appl. Biol. 2007, 150, 227-236.
100. Henebry, G.M. Sensoriamento remoto da vegetação: princípios, técnicas e
aplicações.
BioScience 2011, 61, 568-569.
101. Lee, K.-J.; Lee, B.-W. A estimativa de crescimento de arroz e estado nutricional do
nitrogênio utilizando a análise de imagem câmera digital colorida. Eur. J. Agric. 2013, 48, 57-
65.
102. Liu, J.; Pattey, E. Recuperação de área foliar a partir do topo da marquise fotografia
digital sobre culturas agrícolas. Agric. Para. Meteorol. 2010, 150, 1485-1490.
103. Foucher, P.; Revollon, P.; Vigoroux, B.; Chasseriaux, G. Análise Morfológica para
a detecção de estresse hídrico em vasos forsythia. Biosyst. O ENG. 2004, 89, 131-138.
 104. Huang, C.; YANG, W.; Duan, L.; Jiang, N.; Chen, G.; Xiong, L.; Liu, P. sistema de
medição de comprimento de panícula de arroz com base em imagens de câmara dupla. Comput.
Electr. Agric. 2013, 98, 158-165.
105. Chaerle, L.; van der Straeten, E. Ver é acreditar: técnicas de imagem para monitorar
a fitossanidade.
Biochim. Chem. Acta (BBA)-Gene Struct. Expr. 2001, 1519, 153-166.
106. Gorbe, E.; Calatayud, A. Aplicações da fluorescência da clorofila técnica de imagem
horticultura em pesquisa: uma revisão. Anim. Sci. Hortic. 2012, 138, 24-35.
107. Buschmann, C.; lichtenthaler, H.K. Princípios e características de fluorescência
multi-color imaging de plantas. Fábrica J. Physiol. 1998, 152, 297-314.
108. Buschmann, C.; Langsdorf, G.; lichtenthaler, H. Imagem do azul, verde, vermelho e
emissão de fluorescência das plantas: Uma visão geral. Photosynthetica 2001, 38, 483-491.
109. Barbagallo, R.P.; Oxborough, K.; Pallett, K.E.; BAKER, S.E. Uma rápida triagem
não-invasiva para perturbações do metabolismo e crescimento de planta utilizando imagens de
fluorescência da clorofila.
Fábrica Physiol. 2003, 132, 485-493.
110. Lohaus, G.; Heldt, H.; CAMARGO, C. infecção com floema limited abutilon mosaic
virus provoca acúmulo de carboidratos localizadas em folhas de abutilon striatum:
Relacionamentos para desenvolvimento de sintomas e efeitos na fluorescência da clorofila
durante a têmpera por indução fotossintética.
Fábrica Biol. 2000, 2, 161-167.
111. Konishi, A.; eguchi, A.; Hosoi, F.; Omasa, K. monitoramento 3D spatio-temporal
Efeitos de herbicidas em uma planta, utilizando toda a gama de combinados e fluorescência da
clorofila a imagem.
Funct. Fábrica Biol. 2009, 36, 874-879.
112. Chaerle, L.; Lenk, S.; Hagenbeek, D.; Buschmann, C.; Van der Straeten, E.
Multicolor imagens de fluorescência para a detecção precoce da reacção de hipersensibilidade ao
vírus do mosaico do tabaco.
Fábrica J. Physiol. 2007, 164, 253-262.
113. Lenk, S.; Chaerle, L.; Pfündel, E.E.; Langsdorf, G.; Hagenbeek, D.; lichtenthaler,
H.K.; van der Straeten, E.; Buschmann, C. fluorescência e reflectância multiespectral imagens a
nível da folha e suas possíveis aplicações. J. Exp. Bot. 2007, 58, 807-814.
114. Baker, N.R.; Rosenqvist, E. Aplicações da fluorescência da clorofila pode melhorar
estratégias de produção de cultura: um exame das possibilidades futuras. J. Exp. Bot. 2004, 55,
1607-1621.
 2014 sensores, 14 20105115
. Chaerle, L.; leinonen, I.; SILVA, H.G.; van der Straeten, E. Monitoramento e seleção de
populações de plantas com imagem térmica e fluorescência da clorofila. J. Exp. Bot. 2007, 58,
773-784.
116. Rolfe, S.A.; Scholes, J.D. imagens de fluorescência da clorofila de interações planta-
patógeno.
Protoplasma 2010, 247, 163-175.
117. Scholes, J.D.; Rolfe, S.A. imagens de fluorescência da clorofila como ferramenta
para a compreensão do impacto de doenças fúngicas na planta: uma perspectiva de desempenho
phenomics. Funct. Fábrica Biol. 2009, 36, 880-892.
118. Rascher, U.; Pieruschka, R. Spatio-Temporal variações de fotossíntese: o potencial
do sensoriamento remoto ótico para compreender melhor a escala e eficiência do uso da luz e
salienta dos ecossistemas. Prec. Agric. 2008, 9, 355-366.
119. Meroni, M.; Rossini, M.; Guanter, L.; Alonso, L.; Rascher, U.; Colombo, A.;
MORENO, J. sensoriamento remoto de fluorescência da clorofila induzida: revisão de métodos
e aplicações.
Remote Sens. Pesq. Agropec. 2009, 113, 2037-2051.
120. Kaplan, H. aplicações práticas da sensibilidade térmica infravermelha e equipamento
de imagem; Sociedade de Óptica Foto: Bellingham, WA, ESTADOS UNIDOS DA AMÉRICA,
2007; Volume 75.
121. Gaussorgues, G. La Thermographie Infrarouge: Principes; Aplicações de
Tecnologias Tech.& Doc./Lavoisier: Cité en, França, 1999; Volume 99.
122. Nilsson, J.-E. Sensoriamento remoto e análise de imagens em fitopatologia. O CÂN.
J. Plant Pathol.
1995, 17, 154-166.
123. Chaerle, L.; van der Straeten, E. técnicas de imagem e a detecção precoce de estresse.
Fábrica de tendências Sci. 2000, 5, 495-501.
124. Romano, G.; Zia, S.; Spreer, W.; Cairns, J.; Araus, J.L.; Müller, J. fenotipagem
rápida de diferentes variedades de milho sob estresse hídrico, usando imagens térmicas. No
processo do CD do cigr Simpósio Internacional sobre "Bioproduction sustentável de água,
energia e alimentos", Tóquio, janpan, 19-23 de Setembro de, 2011, pp.1-5.
125. Zia, S.; Romano, G.; Spreer, W.; Sanchez, C.; Cairns, J.; Araus, J.; Müller, J. A
imagem latente térmica infravermelha como uma ferramenta para a rápida identificação de
estresse hídrico de diferentes genótipos de milho tolerante a fenologia. J. Agric. Crop Sci. 2013,
199, 75-84.
126. Merlot, S.; Mustilli, A.C.; GENTY, B.; Norte, H.; Lefebvre, V.; Sotta, B.; Vavasseur,
A.; Giraudat, J. Uso de inspeções termográficas para isolar mutantes de arabidopsis com defeito
de condutância regulamento. Fábrica J. 2002, 30, 601-609.
127. Colombo, G.; Vaz-de-Melo, A.; Taubinger, M.; de Faria, E.; Tavares, R.D.C.
Fenotipagem de genótipos de milho sob estresse de alumínio e sua correlação com o rendimento
de grãos. Rev. Agrar. 2014, 7, 60-71.
128. Gonzalez-Dugo, V.; Zarco-Tejada, P.; Nicolás, E.; Nortes, P.; Alarcón, J.; Intrigliolo,
D.; Fereres, E. utilizando imagens de alta resolução térmica de Uav para avaliar a variabilidade
do status de água de cinco espécies de árvores de fruta dentro de um pomar comercial. Prec.
Agric. 2013, 14, 660-678.
129. Alchanatis, V.; Cohen, M.; Cohen, S.; Moller, M.; Meron, M.; Tsipris, J.; Orlov, V.;
Naor, A.; Charit, Z. Fusão de ir e imagens multiespectrais no espectro visível para o modelo
empírico e mapeamento do estado de cultura. Em Actas do Encontro Anual Internacional
ASABE, Portland, OR, Estados Unidos da América, 9 de 12 de Julho de 2006, pp. 9-12.

2014 sensores, 14 20106130

. Leinonen, I.; Jones, H.G. Combinando imagens térmicas e visível para a estimativa da
temperatura do dossel vegetal e identificação de estresse. J. Exp. Bot. 2004, 55, 1423-1431.
131. Möller, M.; Alchanatis, V.; Cohen, Y.; Meron, M.; Tsipris, J.; Naor, A.; Ostrovsky,
V.; Sprintsin, M.; Cohen, S. Utilização de imagens térmicas e visível para estimar o estado da
cultura da videira irrigada. J. Exp. Bot. 2007, 58, 827-838.
132. Knipling, E.B. Base física e fisiológica para a reflectância do visível e do
infravermelho próximo a radiação de vegetação. Remote Sens. Pesq. Agropec. 1970, 1, 155-159.
 133. Ferrio, J.; Bertran, E.; Nachit, M.; Catala, J.; Araus, J. Estimativa de rendimento de
grãos por espectroscopia de reflectância do infravermelho próximo de trigo duro. Pesquisa
Agropecuária Brasileira 2004, 137, 373-380.
134. Cabrera-Bosquet, L.; Molero, G.; Stellacci, A.; Bort, J.; nogués, S.; Araus, J. Ndvi
como uma ferramenta potencial para predição de biomassa, teor de nitrogênio e o crescimento de
plantas em genótipos de trigo submetidos a diferentes condições de água e nitrogênio. Cereal
Res. Commun. 2011, 39, 147-159.
135. Marti, J.; Bort, J.; Slafer, Araus, J. G.; rendimento de trigo pode ser avaliada por
medidas do índice de vegetação da diferença normalizada? Ann. Appl. Biol. 2007, 150, 253-257.
136. Darvishzadeh, R.; SKIDMORE, A.; schlerf, M.; Atzberger, C.; CORSI, M. F.; Cho,
Lai e estimativa de clorofila para uma pastagem hyperspectral heterogêneos utilizando as
medições. ISPRS J. Photogramm. Remote Sens. 2008, 63, 409-426.
137. Serbin, S.P.; Dillaway, D.N.; KRUGER, E.L.; Townsend, A.A. propriedades ópticas
foliares refletir variação no metabolismo fotossintético e sua sensibilidade à temperatura. J. Exp.
Bot. 2011, doi:10,1093/jxb/err294.
138. Zhao, K.; VALLE, D.; Popescu, S.; Zhang, X.; Mallick, B. Hyperspectral remote
sensing Bioquímica de Plantas utilizando modelo bayesiano com média variável e seleção de
banda. Remote Sens.
Pesq. Agropec. 2013, 132, 102-119.
139. Dreccer, M.F.; Barnes, L.R.; Meder, J. dinâmica do quantitativo de carboidratos
solúveis em água de haste de trigo pode ser monitorada no campo usando reflectância
hyperspectral. Colheitas de Campo. 2014, 159, 70-80.
140. Römer, C.; Wahabzada, M.; Ballvora, A.; Pinto, F.; Rossini, M.; panigada, C.;
Behmann, J.; Léon, J.; Thurau, C.; Bauckhage, C. detecção precoce de estresse da seca no sector
dos cereais: Simplex a maximização do volume para análise de imagem hyperspectral. Funct.
Fábrica Biol. 2012, 39, 878-890.
141. Seiffert, U.; Bollenbeck, F.; Mock, matros, A. H.; agrupamento de fenótipos de
cultura por meio de assinaturas Hyperspectral utilizando redes neurais artificiais. Em 2010 Actas
do 2º Workshop sobre processamento de sinal e imagem Hyperspectral: Evolução em
Sensoriamento Remoto (SUSSURRA), Reykjavik, Islândia, 14-16 de Junho de 2010, pp. 1-4.
142. Montes, J.M.; MELCHINGER, A.E.; Reif, J.C. Novas plataformas de fenotipagem
de throughput em estudos genéticos de plantas. Fábrica de tendências Sci. 2007, 12, 433-436.
143. Cabrera-Bosquet, L.; Crossa, J.; von Zitzewitz, J.; serret, M.D.; Luis Araus, J. High-
Throughput fenotipagem e seleção genômica: as fronteiras da cultura pura convergef. J. Integr.
Fábrica Biol. 2012, 54, 312-320.
 144. Claudio, H.C.; Cheng, Y.; Fuentes, D.A.; Mesa, J.A.; Luo, H.; Oechel, W.; Qiu, J.-
L.; Rahman, A.F.; Sims, D.A. Acompanhamento efeitos da seca sobre o teor de água e vegetação
em fluxos lavamposto com a banda de 970 nm índice de água. Remote Sens. Pesq. Agropec.
2006, 103, 304-311.

2014 sensores, 14 20107145

. Mistele, B.; Schmidhalter, U. medições espectrais do total de n e biomassa aérea seca
em milho utilizando um quadrilátero-view óptica. Colheitas de Campo. 2008, 94, 106-103.
146. Schlemmer, M.R.; Francis, D.D.; Shanahan, J.; SCHEPERS, J.S. remotamente a
medição do teor de clorofila em folhas de milho com diferentes níveis de nitrogênio e o teor
relativo de água. Agron. J. 2005, 97, 106-112.
147. Serrano, L.; González-Flor, C.; gorchs, G. Avaliação de produção e composição da
uva, utilizando o índice de reflectância da água com base em vinhas de sequeiro mediterrânico.
Remote Sens. Pesq. Agropec. 2012, 118, 249-258.
148. Thiel, M.; Rath, T.; Ruckelshausen, A. Vegetais medida de umidade em ensaios de
campo com base em imagens espectrais nir-um estudo de viabilidade. Em Anais do 2º Workshop
Internacional sobre análise de imagem de computador na agricultura, Budapeste, Hungria, 26-27
de Agosto de 2010, pp. 16-29.
149. Yi, P.-X.; Bao, A.-M.; Wang, P.; Zhao, J. Estimativa do conteúdo de água da folha
do algodão, por meio de índices hyperspectral. Comput. Electr. Agric. 2013, 90, 144-151.
150. Cheng, T.; Rivard, B.; Sanchez-Azofeifa Espectroscópicos, A. Determinação do
conteúdo de água da folha utilizando análise de wavelet contínua. Remote Sens. Pesq. Agropec.
2011, 115, 659-670.
151. Ullah, S.; Skidmore, A.K.; Groen, T.A.; schlerf, M. Avaliação de três índices
propostos para a obtenção de conteúdo de água da folha a partir de meados da década de onda de
infravermelhos (2-6 μm) spectra. Agric. Para.
Meteorol. 2013, 171, 65-71.
152. Danielsen, S.; Munk, L. Avaliação de métodos de avaliação de doença em quinoa,
pela sua capacidade de prever a perda de produtividade causada pelo míldio. Crop Prot. 2004,
23, 219-228.
 153. Huang, W.; Cordeiro, D.W.; Niu, Z.; ZHANG, Y.; LIU, L.; WANG, J. Identificação
de ferrugem amarela em trigo utilizando in-situ Medições de reflectância espectral e aéreos
hyperspectral imaging.
Precis. Agric. 2007, 8, 187-197.
154. Sasaki, Y.; Okamoto, T.; Imou, K.; Torii, T. diagnóstico automático de doenças de
plantas: Reconhecimento entre saudáveis e doentes na folha. J. Jpn. Soc. Agric. Mach. (Japão)
1999, 61, 119-126.
155. Sabatier, D.; Lua, C.; Mhora, T.; HENRY, R.; Laing, M. reflectância do
infravermelho próximo (NIR) espectroscopia como high-throughput screening tool para
resistência a pragas e doenças em um programa de melhoramento genético da cana-de-açúcar.
Em actas do 86º Congresso Anual do South African Sugar Technologists' Association (2013)
SASTA, Durban, África do Sul, 6-8 de Agosto de 2013, pp. 101-106.
156. Arora, A.; Venkatesh, K.; SHARMA, R.K.; Saara, M.S.; Dilbaghi, N.; Sharma, I.;
TIWARI, S.
Avaliação dos índices de vegetação para fenotipagem de faixa de precisão quantitativa
ferrugem reação em trigo. J. Trigo Res. 2014, 6, 74-80.
157. Seelig, H.D.; Hoehn, A.; stodieck, L.; Klaus, D.; ADAMS III, W.; ESMERIL, W. A
avaliação do conteúdo de água da folha folha usando rácios de reflectância no visível, próximo-,
e infravermelho de onda curta.
Int. J. Remote Sens. 2008, 29, 3701-3713.
158. Elsayed, S.; Mistele, B.; Schmidhalter, U. Pode mudanças no potencial hídrico foliar
espectralmente ser avaliada? Funct. Fábrica Biol. 2011, 38, 523-533.
159. Cabrera-Bosquet, L.; Sanchez, C.; Rosales, A.; Palacios-Rojas, N.; Araus, J.L. Near-
Infrared de reflectância (NIRS) avaliação de δ18o e nitrogênio e cinzas para melhorar o potencial
produtivo e adaptação à seca no milho. J. Agric. Food Chem. 2010, 59, 467-474.

2014 sensores, 14 20108160

. Ferrio, J.; Bertran, E.; Nachit, M.; Royo, Araus, J. C.; espectroscopia de reflectância do
infravermelho próximo como um potencial substituto de método para a análise de d13c em grãos
maduros de trigo duro.
Pastagens Crop Sci. 2001, 52, 809-816.
 161. Omasa, K.; Hosoi, F.; Konishi, A. 3D Imagens lidar para detectar e entender as
respostas das plantas e estrutura do dossel. J. Exp. Bot. 2007, 58, 881-898.
162. Chéné, Y.; Rousseau, D.; lucidarme, P.; Bertheloot, J.; Caffier, V.; Morel, P.; Belin,
É.; Chapeau-Blondau, F. sobre a utilização de câmera 3d de profundidade para fenotipagem de
plantas inteiras. Comput.
Electr. Agric. 2012, 82, 122-127.
163. Azzari, G.; Goulden, M.L.; Rusu, R.B. Uma rápida caracterização da estrutura da
vegetação com um microsoft kinect sensor. 2013 sensores, 13, 2384-2398.
164. Tilly, C.; Hoffmeister, D.; Liang, H.; Cao, Q.; LIU, Y.; Lenz-Wiedemann, V.; Miao,
Y.; Bareth, G.
Avaliação de varredura a laser terrestres de arroz para a monitorização do crescimento.
Int. Arch. Photogramm.
Remote Sens. Cuspiu. Inf. Anim. Sci. 39, 2012, B7.
165. Eitel, J.U.; Magney, T.S.; vierling, L.A.; Brown, T.T.; Huggins, D.R. Lidar com base
de biomassa e estimativas de nitrogênio da cultura, para uma rápida avaliação não-destrutiva de
trigo status de nitrogênio.
Colheitas de Campo. 2014, 159, 21-32.
166. Rosell Polo, J.R.; Sanz, R.; Llorens, J.; Arnó, J.; Escola, A.; Ribes-Dasi, M.; Masip,
J.; Camp, F.; Gracia, F.; solanelles, F. um trator-montado para lidar digitalização a medição não
destrutiva de materiais de volume e área de superfície da fileira de árvores plantações: uma
comparação com medições destrutivas convencionais. Biosyst. O ENG. 2009, 102, 128-134.
167. Gebbers, R.; Ehlert, D.; ADAMEK, R. Rápido Mapeamento do índice de área foliar
em culturas agrícolas.
Agron. J. 2011, 103, 1532-1541.
168. Hosoi, F.; Omasa, K. estimar a área da fábrica vertical do perfil de densidade e
parâmetros de crescimento de um dossel de trigo em diferentes estágios de crescimento utilizando
portátil tridimensional de imagens lidar.
ISPRS J. Photogramm. Remote Sens. 2009, 64, 151-158.
169. Römer, C.; Bürling, K.; Hunsche, M.; Rumpf, T.; Noga, G.; plümer, L. montagem
robusta de espectros de fluorescência para pré-detecção da ferrugem da folha do trigo sintomática
com máquinas de vetor de suporte. Comput. Electr. Agric. 2011, 79, 180-188.
170. Mizuno, S.; Noda, K.; Ezaki, N.; Takizawa, H.; Yamamoto, S. Detecção de murcha
por análise de cor e visão estéreo dados de fábrica. Na visão do computador/Computador
ilustrações técnicas; Colaboração: Springer Berlin/Heidelberg, Alemanha, 2007; pp. 400-411.
 171. Takizawa, H.; Ezaki, N.; Mizuno, S.; Yamamoto, S. reconhecimento de plantas e a
gama de cores através da integração de dados obtidos através de visão estéreo. JACIII 2005, 9,
630-636.
172. Rovira-Más, F.; ZHANG, Q.; REID, J. Criação de mapas de colheita tridimensional
baseada em stereoimages de antena. Biosyst. O ENG. 2005, 90, 251-259.
173. Jin, J.; Tang, L. detecção de plantas de milho utilizando visão estéreo em tempo real.
J. Domínio Robô. 2009, 26, 591-608.
174. Ivanov, N.; boissard, P.; Chapron, M.; Andrieu, B. Computador plotagem estéreo de
3-D de reconstrução de uma marquise de milho. Agric. Para. Meteorol. 1995, 75, 85-102.
175. FrassonP.D., R.M.; Krajewski, W.F. Modelo tridimensional de uma planta de milho.
Agric. Para. Meteorol. 2010, 150, 478-488.

2014 sensores, 14 20109176

. Kazmi, W.; Foix, S.; Alenyà, G.; Andersen, H.J. Imagens de profundidade interior e
exterior de folhas com o tempo-de-voo e sensores de visão estéreo: análise e comparação. ISPRS
J. Photogramm.
Remote Sens. 2014, 88, 128-146.
177. A Kraft, M.; Salomão de Freitas, N.; Munack, A. Teste de um tempo de voo 3d
câmera para moldar as medições das plantas. Em actas do cigr Workshop sobre análise de
imagens em agricultura, Anchorage, AK, ESTADOS UNIDOS DA AMÉRICA, 3 8 de Maio de
2010, pp. 108-115.
178. Alenya, G.; dellen, B.; montsoliu, C. a modelagem 3d de folhas de cor e dados sqe
plantas robotizado para medição. Nos anais do 2011 IEEE International Conference on Robotics
e automação (ICRA), Xangai, China, 13 de Maio de 2011 9; pp. 3408-3414.
179. Música, Y.; Glasbey, C.A.; van der Heijden, G.W.; Polder, G.; dieleman, J.A.
Combinando estéreo e tempo-de-voo imagens com aplicação automática de fenotipagem vegetal.
Na análise de imagens; Springer: Berlim/Heidelberg, Alemanha, 2011; pp. 467-478.
180. Nakarmi, A.; Tang, L. Espaçamento inter-Automática em fases de detecção precoce
de crescimento usando um sensor 3D Vision. Comput. Electr. Agric. 2012, 82, 23-31.
181. Melkus, G.; Rolletschek, H.; Fuchs, J.; radchuk, V.; Grafahrend-Belau, E.;
Sreenivasulu, N.;
 113 Rutten, T.; Weier, D.; Heinzel, N.; Schreiber, F. C/ dinâmica de imagens de RMN H
descobre alocação de açúcar na semente. Fábrica Biotechnol. J. 2011, 9, 1022-1037.
182. Moradi, A.; Oswald, S.; Nordmeyer-Massner, J.; Pruessmann, K.; Robinson, B.;
Schulin, R.
Análise dos perfis de concentração de níquel ao redor das raízes da planta de
hyperaccumulator berkheya coddii utilizando ressonância magnética e simulações numéricas.
Solo 2010, 328, 291-302.
183. Van Como, H.; van Duynhoven, J. A RM de plantas e alimentos. J. Magn. Reson.
2013, doi:10,1016/j.jmr.2012.12.019.
184. Windt, C.W.; Vergeldt, F.J.; de Jager, P.A.; van como, H. A RM de transporte de
água a longa distância: uma comparação entre o floema e xilema das características do fluxo e
dinâmica em poplar, mamona, tomate e tabaco. Ambiente da célula vegetal. 2006, 29, 1715-1729.
185. Jahnke, S.; Menzel, M.I.; van Dusschoten, D.; roeb, G.W.; Bühler, J.; Minwuyelet,
S.; Blümler, P.; temperton, V.M.; Hombach, T.; Streun, M., combinada a RM-PET disseca
mudanças dinâmicas na planta de estruturas e funções. Fábrica J. 2009, 59, 634-644.
186. Kiyomiya, S.; Nakanishi, H.; Uchida, H.; tsuji, A.; Nishiyama, S.; Futatsubashi, M.;
tsukada, H.; Ishioka, N.S.; WATANABE, T. S.; Ito, visualização em tempo real de 13N-
translocação de arroz sob diferentes condições ambientais utilizando emissores de pósitrons
tracer imaging system. Fábrica Physiol.
2001, 125, 1743-1753.
187. Tsukamoto, T.; Nakanishi, H.; Uchida, H.; Watanabe, S.; Matsuhashi, S.; Mori, S.;
Nishizawa, N.K.
(52)Fe translocação de cevada como monitorado por um emissor de pósitrons tracer
imaging system (PETIS): evidência direta para a translocação de fe de raízes e folhas jovens
através do floema. Célula vegetal Physiol. 2009, 50, 48-57.
188. Bühler, J.; Huber, G.; Schmid, F.; Blümler, P. modelo analítico para marcador de
longa distância-transporte nas plantas. J. a ferramentaou. Biol. 2011, 270, 70-79.
189. Pierret, A.; Capowiez, Y.; Belzunces, L.; MORAN, C. reconstrução 3D e
quantificação de macroporos utilizando tomografia computadorizada por raios X e análise de
imagem. Pesquisa Agropecuária Brasileira 2002, 106, 247-271.
 2014 sensores, 14 20110190
. Stuppy, W.H.; Maisano, J.A.; Davis, M.W.; Rudall, P.J.; Rowe, T.B. Análise da estrutura
tridimensional de alta resolução utilizando tomografia computadorizada por raios x. Fábrica de
tendências Sci.
2003, 8, 2-6.
191. Hargreaves, C.E.; Gregory, P.J.; BENGOUGH, A.G. medir caracteres de raiz em
cevada (Hordeum vulgare ssp. Vulgare e ssp. Spontaneum) mudas utilizando câmaras de gel, solo
sacs e x-ray microtomography. Solo 2009, 316, 285-297.
192. Lontoc-Roy, M.; DUTILLEUL, P.; Prasher, S.O.; Han, L.; brouillet, T.; SMITH, R.
Avanços na aquisição e análise de dados de tomografia computadorizada para isolar um sistema
radicular da cultura do solo médio e quantificar a complexidade do sistema radicular em 3-D do
espaço. Pesquisa Agropecuária Brasileira 2006, 137, 231-241.
193. Perret, J.; Al-Belushi, M.; Deadman não destrutivo, visualização e quantificação de
raízes utilizando tomografia computadorizada. Solo Biol. Vet. 2007, 39, 391-399.
194. Tracy, S.R.; Roberts, J.A.; Preto, C.R.; McNeill, A.; Davidson, R.; Mooney, S.J. O
x-factor: a
visualização de arquitetura de raiz não perturbadas de solos utilizando tomografia
computadorizada por raios x. J. Exp. Bot.
2010, 61, 311-313.
195. Lucas, M.; Swarup, R.; Paponov, I.A.; Swarup, K.; Casimiro, I.; LAGO, D.; Peret,
B.; zappala, S.; Mairhofer, Whitworth, M. S.; Short-Root regula, lateral, primária e
desenvolvimento de raiz adventícia em Arabidopsis. Fábrica Physiol. 2011, 155, 384-398.
196. Chaerle, L.; Lenk, S.; leinonen, I.; SILVA, H.G.; van der Straeten, E.; Buschmann,
C.
Plantas Multi-sensor de imagem: Para o desenvolvimento de um catálogo. Biotechnol. J.
2009, 4, 1152-1167.
197. West, J.D.; Pico, D.; Peterson, J.Q.; Mott, K. Dinâmica da condutância patches para
uma única superfície de Xanthium strumarium L. Folhas observadas com fluorescência e imagens
térmicas.
Célula vegetal Ambiental 2005, 28, 633-641.
198. Reuzeau, C.; Caneta, J.; Frankard, V.; de Wolf, J.; Peerbolte, R.; Broekaert, W.; van
Camp, W.
Traitmill descoberta: um motor para a identificação de genes de aprimoramento de
produtividade no sector dos cereais. Mol. Raça de plantas. 2005, 3, 753-759.
 199. Andrade-Sanchez, P.; Gore, M.A.; Heun, J.T.; Thorp, K.R.; Carmo-Silva, A.E.;
Francês, A.N.; salvucci, M.E.; WHITE, R. Desenvolvimento e avaliação de um campo de alto
débito baseadas em plataforma de fenotipagem. Funct. Fábrica Biol. 2014, 41, 68-79.
200. Montes, J.; Technow, F.; Dhillon, B.; mauch, F.; MELCHINGER, A. High-
Throughput determinação de biomassa não-destrutiva durante o início de desenvolvimento da
planta de milho em condições de campo. Colheitas de Campo. 2011, 121, 268-273.
201. Comar, A.; Burger, P.; de Solan, B.; Baret, F.; Daumard, F.; Hanocq, J.-F. Um
sistema semi-automático para fenotipagem de alto rendimento de cultivares de trigo em
condições de campo: Descrição e primeiros resultados. Funct. Fábrica Biol. 2012, 39, 914-924.
202. Svensgaard, J.; Roitsch, T.; Christensen, S. Desenvolvimento de uma plataforma de
imagem multiespectral móvel para fenotipagem de campo precisa. Agronomia 2014, 4, 322-336.
203. Herzlich Willkommen bei tecnologias ascendente. Disponível online:
http://www.asctec.de (acessado em 10 de Outubro de 2014).
204. Mikrokopters. Disponível online: http://www.mikrokopter.de (acessado em 10 de
Outubro de 2014).

2014 sensores, 14 20111205

. Campo fenotipagem de alta throughput, melhoramento genético: a nova fronteira.
Disponível online:
http://repository.cimmyt.org/xmlui/bitstream/handle/10883/3209/98018.pdf?sequence=1
(acessado em 10 de Outubro de 2014).
206. Billiau, K.; Sprenger, H.; Schudoma, C.; Walther, D.; Köhl, K.I. Gasoduto para
gerenciamento de dados fenotípicos de plantas em um projeto multisite. Funct. Fábrica Biol.
2012, 39, 948-957.
207. Pieruschka, R.; Poorter, H. Plantas Fenotipagem: Genes, phenes e máquinas. Funct.
Fábrica Biol.
2012, 39, 813-820.
© 2014 pelos autores; licenciado MDPI, Basileia, Suíça. Este artigo é um artigo de acesso
aberto distribuído sob os termos e condições da Creative Commons Attribution License
(http://creativecommons.org/licenses/by/4.0/).