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).