植物表型组学涉及受控环境农业 (controlled environment agriculture，CEA) 中与遗传和环境变异相关的植物表型的测量。它涵盖从分子生物学到生态系统级研究的一系列领域，采用高通量表型分析 (high-throughput phenotyping，HTP) 方法来快速评估特性并提高智能植物工厂中作物的产量。HTP 使用环境参数来提高准确性，例如软件传感器，以及用于色素数据的高光谱成像、用于含水量的热成像和用于光合作用速率的荧光成像。它们提供有关生长动力学、生理和生化特征以及基因型与环境相互作用的信息。人工智能 (AI) 和机器学习 (ML) 用于大量表型数据，以预测生长率、确定浇水植物的最佳时间或在早期检测疾病、营养缺乏或害虫。智能植物工厂使用的照明是根据植物的特定生长阶段进行调整的，例如在发芽、营养生长和开花阶段使用不同的光强度、光谱和持续时间，使用水培法提供营养，使用 CRISPR（原核生物基因组内的一段重复序列）来改善某些特性，例如抗旱性。这些系统通过优化环境和利用精准育种技术来提高作物的产量、单产、适应性和投入利用率。植物表型组学结合人工智能是多学科的结合，促进了对植物与环境相互作用与农业问题（如资源利用、疾病和气候变化）的理解。它影响着它们开发作物的能力，这些作物可以吸收投入、最大限度地减少化学药剂的使用，并能抵御气候变化。表型组学具有成本效益，可以减少投入，有助于实现更可持续的农业实践，既经济又环保。总而言之，植物表型组学是 CEA 的核心，因为它能够利用农业中的表型数据和遗传潜力来促进可持续发展和粮食安全。通过表型组学研究，接下来的进展可能会对全球农业实践和粮食系统产生更大的革命性影响。