田间农艺研究中作物水分利用和根系的三维表征


发布时间:

2022-12-10

来源:

植物表型资讯

作者:

PhenoTrait

大田作物的表型研究多集中在作物地上部分从而忽略了根系及其活动。本文提出并测试了一种评估作物水分利用和采集根系三维表型的方法:利用电磁感应(EMI)仪器结合2D反演算法和作物冠层传感技术,生成不同环境下的作物水分利用和根系活动的3D特征。

 

本研究基于捕捉高粱水分利用和根系活动的准确3D特征及复杂的G(基因)×E(环境)×M(管理)进行动态田间试验,以6个高粱品种(G)、3次播种、2个灌溉水平(E)、4个种植密度(M)和3个重复组成因子组合。根活力系数(R)被计算为作物水分利用、土壤水分有效性和作物需求指标的函数。使用DUALEM-21S传感器收集了两次相隔10天的EMI调查,建立了一个人工神经网络模型,运用主成分分析、线性混合模型、递归分割树技术和作物-生理生态原理解释G×E×M互作关系。

 

结果表明,作物需水量预测精度较高(LCCC=0.81),预测误差小(RMSE=0.03cm3cm-3);计算用水量和R值受土壤深度、作物生育期、灌溉处理、种植密度及其交互作用的显著影响。开花期灌水处理根系在0~1.3 m处最活跃;旱地处理根系较深(0.5~1.5 m)。在灌水和高密度(即9和12plm-2)条件下,C、E和F三个基因型的耗水量最高;旱地处理的耗水量最小,特别是两种基因型(即B和C)和高密度。营养生长期作物的耗水量和R值均在土壤表层0.5m处最高。旱地处理和高密度处理的耗水量较大,而基因型的影响较小。本文提供了一种用于大田试验中对作物根系活动及水分利用的快速、准确和低成本的方法,有助于理解作物水分利用动态过程,从而根据不同环境中的基因类型和田间管理措施选择最佳组合。

 

图1. a)利用不同的反演参数组合建立的土壤体积含水率与土壤真实电导率之间的人工神经网络(CNN)模型的R2为平滑因子λ的函数以及土壤θ的预测值与实测值的关系;b)5次交叉验证;c)采用最佳反演参数进行去掉一条剖面的交叉验证。 

 

图2. 每个深度土壤体积水分(Δθv,cm3 cm−3)变化的空间分布 

 

图3. A)2020年12月4日至14日0-1.5m的作物蒸散量(Et,mm day−1)的空间分布;b)2020年12月9日的归一化差异植被指数(NDVI)

 

图4. 每个深度基因(G)按环境(E)计算的根系活力因子(R)的空间分布 

 

图5. 作物蒸散量(ET,mm day−1)的主成分分析和作物水分利用的决定因素,包括2020年12月4日和12日的土壤体积含水率(θv,cm−3),相应的NDVI值(12月9日和20日),以及2020年12月9日和20日的NDVI值(增量NDVI值) 

 

图6. 播期×灌溉水平×密度和播期×灌水×基因型主效应的小区水平蒸散量(ET,mm day -1)预测均值和标准差 

 

图7. 小区水平蒸散量的回归树,通过控制环境对比播期a)TOS1、b)TOS2和c)TOS3的基因类型

 

图8. 6个深度、3个播期(即TOS1、TOS2和TOS3)、2个灌溉水平(即旱地和灌溉)、4种植物密度(即3、6、9和12pl m−2)和六种基因类型(即A、B、C、D、E和F)的分层用水量(通量,mm)预测平均值的曲线图 

 

图9. 6个深度、3个播期(即TOS1、TOS2和TOS3)、2个灌溉水平(即旱地和灌溉)、4个植物密度(即3、6、9和12pl m−2)和6个基因型(即A、B、C、D、E和F)上的根系活力因子(R)预测平均值的曲线图

 

来 源

Dongxue Zhao, Joseph X. Eyre, Erin Wilkus, Peter de Voil, Ian Broad, Daniel Rodriguez,3D characterization of crop water use and the rooting system in field agronomic research,Computers and Electronics in Agriculture,Volume 202,2022,107409,ISSN 0168-1699.

 

编 辑

深海

 

扩展阅读

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。