Plant Phenomics | 作物是否會睡覺？時間序列激光雷達量化玉米生育期和晝夜節(jié)律表型

植物生長節(jié)律描繪了植物的生物物理和生理行為，受植物內在生物鐘和外源環(huán)境共同調控。探索植物生長節(jié)律對于了解植物對環(huán)境變化的適應策略十分重要。相比于生理節(jié)律的研究，指示植物結構節(jié)律的研究鮮有報道。近年來，地面激光雷達(TLS)為植物結構動態(tài)研究提供了新途徑，發(fā)現了如夜間“樹木睡覺”等新的科學現象。這些嘗試發(fā)現不同樹種間不一致的節(jié)律，證明了樹木睡眠問題的復雜性，也啟發(fā)了關于作物是否會有“夜間睡覺”等結構節(jié)律問題的思考。

近日，Plant Phenomics在線發(fā)表了南京農業(yè)大學前沿交叉研究院作物表型組學交叉研究中心金時超課題組題為Exploring Seasonal and Circadian Rhythms in Structural Traits of Field Maize from LiDAR Time Series的研究論文。

該研究旨在量化玉米單株和葉片結構性狀的季節(jié)性和晝夜節(jié)律，包括正常生長和冷害環(huán)境脅迫兩種田間環(huán)境。采用國內首套自主研發(fā)的高通量激光雷達表型平臺(Crop3D, Fig.1)獲取了玉米四個關鍵生長期的點云數據，用于研究季節(jié)性節(jié)律。同時，獲取了每2小時頻率的點云數據分析晝夜節(jié)律(Fig.1)。具體問題包括：(1)TLS能否量化田間自然狀況下作物結構表型的季節(jié)性節(jié)律？(2)能否量化正常生長和冷害條件下的作物結構表型的晝夜節(jié)律？(3)正常和冷害條件下環(huán)境因素與結構表型晝夜節(jié)律的潛在關系？

研究結果表明TLS可以量化單株和葉片水平作物結構表型的季節(jié)性和的晝夜節(jié)律。(1)葉傾角在拔節(jié)期到喇叭口期明顯減小，葉方位角在拔節(jié)期后保持穩(wěn)定(Fig.4)。(2)一些單株結構表型的節(jié)律（例如，方位角和投影葉面積）與葉片結構表型節(jié)律一致（Fig.3和Fig.4）。(3)部分性狀（例如，投影葉面積）的晝夜節(jié)律在正常和冷害條件下表現不一致（Fig.6和Fig.8）。(4)環(huán)境因素與葉片晝夜節(jié)律的相關性在冷害情況下高于正常環(huán)境。溫度是最重要的因素，與除葉方位角外的所有葉性狀顯著相關（Table.2和Table.3）。這項研究拓展了時間序列激光雷達在田間作物節(jié)律領域的新方向。

Figure 1: Study area and LiDAR data collection.

Figure 3: Seasonal rhythms of plant structural traits, including (a)Hmax, (b)Hmean, (c)H99, (d) crown size, (e) azimuth, (f) PLA, (g) volume, (h) PAI, and (i) 3DPI.

Figure 4: Seasonal rhythms of leaf structural traits, including (a) leaf length, (b) max. leaf width, (c) mean leaf width, (d) leaf height, (e) leaf area, (f) PLL, (g) PLA, (h) leaf inclination, and (i) leaf azimuth.

Figure 6: Circadian rhythms in structural traits of maize at the leaf level under standard conditions, including (a) leaf length, (b) max. leaf width, (c) mean leaf width, (d) leaf height, (e) leaf area, (f) PLL, (g) PLA, (h) leaf inclination, and (i) leaf azimuth.

Figure 8: Circadian rhythms in structural traits of maize at the leaf level under cold stress, including (a) leaf length, (b) maximum leaf width, (c) mean leaf width, (d) leaf height, (e) leaf area, (f) PLL, (g) PLA, (h) leaf inclination, and (i) leaf azimuth, at leaf level under cold stress.

Table2:The relationships denoted by the Pearson correlation coefficient and p value between environmental factors (photosynthetically active radiation (PAR), temperature (T), and relative humidity (RH)) and circadian rhythms in structural traits at the plant level under standard and cold stress conditions.

Table3:The relationship denoted by the Pearson correlation coefficient and p value between environmental factors (photosynthetically active radiation (PAR), temperature (T), and relative humidity (RH)) and circadian rhythm in structural traits at leaf level under standard and cold stress growth.

本研究得到了中科院植物所蘇艷軍研究員、劉玲莉研究員；南京大學張永光教授；密西西比州立大學馬勤教授；南京農業(yè)大學丁艷鋒教授；法國農科院Fred Baret教授和北京大學郭慶華教授等共同作者的支持。研究得到了中科院先導專項和江蘇省科技廳創(chuàng)新能力建設項目（植物表型組學研究科學中心）等項目的資助，特此感謝。

作者簡介

金時超，中國科學院大學理學博士（提前1年畢業(yè)），同年以高層次人才引進至南京農業(yè)大學，組建AiPhenomics課題組。主要研究方向是以激光雷達和葉綠素熒光遙感為核心技術的深度學習植物表型交叉研究。主持江蘇省和國家基金等課題4項；發(fā)表論文30篇，包括SCI論文22篇、中文核心8篇。其中，以第一（或通訊）作者在ISPRS J PHOTOGRAMM、IEEE TGRS和中國科學等雜志發(fā)表SCI論文9篇（含封面文章和ESI高被引論文1篇）、中文核心論文2篇、發(fā)明專利1項。擔任SCI雜志Plant Phenomics副主編、Frontiers in Remote Sensing編委。

AiPhenomics 課題組，研究興趣包括但不限于：

1)激光雷達和日光誘導葉綠素熒光等多源遙感平臺建設

2)深度學習等新技術手段加速數據融合、表型智能提取算法開發(fā)和模型耦合

3)面向生物育種和精準栽培的表型-基因-環(huán)境交叉研究

歡迎遙感、計算機、測繪、數學、自動化等相關領域同學聯(lián)系本課題組碩士、博士，或博士后及以上工作機會。期待相關老師聯(lián)系開展與表型組、育種和栽培相關的交叉合作。

聯(lián)系方式：jinshichao1993@gmail.com

論文鏈接

https://spj.sciencemag.org/journals/plantphenomics/2021/9895241/

——推薦閱讀——

Qualification of Soybean Responses to Flooding Stress Using UAV-Based Imagery and Deep Learning

https://spj.sciencemag.org/journals/plantphenomics/2021/9892570/

Plant Phenomics | 基于葉綠素熒光圖像的高通量玉米圖像分割和性狀提取

The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines

https://spj.sciencemag.org/journals/plantphenomics/2021/9890745/

Plant Phenomics | 無人機高光譜影像在玉米自交系作物性狀估算中的應用

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被CABI、CNKI、DOAJ、PMC、SCIE、Scopus和EI數據庫收錄。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內容僅供參考，一切內容以英文原版為準。

編輯：張威（實習）

審核：卞越、孔敏