Uncovering the hidden half of plants using new advances in root phenotyping.
Uncovering the hidden half of plants using new advances in root phenotyping.
复制标题
DOI：
10.1016/j.copbio.2018.06.002
复制
发表时间：
2019-03
影响因子：
7.7
通讯作者：
Wells DM
中科院分区：
文献类型：
--
作者：
Atkinson JA;Pound MP;Bennett MJ;Wells DM
需要一场“第二次绿色革命”，使用改良了地下性状的作物。植物根的表型分析带来了实际和数据上的挑战。用于2D根表型分析的技术包括根管、纸袋和平板。MRI、PET和X射线CT允许土壤中的3D和4D根表型。用于现场表型分析的非侵入性技术最近取得了进展。深度机器学习技术正在改变根系表型的格局。需要大幅提高作物产量，以跟上人口增长和气候变化的步伐。作物根系结构的改善有望提高水分和养分的利用效率，但根系表型（即其结构和功能）的分析是一个主要的瓶颈。我们描述了如何在成像和传感器技术的进步，使根表型研究成为可能。然而，在获取、处理和处理由此产生的“大数据”方面的方法进步正变得越来越重要。自动化图像分析方法的进步，如深度学习，有望改变根系表型分布。总的来说，这些创新正在帮助推动下一代作物的选择，为正在进行的全球粮食安全努力带来真实的世界影响。
A ‘second green revolution’ using crops with improved below-ground traits is needed. Phenotyping plant roots poses practical and data challenges. Technologies for 2D root phenotyping include rhizotrons, paper pouches, and plates. MRI, PET and X-ray CT allow 3D and 4D root phenotyping in soil. Non-invasive techniques for field phenotyping have recently advanced. Deep machine learning techniques are transforming the root phenotyping landscape. Major increases in crop yield are required to keep pace with population growth and climate change. Improvements to the architecture of crop roots promise to deliver increases in water and nutrient use efficiency but profiling the root phenome (i.e. its structure and function) represents a major bottleneck. We describe how advances in imaging and sensor technologies are making root phenomic studies possible. However, methodological advances in acquisition, handling and processing of the resulting ‘big-data’ is becoming increasingly important. Advances in automated image analysis approaches such as Deep Learning promise to transform the root phenotyping landscape. Collectively, these innovations are helping drive the selection of the next-generation of crops to deliver real world impact for ongoing global food security efforts.
登录
查看更多内容
影响因子：
7.2
作者：
Jahnke, Siegfried;Menzel, Marion I.;Schurr, Ulrich
通讯作者：
Schurr, Ulrich
影响因子：
5.1
作者：
Jeudy C;Adrian M;Baussard C;Bernard C;Bernaud E;Bourion V;Busset H;Cabrera-Bosquet L;Cointault F;Han S;Lamboeuf M;Moreau D;Pivato B;Prudent M;Trouvelot S;Truong HN;Vernoud V;Voisin AS;Wipf D;Salon C
通讯作者：
Salon C
影响因子：
5.1
作者：
Le Marié C;Kirchgessner N;Flütsch P;Pfeifer J;Walter A;Hund A
通讯作者：
Hund A
影响因子：
5.6
作者：
Atkinson JA;Wells DM
通讯作者：
Wells DM
影响因子：
9.4
作者：
Bonser, AM;Lynch, J;Snapp, S
通讯作者：
Snapp, S