随着世界人口的增长，粮食和饲料作物需要提高产量，以应对未来如营养安全和消费者偏好等方面的挑战。基因技术和基因组学等现代工具在提高作物生产力方面发挥着重要作用，已经确定了一些与性状相关的 QTLs 和基因。但在传统育种过程中，因为缺乏准确和深入的表型数据，这些 QTLs 和基因并没有被充分利用和开发。传统的植物育种方法已无法满足未来的粮食需求。可靠、多功能、自动和高通量的表型分析技术对于快速推进作物育种计划中的遗传增益是必要的。
植物表型由基因型-环境相互作用决定，环境因素会导致植物表型差异。筛选和选择具有理想性状的基因型需要准确和有意义的表型数据，但传统的表型分析方法存在成本高、通量低、误差大、不一致、费力、耗时等问题。高通量成像技术的表型分析工具可以自动收集数据，节省时间和劳动力成本，同时保证数据的质量和准确性。表型分析不应局限于外部性状，还应包括细胞、组织和器官等多个水平的内部因素，因为内部因素会影响外部性状，如抗病性。根据表型分析的水平，可以分为宏观和微观两个层次，宏观水平的表型分析具有高通量、低分辨率的特点，涉及植物和群体表型；微观水平的表型分析具有低通量、高分辨率的特点，涉及细胞、组织和器官的性状。
正向表型组学能够从大量种质资源中识别出具有理想特征的最佳基因型，利用高通量、自动的表型分析工具和高分辨率的筛选方法，在幼苗阶段就可以选择出理想的植株，从而节省时间、资源，加速育种计划。反向表型组学则是剖析使一个基因型成为最佳的机制，从生理解剖到生化和分子水平识别控制感兴趣性状的一组基因。正向和反向表型组学在育种计划中相互补充，共同提高我们对作物品种的理解和改良能力。
近年来，植物表型分析从有创和低通量技术发展到无损高通量技术，取得了显著进步，这得益于价格合理的成像相机和成像技术的快速发展。成像相机在植物表型分析中起着重要作用，包括RGB相机、NIR相机、高光谱相机等。这些相机能够捕捉植物组织的光谱特征，从而实现对植物表型的光谱分析。成像技术包括2D成像、3D成像和高分辨率容积成像等，能够对植物的结构、形态和生理性状进行准确表征。2D成像技术包括可见光成像、荧光成像、热成像和成像光谱技术等，可用于器官或组织水平的表型分析。3D成像技术能够提供全植物表型分析，包括激光三角测量、结构光、LIDAR、飞行时间（ToF）相机、光场测量、运动结构（SfM）等方法。高分辨率容积成像包括MRI、X射线CT、PET、X射线DR、单光子发射计算机断层扫描（SPECT）等技术，可用于水分分布、溶质含量、代谢物含量、流速等的分析。
用于受控环境高通量表型分析的成像技术和相机列表
受控环境表型分析平台在生长室或温室中进行，环境因素（温度、湿度、光照强度、光谱范围、光周期等）可以精确控制，这有助于准确捕捉植物对特定环境的反应。它提供非破坏性、高通量和高度可重复的非生长季表型分析。自动化技术、机器人技术、改进的成像技术和新型传感器的结合使得高通量表型分析平台（HTPPs）得以快速发展。HTPPs极大地改善了数据收集，提高了作物育种的效率和准确性。在过去十年中，为设计高效的高通量表型分析平台进行了大量研究，促成了多个HTPPs的开发，例如PhenoWatch、PhenoCenter、Greenhouse Scanalyzer、Germination Scanalyzer、PhenoAIxpert、Trait Mill、Plant Screen、PlantEye F500、DroughtSpotter、PHENOSPEX、水稻自动表型分析平台（RAP）、SCREEN House等。HTPPs有两种方法，一种是 “Sensor-to-Plant”，即植物处于固定位置，成像设备移动到每株植物；而在 “Plant-to-Sensor” 方法中，传感器/成像设备处于固定位置，植物依次移动到成像区域。印度农业研究所（IARI）安装的LemnaTec高通量表型分析系统Greenhouse Scanalyzer即为“Plant-to-Sensor”平台。
与生长室和温室环境相比，田间生长的植物面临更大的环境波动，为了更好地理解田间植物的表型变化，就需要有高效的基于田间的表型分析方法。相机、传感器、轮式设备、龙门架等是进行田间表型分析最常用的工具。田间表型分析平台主要有Field Scanalyzer、PhenoWatch等，这些平台可搭载高分辨率热红外相机、叶绿素荧光仪、高光谱成像仪、3D激光扫描仪等传感设备，在获取田间表型数据方面具有重要作用，但也存在一些局限性，如成本高、维护和操作困难以及对大面积农田的适用性有限等。空中表型分析平台的应用可以克服这些局限性。
LemnaTec野外型高通量植物表型平台Field Scanalyzer（英国洛桑实验站）
空中表型分析平台使用无人和有人驾驶的空中平台（UAP和MAP）、卫星平台、无人机等机载传感器。这些平台可以在短时间内大范围覆盖实验区域，有助于有效地研究快速变化的性状。空中表型分析平台具有便携性、高效性以及对各种表型性状的适用性等优点。然而，缺乏自动和快速的数据处理能力、空域管制限制以及容易受环境因素的影响是该类表型分析平台的一些局限性。图像拼接软件（如 Agisoft、Pix4D、Autostitch和 Blue Marble Geographics Global Mapper）的可用性为大规模实验的快速成像提供预编程的飞行路径，使得空中平台能够按照预定的路线飞行并获取图像数据，提高了数据获取的准确性和效率。
植物表型组学工具对研究植物生物学、开展育种和作物管理具有重要作用。植物表型组学工具包括高通量成像工具、非破坏性成像工具、气体交换测量设备和根成像系统等。这些工具能够收集和分析大量的表型数据，用于研究植物生长和发育、生理和代谢过程以及环境胁迫响应等，进而开发出更有效和可持续的育种及作物管理方法。
植物表型组学工具及其效用
植物育种旨在开发具有特定理想性状的新品种，表型组学在植物育种中起着关键作用，能够快速准确地检测影响作物生产力的性状。表型分析技术的进步使育种者能够收集大量关于植物生长、发育和环境胁迫响应的数据，通过统计分析和机器学习算法识别与优良作物性能相关的性状。高通量表型分析平台（成像技术和传感器）改变了植物育种过程，使育种者能够快速收集数据，识别关键性状，开发分子标记，应用于各种作物以增强性状，如耐旱性、抗病性和养分效率等。
植物表型数据来源广泛，数据量巨大，快速、准确地数据分析有助于揭示植物表型与基因型以及环境之间的关系，从而为植物育种和作物管理提供科学依据。人工智能（AI）工具的集成，特别是机器学习（ML）和深度学习（DL）模型，改变了HTPPs的设计。在设计HTPPs的成像系统时，AI 工具可以帮助优化成像参数。例如，通过分析大量的植物图像数据，AI 可以确定最佳的成像分辨率、光照条件、拍摄角度等参数，从而提高成像系统的质量和效率。AI工具可以用于优化数据采集系统的设计。通过分析植物的表型数据和环境数据，AI 可以确定最佳的数据采集频率、采集时间等参数，确保数据采集系统能够准确、高效地收集植物表型数据。在设计HTPPs的数据分析系统时，AI 工具可以提供更有效的数据分析方法。例如，深度学习算法可以用于构建植物表型预测模型，通过分析大量的植物表型数据和基因型数据，预测植物在不同环境下的表型变化，为植物育种和作物管理提供更准确的科学依据。
近年来，建立全球植物表型组学中心、平台和网络的兴趣显著增加，以促进研究人员之间的信息和资源交流。国际植物表型组学网络（IPPN）成立于2014年，旨在促进植物表型分析研究人员之间的团队合作，并提供数据收集、管理和交换的指导方针。该网络提供了访问数据库、软件和培训材料等资源的途径，拥有来自50多个国家的成员。
国际植物表型组学设施和平台以及植物表型组学网络
