檢視植物表型组学研究组的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=http://5b0988e595225.cdn.sohucs.com/images/20180706/e6ecdd8ddafe47cda1290dccf0e31ae5.jpeg width="300"></center>
<small>[https://www.sohu.com/a/239674322_349990 来自 搜狐网 的图片]</small>
|}

'''植物表型组学研究组'''植物表型是由基因和环境共同影响的，反映植物结构及组成、[[植物]]生长发育过程及结果的全部物理、生理生化特征和性状。植物表型组学是继基因组、转录组、蛋白组和代谢组等组学之后，于近年来兴起和快速发展的新型交叉学科，是植物科学研究从实验室走向大田的最后一公里。本研究组将建立“Sensor to plant”型高通量植物表型平台；研发植物本体[[传感器]]，并结合环境传感器和中科院庐山植物园的种质资源优势，从时间、空间和物种等多维度高通量采集植物表型数据，建立植物生长模型数据库；并以植物表型组学和生长模型数据库为核心，整合物联网、大数据和人工智能<ref>[https://www.sohu.com/a/244582810_401265 人工智能是什么？人工智能的概念简介] ，搜狐，2018-08-01</ref>等新兴技术，研发智能植物工厂种植系统，服务智慧农业。

==研究方向==

===1. 高通量植物表型平台===

目前国内外的高通量植物表型平台主要有两种类型，一种是“Plant to sensor”型，即以工业自动化为主要技术驱动，将单株植物通过传送带运送至表型采集设备，数据采集完成后再运送回原来位置；另一种是“Sensor to plant”型，该类型主要以近年来快速发展的[[无人机]]、机器人等技术为驱动，将轻便型表型采集设备带至植物所在位置进行数据采集。“Plant to sensor”型虽然有利于三维重建、高光谱和叶绿素荧光成像等重型采集设备的使用，但该类平台动辄千万元的起步造价不利于大范围推广和应用。随着科技的快速发展，3D深度相机等表型采集设备越来越轻便，无人机等运载工具的成本越来越低。本研究组将以搭载3D深度相机、热成像、多光谱、叶绿素荧光成像等传感器的龙门架式[[机器人]]、无人车和无人机为载体，建立“Sensor to plant”型低成本高通量植物表型平台。

===2. 植物生长模型数据库===

植物生长模型为定量化研究植物生长规律，动态模拟植物生长发育过程及其与气候、土壤等环境因子之间关系的研究成果。所建立的模型通过对植物生理生态过程的模拟，能够从时间和空间维度预测不同环境条件下生长的[[植物]]的某些综合指标，如植物的干重、鲜重、叶面积指数、器官数量形态大小等。虽然水稻、小麦和玉米等粮食作物，以及番茄、黄瓜和生菜等园艺作物已经有相对成熟的植物生长模型，但是与实际生产应用还有一段距离，其它种类植物生长模型的相关研究更为不足。因此，本研究组将以基于计算机视觉的高通量植物表型技术为核心，以智能温室和集装箱式智能植物舱等[[环境]]高度可控的空间为载体，利用动态建模、虚拟现实、情景模拟及决策支持等方法，构建不同物种植物的生长模型，最终融合表型及生长环境数据形成植物基础数据库。

===3. 智能植物工厂===

植物工厂是通过设施内的高精度控制实现农作物周年连续生产的高效农业系统，是由计算机对植物生长发育过程的温度、[[湿度]]、光照、二氧化碳浓度以及营养液等环境要素进行全天候控制，不受或很少受自然条件制约的生产方式。植物工厂主要有“人工光型植物工厂”、“太阳光型植物工厂”和“太阳光与人工光并用型植物工场”三种类型。因其融合了现代[[生物技术]]<ref>[http://news.sohu.com/a/674370471_120245260 生物技术的定义、分类和应用领域] ，搜狐，2023-05-10</ref>、智能装备与信息技术等新兴科技，而成为全球农业技术研究的热点。由于植物工厂初期建设成本较高、耗能较大等原因，总体上来看单位生产成本还是相对偏高，未来仍需要通过科技创新进一步降低成本。因此，通过对植物工厂进行数字化和智能化升级来提高产量、降低[[成本]]具有重要意义。本研究组将以基于计算机视觉的植物表型感知为核心，以植物生长模型数据库为驱动，构建植物工厂数字孪生平台，并不断优化产量预测模型和环境控制模型，降低成本、提升产量和品质，最终形成一整套智能植物工厂技术体系。

==参考文献==
[[Category:303 科學教育及研究]]