Abstrakt

Zmiany klimatu napędzają pilne zapotrzebowanie na odporne odmiany roślin, zdolne do przetrwania ekstremalnych i zmiennych warunków. Identyfikacja odpornych odmian wymaga systematycznych badań fenotypowania roślin w kontrolowanych warunkach, umożliwiających badanie dynamicznego wpływu środowiska. Obecne komory wzrostu (GC) zapewniają taką możliwość, ale wciąż ograniczają je wysokie koszty, statyczne warunki i skalowalność. Ograniczenia te stanowią wyzwanie dla badań fenotypowania opartych na zmianach klimatu, które wymagają badań na dużą skalę w zróżnicowanych, dynamicznych warunkach klimatycznych. Przedstawiono platformę inteligentnej komory wzrostu (MCSGC) sterowanej mikroklimatem, która rozwiązuje te ograniczenia dzięki czterem innowacjom. Pierwszą z nich jest dynamiczna symulacja mikroklimatu za pomocą programowalnych „przepisów” środowiskowych, odtwarzających rzeczywistą zmienność klimatu. Drugą jest połączona, skalowalna, wielokomorowa komora do równoległych eksperymentów. Trzecią jest modułowy sprzęt, który można rekonfigurować dla różnych gatunków roślin, zachowując opłacalność poniżej 10 000 AUD. Czwartym elementem jest automatyczne gromadzenie danych i synchronizacja pomiarów środowiskowych i fenotypowych na potrzeby zastosowań sztucznej inteligencji (AI). Walidacja eksperymentalna potwierdziła precyzyjną kontrolę klimatu, kompatybilność z szeroką gamą upraw oraz generowanie danych o wysokiej przepustowości. Kontrola środowiska utrzymywała się w zakresie ±2 °C przez 97,42% czasu, jednocześnie dynamicznie symulując pogodę w Hobart w Australii. MCSGC zapewnia środowisko odpowiednie dla różnorodnych upraw (temperatura 14,6–31,04 °C i promieniowanie fotosyntetycznie czynne (PAR) 0–1241 µmol·m−2·s−1). Hodowla wielogatunkowa potwierdziła adaptowalność MCSGC do Cannabis sativa (wzrost 544,1 mm w ciągu 34 dni), Beta vulgaris (wzrost 123,6 mm w ciągu 36 dni) i Lactuca sativa (uprawa 19-dniowa). Bez ręcznej interwencji system wygenerował 456 obrazów i 164 160 odczytów z czujników, tworząc zbiory danych zoptymalizowane pod kątem sztucznej inteligencji i cyfrowych bliźniaków. MCSGC zajmuje się krytycznymi ograniczeniami istniejących systemów, wspierając postęp w fenotypowaniu roślin, ulepszaniu upraw i badaniach nad odpornością na zmiany klimatu.