植物根系表型信息獲取技術(shù)研究進(jìn)展

吳茜 張偉欣 張玲玲 孫傳亮 劉乃森 岳延濱 曹靜 梁萬(wàn)杰 葛道闊 唐普傳 李百明 曹宏鑫 張文宇

摘要：人口數(shù)量增長(zhǎng)和全球氣候變化加劇了糧食安全供給壓力，育種學(xué)家亟需培育高產(chǎn)、高效作物品種以滿(mǎn)足日益增長(zhǎng)的糧食消費(fèi)需求?；诟誀畹钠贩N培育改良可有效提高作物水分、養(yǎng)分利用率，但根系表型觀測(cè)的困難性極大地限制了育種進(jìn)程。隨著自動(dòng)化控制、成像和傳感器以及圖像解譯技術(shù)的發(fā)展，高通量根表型信息系統(tǒng)性收集已成為可能。本文綜述了一系列適用于室內(nèi)或田間的非破壞性或破壞性根系二維或三維結(jié)構(gòu)測(cè)定技術(shù);系統(tǒng)闡述了主流的根表型參數(shù)提取圖像分析技術(shù)和軟件;探討了基于根表型平臺(tái)的根性狀篩選應(yīng)用于新品種培育的成功案例，并對(duì)高通量根表型平臺(tái)的進(jìn)一步研發(fā)進(jìn)行了展望。

關(guān)鍵詞：根系表型;高通量;圖像采集;圖像處理;根性狀;作物改良

中圖分類(lèi)號(hào)：S126 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2021）05-0031-07

由于人口數(shù)量增長(zhǎng)和消費(fèi)結(jié)構(gòu)升級(jí)，全球農(nóng)作物消費(fèi)需求快速增加。與此同時(shí)，耕地面積減少、水資源匱乏、全球氣候變化和極端天氣頻發(fā)進(jìn)一步增加了糧食安全供給的壓力。依靠“大水大肥”的農(nóng)田管理辦法片面重視作物產(chǎn)量，忽視資源利用效率，造成了土壤質(zhì)量下降、面源污染和溫室效應(yīng)等生態(tài)環(huán)境問(wèn)題[1]。為保證農(nóng)業(yè)綠色可持續(xù)發(fā)展，同時(shí)滿(mǎn)足未來(lái)糧食需求，育種學(xué)家需從根源上突破，培育水分、養(yǎng)分高效吸收的作物品種。根系作為直接接觸土壤資源的重要器官，其結(jié)構(gòu)和功能對(duì)作物吸收土壤水分、養(yǎng)分具有重要影響[2]。良好的根系構(gòu)型能最大化作物對(duì)土壤養(yǎng)分資源的捕獲效率，從而有效提高作物產(chǎn)量[3]。因此，學(xué)者們提出第二次綠色革命，即基于根性狀進(jìn)行作物培育改良，以提高作物產(chǎn)量和養(yǎng)分資源利用率。

根系表型觀測(cè)是實(shí)現(xiàn)優(yōu)勢(shì)根性狀篩選和培育的基礎(chǔ)。然而，土壤不透明性和結(jié)構(gòu)復(fù)雜性導(dǎo)致根系觀測(cè)十分困難。根表型信息的系統(tǒng)性收集已成為基于根性狀的遺傳育種研究和植物科學(xué)研究的主要限制因素之一[3]。研發(fā)高通量根表型平臺(tái)，通過(guò)現(xiàn)代化信息采集分析手段提高根表型信息獲取效率和精度，對(duì)高效篩選優(yōu)勢(shì)根性狀、加速作物育種研究和栽培生理學(xué)研究具有重要意義。本文旨在通過(guò)介紹根表型信息高效采集、根性狀參數(shù)定量提取等近年來(lái)國(guó)內(nèi)綜述較少的根表型測(cè)定技術(shù)，概述國(guó)際上主流根表型平臺(tái)的最新研究進(jìn)展，結(jié)合相關(guān)領(lǐng)域最新發(fā)展趨勢(shì)，探討在實(shí)驗(yàn)室或田間揭示植物“隱藏的另一半”的新技術(shù)、新方法及其挑戰(zhàn)和機(jī)遇，并展望高通量根表型信息系統(tǒng)性收集平臺(tái)的發(fā)展前景。

1 根表型信息獲取技術(shù)

植物表型是理解基因型與環(huán)境互作的關(guān)鍵。在可控環(huán)境下規(guī)?；睾Y選優(yōu)質(zhì)基因型和表現(xiàn)型，挖掘不同環(huán)境條件下作物表型性狀及與之關(guān)聯(lián)的遺傳信息，進(jìn)而揭示基因-表型-環(huán)境互作機(jī)理，是作物育種研究取得突破的重要途徑[3]。建立表型與遺傳信息的關(guān)系或應(yīng)用表型信息優(yōu)化基于基因組選擇的預(yù)測(cè)模型，均需要大量精準(zhǔn)而全面的表型和基因型信息。因此，基因-環(huán)境-表型互作機(jī)理研究需借助以大數(shù)據(jù)為核心的現(xiàn)代化信息技術(shù)。隨著測(cè)序效率提升以及測(cè)序成本降低，作物基因組數(shù)據(jù)不斷增長(zhǎng)和完善。然而，表型信息獲取仍以人工為主，尤其根表型觀測(cè)仍十分困難，需破壞性測(cè)定，工作量大，且數(shù)據(jù)重復(fù)性差。

近年來(lái)，根表型研究獲得了國(guó)際上越來(lái)越多研究學(xué)者和學(xué)術(shù)機(jī)構(gòu)的關(guān)注。隨著數(shù)據(jù)采集工具、傳感器及數(shù)字圖像處理和分析技術(shù)的發(fā)展，現(xiàn)代智能科學(xué)技術(shù)手段已逐步應(yīng)用于根表型研究領(lǐng)域。目前，學(xué)者們已研發(fā)出一系列適用于實(shí)驗(yàn)室條件下的、非土壤介質(zhì)或土壤介質(zhì)的、非破壞性根系二維或三維結(jié)構(gòu)測(cè)定技術(shù)，以及適用于田間的、破壞性或非破壞性的根系二維或三維結(jié)構(gòu)測(cè)定技術(shù)。

1.1 室內(nèi)二維根系表型測(cè)定技術(shù)

由于土壤的遮蔽性，獲取非土壤介質(zhì)下的根表型信息是許多學(xué)者開(kāi)展根系研究的重要途徑之一。有學(xué)者采用非穿透性低成本成像傳感器（如可視相機(jī)和平板掃描儀等）在室內(nèi)對(duì)根盒（發(fā)芽紙與透明玻璃板組成的栽培容器）、生長(zhǎng)袋或透明人工生長(zhǎng)培養(yǎng)基中的根系進(jìn)行實(shí)時(shí)成像，以獲取根系動(dòng)態(tài)生長(zhǎng)信息（圖1-A、圖1-B）。該類(lèi)方法操作便捷、通量易拓展，但僅能觀測(cè)苗期較小的植株根系，且非土壤介質(zhì)及二維生長(zhǎng)空間對(duì)根系構(gòu)型影響較大。

采用非穿透性成像傳感器獲取土壤介質(zhì)下微根窗根系圖像也是目前國(guó)際上較為流行的根系表型測(cè)定方法（圖1-C、圖1-D）。該類(lèi)方法可高通量、自動(dòng)化地對(duì)根系進(jìn)行成像，但該方法構(gòu)建成本較高，有限的二維生長(zhǎng)空間導(dǎo)致根系生長(zhǎng)軌跡發(fā)生改變，此外，土壤顆粒的遮蔽導(dǎo)致成像捕獲的根系結(jié)構(gòu)不完整?；跓峒t外成像和斷根修復(fù)算法的根系表型測(cè)定方法可實(shí)現(xiàn)根系圖像信息的增強(qiáng)和修復(fù)[13]，在一定程度上解決土壤遮擋時(shí)根系圖像信息不全的問(wèn)題。

盡管室內(nèi)非土壤或土壤介質(zhì)二維根系表型觀測(cè)技術(shù)存在一定的局限性，但由于其適合納入高通量根系表型平臺(tái)而被廣泛應(yīng)用，該類(lèi)系統(tǒng)已成功應(yīng)用于大豆[14]、玉米[15]、小麥[16]、油菜[9]、棉花[12]等多種作物根系性狀的篩選。

1.2 室內(nèi)三維根系表型測(cè)定技術(shù)

自然生長(zhǎng)的根系結(jié)構(gòu)具有許多難以在二維空間中量化的特征，如谷類(lèi)作物種子根的排列（通常為不對(duì)稱(chēng)分布）以及玉米節(jié)根的輪次、數(shù)量和角度等。為了給植株根系提供自由生長(zhǎng)空間并保持其空間生長(zhǎng)位置，許多學(xué)者采用瓊脂和冷凝膠作為生長(zhǎng)介質(zhì)，采用立體視覺(jué)法或激光成像法對(duì)透明介質(zhì)下的根系進(jìn)行三維成像（圖2-A）。此類(lèi)方法可重建根系三維結(jié)構(gòu)，已被成功地用于揭示水稻等作物三維根系結(jié)構(gòu)特征的潛在遺傳基礎(chǔ);但瓊脂無(wú)法補(bǔ)充養(yǎng)分、水分，且本身特性容易造成根系缺氧，且該方法僅能測(cè)定苗期根系;此外，非土壤介質(zhì)下根系生長(zhǎng)發(fā)育狀況也與自然土壤環(huán)境下存在較大差異。

目前，已報(bào)道的采用非破壞性方法獲取土壤中根系三維結(jié)構(gòu)的方法包括微X射線(xiàn)斷層掃描法（X-ray CT）、核磁共振成像法（MRI）和正電子發(fā)射斷層掃描（PET）[26]等（圖2-B、圖2-C）。X-ray CT可以基于不同的X射線(xiàn)衰減實(shí)現(xiàn)根系三維結(jié)構(gòu)可視化，已被應(yīng)用于水稻根系對(duì)生長(zhǎng)介質(zhì)特異性響應(yīng)，擬南芥、玉米和水稻側(cè)根模式，白楊與云杉種間互作以及草原落葉松根系量化等研究。MRI使用射頻波和強(qiáng)磁場(chǎng)刺激原子并生成三維結(jié)構(gòu)，該類(lèi)技術(shù)已經(jīng)被應(yīng)用于玉米、大豆、甜菜和大麥根系的三維成像。PET掃描顯示短半衰期放射性示蹤劑的分布，如植物代謝過(guò)程中使用的碳同位素，該方法對(duì)示蹤劑具有很高的靈敏度，但分辨率較低（僅為1.4 mm）。以上方法最初均為醫(yī)學(xué)應(yīng)用而開(kāi)發(fā)的層析成像技術(shù)，儀器設(shè)備成本高昂，由于低分辨率以及復(fù)雜的根系三維重建，僅能獲取有限根系結(jié)構(gòu)信息;此外，還存在栽培容器?。▋H能測(cè)定直徑小于8 cm土柱中的苗期根系）、通量低、耗時(shí)長(zhǎng)且設(shè)備不可移動(dòng)等缺點(diǎn)。由于操作局限和費(fèi)用昂貴，這些技術(shù)在推廣應(yīng)用上受到很大限制。

1.3 田間根系表型測(cè)定技術(shù)

田間根系表型觀測(cè)大多通過(guò)破壞性取樣實(shí)現(xiàn)，最經(jīng)典的根鉆法得到了最廣泛的應(yīng)用。Wasson等通過(guò)應(yīng)用UV光照和熒光光譜技術(shù)改進(jìn)了根鉆法，增強(qiáng)了土壤和根系圖像對(duì)比度，同時(shí)實(shí)現(xiàn)了自動(dòng)圖像采集及根鉆分離[27]。Shovleomics法是目前田間根系測(cè)定較為流行的方法（圖3-A）[28]，該方法使用鐵鍬獲取小范圍土體內(nèi)的根系，清洗后通過(guò)自動(dòng)化成像和圖像處理實(shí)現(xiàn)根系表型測(cè)定[29];該方法操作便捷高效，但僅能獲取根基部相對(duì)簡(jiǎn)單的根性狀（如根系輪廓、投影密度和面積等）。三維數(shù)字化技術(shù)已被成功應(yīng)用于田間原位精確測(cè)定根系空間伸展軌跡（圖3-B），該方法能精確描述根系三維空間結(jié)構(gòu)，但費(fèi)時(shí)費(fèi)力，難以實(shí)現(xiàn)高通量測(cè)定且無(wú)法捕獲側(cè)根形態(tài)結(jié)構(gòu)信息。

田間根系表型觀測(cè)的非破壞性方法主要包括根室法和微根管法。根室法通過(guò)對(duì)地窖內(nèi)透明玻璃窗進(jìn)行成像來(lái)捕獲田間根表型信息;微根管法通過(guò)掃描緊貼玻璃管生長(zhǎng)的根系來(lái)捕獲局部根表型信息;但這2種方法僅能獲取局部區(qū)域根表型信息，且觀測(cè)設(shè)備構(gòu)建和布置成本較高。近年來(lái)，研究根系和土壤剖面的非侵入性地球物理技術(shù)也得到了發(fā)展。電阻層析成像（ERT）被用來(lái)分析直徑較大的根系（如樹(shù)木根系）[35]，但在作物根表型領(lǐng)域應(yīng)用有限。地面穿透雷達(dá)技術(shù)（GPR）是另一種與電磁干擾相似吞吐量的地球物理技術(shù)，它利用高頻無(wú)線(xiàn)電波探測(cè)物體，適用于探測(cè)和量化粗壯根系（如樹(shù)木根系），然而，在探測(cè)直徑小于 2 mm 的樹(shù)根時(shí)分辨率不夠，無(wú)法應(yīng)用于形態(tài)較小、直徑較細(xì)的作物根系測(cè)定。

2 根表型參數(shù)提取技術(shù)

基于獲取的根系圖像提取根系形態(tài)、性狀等定量化信息是高通量根表型信息系統(tǒng)性收集的另一個(gè)關(guān)鍵[6]。近年來(lái)，國(guó)內(nèi)外研究人員開(kāi)發(fā)了一系列自動(dòng)化及半自動(dòng)化的根系圖像處理和根系特征提取軟件。

2.1 二維根系圖像處理軟件

國(guó)際上已有根系圖像分析軟件大多適用于二維根系結(jié)構(gòu)特征參數(shù)的提?。ū?），包括GIA Root、Root Reader 2D、SmartRoot、WinRhizo和EZ-Rhizo等。不同根系圖像分析軟件都有其特定的適用范圍，提取的根系特征參數(shù)也存在一定差異。目前可提取的二維根系特征參數(shù)主要分為兩大類(lèi)：一類(lèi)是基于根系整體的全局特征性狀，包括總根面積、總根長(zhǎng)、根凸包面積、根深和根寬等信息;另一類(lèi)是基于拓?fù)溥B接的根系詳細(xì)特征性狀，包括主根和各級(jí)側(cè)根的長(zhǎng)度、個(gè)數(shù)、直徑和角度等信息。對(duì)于有明顯交叉和重疊的復(fù)雜根系或者背景對(duì)比度低的根系圖像，在提取根系特征性狀時(shí)需要加入大量的手動(dòng)處理，尤其對(duì)于詳細(xì)根特征性狀的提取。

2.2 三維根系圖像處理軟件

國(guó)際上已有的根系三維結(jié)構(gòu)分析軟件較少（表1），主要包括RooTrak、iRoCS Toolbox和RootReader3D 。RooTrak能夠基于X-ray斷層掃描土柱半自動(dòng)化地分割根系和周?chē)耐寥溃瑢?shí)現(xiàn)根系三維重建，但該軟件不具備提取根系三維結(jié)構(gòu)參數(shù)的功能[22]。iRoCS Toolbox能夠在實(shí)現(xiàn)根系三維重建的基礎(chǔ)上進(jìn)一步自動(dòng)化或半自動(dòng)化提取根系直徑和體積等簡(jiǎn)單根系表型參數(shù)[44]。RootReader3D能自動(dòng)化提取根系深度、寬度、總長(zhǎng)度、總表面積、總體積、凸包體積和根尖數(shù)目等根系表型參數(shù)，但這些表型參數(shù)大多是基于根系整體的全局根系結(jié)構(gòu)特征參數(shù)，對(duì)基于拓?fù)溥B接的詳細(xì)根系三維結(jié)構(gòu)參數(shù)，如主根和單條側(cè)根長(zhǎng)度、直徑、分枝位置、分枝角度和個(gè)數(shù)等，尚未能實(shí)現(xiàn)定量化提取和分析[18]。

3 基于根表型平臺(tái)的育種改良

根系結(jié)構(gòu)性狀是育種人員進(jìn)行作物改良以提高作物產(chǎn)量的主要研究對(duì)象之一。盡管對(duì)根系的觀測(cè)研究存在極大挑戰(zhàn)，基于根表型觀測(cè)篩選根性狀已被成功引入新品種的培育研究中[45]。研究學(xué)者通過(guò)各式根表型觀測(cè)方法對(duì)環(huán)境脅迫下有助于保持作物生產(chǎn)力的根系結(jié)構(gòu)特性進(jìn)行了研究和篩選。已有學(xué)者通過(guò)根盒法[46]和田間根鉆挖掘法[47]發(fā)現(xiàn)，小麥根系生長(zhǎng)得深且廣有利于捕獲深層土壤水;通過(guò)根盒法和田間鐵鍬挖掘法發(fā)現(xiàn)，減少冠根數(shù)目有利于提高禾本科植物抗旱能力;通過(guò)發(fā)芽袋培養(yǎng)法發(fā)現(xiàn)，根系生長(zhǎng)較淺的植株對(duì)磷有較多的吸收[50]。此外，已有學(xué)者通過(guò)花籃盆栽法研究發(fā)現(xiàn)，具有較傾斜根角度（根系與土壤表面夾角較大）的水稻更耐旱;并進(jìn)一步明確了DRO1基因調(diào)控根系生長(zhǎng)的深度和角度，通過(guò)將深根特征性狀引入淺根品種，提高和改善了水稻的抗旱能力，證明了對(duì)根系結(jié)構(gòu)的控制和改良可有效提高作物抗旱能力[51]。然而，目前基于根性狀的培育改良研究進(jìn)展十分緩慢，根性狀的篩選仍是一個(gè)非常耗時(shí)的工作。研究學(xué)者需繼續(xù)研發(fā)適用于不同培育目標(biāo)的系統(tǒng)、規(guī)?；母咄扛硇推脚_(tái)，從而加速對(duì)根性狀的篩選以及對(duì)根功能的認(rèn)識(shí)，深入了解根性狀如何與整個(gè)植物的抗逆策略相關(guān)聯(lián)從而提高作物生產(chǎn)力，最終成功地確定作物改良的關(guān)鍵根系性狀。

4 結(jié)論與展望

本文綜述了近年來(lái)植物根表型平臺(tái)研究的最新進(jìn)展，成像和傳感器以及圖像解譯技術(shù)的進(jìn)步加速了高通量根表型平臺(tái)的發(fā)展。室內(nèi)二維根系表型平臺(tái)發(fā)展最為迅速，盡管在生長(zhǎng)空間和觀測(cè)時(shí)期上存在一定的局限性，但因其通量易拓展、適合開(kāi)展高通量自動(dòng)化根表型分析而被廣泛應(yīng)用于作物育種研究和植物生理學(xué)研究;室內(nèi)三維根系結(jié)構(gòu)無(wú)損成像技術(shù)也取得了重要進(jìn)展，該技術(shù)在未來(lái)面臨的新挑戰(zhàn)是如何將其納入自動(dòng)化表型平臺(tái)，使其通量可與二維根系表型系統(tǒng)相媲美，以便進(jìn)行大規(guī)模的定量遺傳研究;田間根系表型測(cè)定技術(shù)目前發(fā)展較為緩慢，其主要限制因素仍為土壤的不透明性和田間生長(zhǎng)環(huán)境的復(fù)雜性，未來(lái)該領(lǐng)域的技術(shù)研發(fā)仍面臨巨大的挑戰(zhàn)和機(jī)遇。

基于二維或三維成像的高通量根表型平臺(tái)獲取的圖像數(shù)量龐大，導(dǎo)致后期的圖像處理工作量繁重，需要人工干預(yù)的圖像處理軟件極大地阻礙了根表型信息獲取的速度。根表型信息提取所需的時(shí)間依賴(lài)于根系復(fù)雜程度以及待提取的目標(biāo)根特征參數(shù)。由于許多根特征參數(shù)之間具有高度的自相關(guān)性，相比獲取大量詳細(xì)的根特征參數(shù)，確定關(guān)鍵根特征參數(shù)對(duì)量化分析不同品種根系性能的差異有更為重要的作用。因此，為平衡根特征參數(shù)提取與自動(dòng)化根系成像的通量和效率，可根據(jù)研究目標(biāo)選擇適合的根特征參數(shù)提取軟件和提取方法，著重提取對(duì)于品種篩選關(guān)鍵的根性狀。此外，深度機(jī)器學(xué)習(xí)正成為許多計(jì)算機(jī)視覺(jué)問(wèn)題的標(biāo)準(zhǔn)技術(shù)，該技術(shù)在植物科學(xué)領(lǐng)域中的應(yīng)用大部分集中于植物地上部。在未來(lái)需要研究人員與計(jì)算機(jī)科學(xué)家積極合作，將諸如深度學(xué)習(xí)等創(chuàng)新方法整合到根表型信息提取分析中，以提高根表型參數(shù)提取效率和精度[52]。

高通量根表型平臺(tái)的研發(fā)應(yīng)以支持植物生理學(xué)以及作物育種研究為目標(biāo)。有研究學(xué)者提出研發(fā)一套通用的根表型平臺(tái)，但在實(shí)際應(yīng)用中，具有普適性的通用根表型平臺(tái)極難建立，其原因在于不同育種目標(biāo)都需要差異化的根表型觀測(cè)技術(shù)，因此，研究學(xué)者們?nèi)怨膭?lì)繼續(xù)研發(fā)適用于不同研究目標(biāo)的新的根表型平臺(tái)。未來(lái)期望通過(guò)研發(fā)高通量自動(dòng)化根表型平臺(tái)，結(jié)合圖像解譯技術(shù)高效獲取高通量根表型定量數(shù)據(jù)，并與大規(guī)模平行測(cè)序技術(shù)結(jié)合，通過(guò)表型組學(xué)和基因組學(xué)聯(lián)合分析，挖掘控制理想根表型性狀的基因組，以此指導(dǎo)作物育種。這種多學(xué)科方法將為基于根性狀的作物改良提供重要支持，對(duì)滿(mǎn)足未來(lái)氣候變化挑戰(zhàn)下作物高產(chǎn)穩(wěn)產(chǎn)的迫切需要具有重要意義。

參考文獻(xiàn)：

[1]朱兆良，金繼運(yùn).保障我國(guó)糧食安全的肥料問(wèn)題. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào)，2013，19（2）：259-273.

[2]Lynch J P. Root architecture and plant productivity. Plant Physiology，1995，109（1）：7-13.

[3]Fiorani F，Schurr U. Future scenarios for plant phenotyping. Annual Review of Plant Biology，2013，64：267-291.

[4]de Dorlodot S，F(xiàn)orster B，Pagès L，et al. Root system architecture：opportunities and constraints for genetic improvement of crops. Trends in Plant Science，2007，12（10）：474-481.

[5]Lynch J P，Brown K M. New roots for agriculture：exploiting the root phenome. Philosophical Transactions of the Royal Society of London. Series B，Biological Sciences，2012，367（1595）：1598-1604.

[6]Kuijken R C P，van Eeuwijk F V，Marcelis L F M，et al. Root phenotyping：from component trait in the lab to breeding. Journal of Experimental Botany，2015，66（18）：5389-5401.

[7]潘映紅. 論植物表型組和植物表型組學(xué)的概念與范疇. 作物學(xué)報(bào)，2015，41（2）：175-186.

[8]Adu M O，Chatot A，Wiesel L，et al. A scanner system for high-resolution quantification of variation in root growth dynamics of Brassica rapa genotypes. Journal of Experimental Botany，2014，65（8）：2039-2048.

[9]Gioia T，Galinski A，Lenz H，et al. GrowScreen-PaGe，a non-invasive，high-throughput phenotyping system based on germination paper to quantify crop phenotypic diversity and plasticity of root traits under varying nutrient supply. Functional Plant Biology，2016，44（1）：76-93.

[10]Nagel K A，Putz A，Gilmer F，et al. GROWSCREEN-Rhizo is a novel phenotyping robot enabling simultaneous measurements of root and shoot growth for plants grown in soil-filled rhizotrons. Functional Plant Biology，2012，39（11）：891-904.

[11]Rellán-lvarez R，Lobet G，Lindner H，et al. GLO-Roots：an imaging platform enabling multidimensional characterization of soil-grown root systems. eLife，2015，4：e07597.

[12]Wu J，Wu Q，Pagès L，et al. RhizoChamber-Monitor：a robotic platform and software enabling characterization of root growth. Plant Methods，2018，14（1）：44.

[13]盧 偉，韓 釗，蹇興亮，等. 基于熱紅外成像和斷根修復(fù)算法的玉米根系表型檢測(cè)方法. 光譜學(xué)與光譜分析，2020，40（9）：2845-2850.

[14]Bonser A M，Lynch J，Snapp S. Effect of phosphorus deficiency on growth angle of basal roots in Phaseolus vulgaris. The New Phytologist，1996，132（2）：281-288.

[15]Hund A，Trachsel S，Stamp P. Growth of axile and lateral Roots of maize：I development of a phenotying platform. Plant and Soil，2009，325（1）：335-349.

[16]Atkinson J A，Wingen L U，Griffiths M，et al. Phenotyping pipeline reveals major seedling root growth QTL in hexaploid wheat. Journal of Experimental Botany，2015，66（8）：2283-2292.

[17]Iyer-Pascuzzi A S，Symonova O，Mileyko Y，et al. Imaging and analysis platform for automatic phenotyping and trait ranking of plant root systems. Plant Physiology，2010，152（3）：1148-1157.

[18]Clark R T，Maccurdy R B，Jung J K，et al. Three-dimensional root phenotyping with a novel imaging and software platform. Plant Physiology，2011，156（2）：455-465.

[19]Topp C N，Iyer-Pascuzzi A S，Anderson J T，et al. 3D phenotyping and quantitative trait locus mapping identify core regions of the rice genome controlling root architecture. Proceedings of the National Academy of Sciences of the United States of America，2013，110（18）：E1695-E1704.

[20]朱同林，方素琴，李志垣，等. 基于圖像重建的根系三維構(gòu)型定量分析及其在大豆磷吸收研究中的應(yīng)用. 科學(xué)通報(bào)，2006，51（16）：1885-1893.

[21]Flavel R J，Guppy C N，Tighe M，et al. Non-destructive quantification of cereal Roots in soil using high-resolution X-ray tomography. Journal of Experimental Botany，2012，63（7）：2503-2511.

[22]Mairhofer S，Zappala S，Tracy S R，et al. RooTrak：automated recovery of three-dimensional plant root architecture in soil from x-ray microcomputed tomography images using visual tracking. Plant Physiology，2012，158（2）：561-569.

[23]羅錫文，周學(xué)成，嚴(yán)小龍，等. 基于XCT技術(shù)的植物根系原位形態(tài)可視化研究. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35（2）：104-106，133.

[24]張建鋒，吳 迪，龔向陽(yáng)，等. 基于核磁共振成像技術(shù)的作物根系無(wú)損檢測(cè). 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（8）：181-185.

[25]Rascher U，Blossfeld S，F(xiàn)iorani F，et al. Non-invasive approaches for phenotyping of enhanced performance traits in bean. Functional Plant Biology，2011，38（12）：968-983.

[26]Moradi A B，Carminati A，Vetterlein D，et al. Three-dimensional visualization and quantification of water content in the rhizosphere. The New Phytologist，2011，192（3）：653-663.

[27]Wasson A，Bischof L，Zwart A，et al. A portable fluorescence spectroscopy imaging system for automated root phenotyping in soil cores in the field. Journal of Experimental Botany，2016，67（4）：1033-1043.

[28]Trachsel S，Kaeppler S M，Brown K M，et al. Shovelomics：high throughput phenotyping of maize （Zea maysL.） root architecture in the field. Plant and Soil，2011，341（1）：75-87.

[29]Bucksch A，Burridge J，York L M，et al. Image-based high-throughput field phenotyping of crop roots. Plant Physiology，2014，166（2）：470-486.

[30]Wu J，Pagès L，Wu Q，et al. Three-dimensional architecture of axile roots of field-grown maize. Plant and Soil，2015，387（1）：363-377.

[31]陳信信，丁啟朔，李毅念，等. 南方稻麥輪作系統(tǒng)下小麥根系的三維分形特征. 中國(guó)農(nóng)業(yè)科學(xué)，2017，50（3）：451-460.

[32]Liedgens M，Richner W. Minirhizotron observations of the spatial distribution of the maize root system. Agronomy Journal，2001，93（5）：1097-1104.

[33]史建偉，于水強(qiáng)，于立忠，等. 微根管在細(xì)根研究中的應(yīng)用. 應(yīng)用生態(tài)學(xué)報(bào)，2006，17（4）：715-719.

[34]廖榮偉，劉晶淼，安順清，等. 基于微根管技術(shù)的玉米根系生長(zhǎng)監(jiān)測(cè). 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（10）：156-161.

[35]Amato M，Basso B，Celano G，et al. In situ detection of tree root distribution and biomass by multi-electrode resistivity imaging. Tree Physiology，2008，28（10）：1441-1448.

[36]Zenone T，Morelli G，Teobaldelli M，et al. Preliminary use of ground-penetrating radar and electrical resistivity tomography to study tree Roots in pine forests and poplar plantations. Functional Plant Biology，2008，35（10）：1047-1058.

[37]郭慶華，劉 瑾，陶勝利，等. 激光雷達(dá)在森林生態(tài)系統(tǒng)監(jiān)測(cè)模擬中的應(yīng)用現(xiàn)狀與展望. 科學(xué)通報(bào)，2014，59（6）：459-478.

[38]舒洪嵐. 探地雷達(dá)在植物根系研究中的應(yīng)用. 江西林業(yè)科技，2007（5）：32-33.

[39]Arsenault J L，Poulcur S，Messier C，et al. WinRHIZO，a root-measuring system with a unique overlap correction method. HortScience，1995，30（4）：906-907.

[40]Armengaud P，Zambaux K，Hills A，et al. EZ-Rhizo：integrated software for the fast and accurate measurement of root system architecture. The Plant Journal，2009，57（5）：945-956.

[41]Lobet G，Pagès L，Draye X. A novel image-analysis toolbox enabling quantitative analysis of root system architecture. Plant Physiology，2011，157（1）：29-39.

[42]Clark R T，F(xiàn)amoso A N，Zhao K Y，et al. High-throughput two-dimensional root system phenotyping platform facilitates genetic analysis of root growth and development. Plant，Cell & Environment，2013，36（2）：454-466.

[43]Galkovskyi T，Mileyko Y，Bucksch A，et al. GiA Roots：software for the high throughput analysis of plant root system architecture. BMC Plant Biology，2012，12（1）：116.

[44]Schmidt S，Bengough A G，Gregory P J，et al. Estimating root-soil contact from 3D X-ray microtomographs. European Journal of Soil Science，2012，63（6）：776-786.

[45]Tracy S R，Nagel K A，Postma J A，et al. Crop improvement from phenotyping roots：highlights reveal expanding opportunities. Trends in Plant Science，2020，25（1）：105-118.

[46]Hurd E A. Phenotype and drought tolerance in wheat. Agricultural Meteorology，1974，14（1）：39-55.

[47]Wasson A P，Rebetzke G J，Kirkegaard J A，et al. Soil coring at multiple field environments can directly quantify variation in deep root traits to select wheat genotypes for breeding. Journal of Experimental Botany，2014，65（21）：6231-6249.

[48]Sebastian J，Yee M C，Viana G W，et al. Grasses suppress shoot-borne roots to conserve water during drought. Proceedings of the National Academy of Sciences of the United States of America，2016，113（31）：8861-8866.

[49]Lynch J P. Rightsizing root phenotypes for drought resistance. Journal of Experimental Botany，2018，69（13）：3279-3292.

[50]Henry A，Chaves N F，Kleinman P J A，et al. Will nutrient-efficient genotypes mine the soil？ Effects of genetic differences in root architecture in common bean （Phaseolus vulgarisL.） on soil phosphorus depletion in a low-input agro-ecosystem in Central America. Field Crops Research，2010，115（1）：67-78.

[51]Uga Y，Sugimoto K，Ogawa S，et al. Control of root system architecture by DEEPER ROOTING 1 increases rice yield under drought conditions. Nature Genetics，2013，45（9）：1097-1102.

[52]Atkinson J A，Pound M P，Bennett M J，et al. Uncovering the hidden half of plants using new advances in root phenotyping. Current Opinion in Biotechnology，2019，55：1-8.