《Smart Agricultural Technology》：Imaging-Based Phenotyping in Leafy Greens: A Scoping Review of Progress, Cross-Domain Insights, and Emerging Challenges
编辑推荐：
：叶菜类作物是一类重要的园艺作物，富含维生素、矿物质、膳食纤维及多种有益健康的植物化学物质，并有助于支持更可持续的饮食模式[1]。这一群体涵盖在不同发育阶段采收的广泛物种，包括微型蔬菜、嫩叶蔬菜及成熟叶菜[2]。其中，莴苣是全球范围内在露地生产及温室、室内农业
：叶菜类作物是一类重要的园艺作物，富含维生素、矿物质、膳食纤维及多种有益健康的植物化学物质，并有助于支持更可持续的饮食模式[1]。这一群体涵盖在不同发育阶段采收的广泛物种，包括微型蔬菜、嫩叶蔬菜及成熟叶菜[2]。其中，莴苣是全球范围内在露地生产及温室、室内农业等保护性栽培系统中种植最广、研究最多的物种[3]。除了日益增长的经济价值，叶菜作为营养密集型食物来源发挥着关键作用，也是现代园艺生产系统中的主要作物。表型分析是农业研究中用于观察和量化植物对不同处理和环境条件响应的基础性活动。然而，传统表型分析方法仍严重依赖人工观测，这些方法往往具有破坏性、劳动密集且难以大规模实施[4]。这些局限性推动了多种高通量植物表型平台的发展，其中许多平台利用成像技术作为快速、非破坏性表征植物性状的主要工具。通过成像、计算和数据分析的进步，这些方法能够观测广泛的植物特征，包括形态性状、生理响应、生化属性及基因型依赖性变异[4-8]。因此，基于成像的表型分析已成为在不同生产和实验环境中研究植物表现的重要研究方法。随着基于成像的植物表型研究的扩展，已有若干综述对近期进展进行了评估并确定了未来研究方向。以往的综述从不同视角审视了基于成像的植物表型分析，包括特定作物的应用、成像技术与人工智能的进展，以及高通量表型分析在育种和受控环境农业中的应用[9-11]。然而，这些综述大多聚焦于特定作物、技术或应用领域，未能将叶菜类作物作为一个独立作物群体的基于成像的表型分析发展进行综合梳理。因此，对于成像技术和表型组学基础设施如何被用于支持叶菜生产系统中的多样化研究目标和运营需求——包括生长监测、胁迫响应表征、生理状态评估和育种——的理解仍然有限。为此，需要进行一项综合性综述，以综合当前进展、识别剩余知识空白，并为叶菜类作物基于成像的表型分析勾勒未来方向。在此背景下，本综述旨在通过范围综述的方法，综合叶菜类作物基于成像的表型分析的最新进展。具体而言，本综述的目标是：(1) 描绘叶菜类作物表型分析的当前研究格局；(2) 综合主要应用领域（包括生长监测、胁迫响应表征、生理状态评估和育种）的发展；(3) 识别各领域的关键成就、挑战和研究空白；(4) 讨论表型分析在叶菜生产系统中应用的未来方向。
基于成像的叶菜类作物表型组学研究进展解读
一、研究背景与问题提出
叶菜类作物是富含维生素、矿物质、膳食纤维及多种植物化学物质的园艺作物，对促进人类健康和可持续饮食模式具有重要意义。然而，传统的表型分析方法高度依赖人工观测，不仅耗时费力、具有破坏性，且难以在大规模生产中实施。尽管基于成像的高通量植物表型分析（high-throughput plant phenotyping, HTPP）技术已在多个作物领域取得进展，但现有综述多聚焦于单一作物、特定技术或应用场景，缺乏针对叶菜类作物这一独特作物群体的系统性综合。因此，研究人员对成像技术和表型组学基础设施如何在生长监测、胁迫响应、生理状态评估和育种等关键任务中被整合利用的认识仍十分有限。为填补这一空白，本研究采用范围综述（scoping review）方法，系统梳理了2020至2025年间发表的相关文献，旨在描绘研究现状、综合主要应用领域进展、识别知识缺口，并展望未来发展方向。
二、关键技术方法
研究人员遵循PRISMA-ScR指南开展范围综述，采用Population–Concept–Context框架界定范围，人群为叶菜类作物（包括但不限于莴苣、菠菜、羽衣甘蓝、卷心菜、芝麻菜、小白菜等），概念聚焦于基于成像的表型分析及相关表型组学基础设施（如RGB、多光谱、高光谱、热成像、三维成像等技术），情境涵盖实验室、生长箱、温室、受控环境农业（controlled-environment agriculture, CEA）、植物工厂及露地等多种环境。文献检索在Web of Science核心合集和Scopus两个数据库中进行，时间限定为2020至2025年，语言为英语。经过三阶段筛选（去重、标题摘要筛选、全文评估），最终纳入59篇原创研究文章。数据提取分为描述性数据和主题分析数据两类，并通过VOSviewer进行关键词共现分析，采用描述性和主题性方法进行三阶段数据综合。
三、研究结果
3.1 研究格局特征
总体发文量在2020至2025年间呈增长趋势，从2020年仅1篇增至2025年的20篇，表明研究兴趣持续上升。中国贡献最多（21篇，35.6%），其次为美国（10篇，16.9%），韩国、巴西和荷兰各4篇。作物种类高度集中于莴苣（43次，占70.5%），其次是卷心菜（11次，18.0%）和菠菜（3次，4.9%）。温室是最常见的种植环境（22项，39.3%），露地次之（15项，26.8%）。成像方式中，原位成像（in situ）占48.2%，设施内成像占42.9%。
3.2 生长与发育监测
在22项生长监测研究中，17项为核心表型研究。结构表征方面，线性表征（如株高、叶长）仅见于5项研究，二维表征（如投影面积、冠层密度）见于8项，三维表征（点云、体素模型）也见于8项，显示向多维空间表征发展的趋势。时间监测策略中，纵向监测和高频纵向监测合计占比约70%，而快照式监测仅占24%。然而，信息利用层面，59%的研究仍停留在测量导向（仅量化生长指标），35%达到理解导向（解释生物学过程），仅6%达到诊断导向，无一进入运营导向，揭示从测量到决策支持的明显鸿沟。
3.3 胁迫检测与胁迫响应表型分析
仅9项研究涉及胁迫表型，且主要集中于水分胁迫，盐分、生物胁迫和污染物胁迫各仅1项。实验设计方面，多数采用单因素二元胁迫设计，仅有少数研究涉及双因素或多水平胁迫。尽管多数研究采用了纵向监测，但信息利用仍以响应表征为主，较少延伸至胁迫推断或预测，表明监测能力远超胁迫推理能力。
3.4 养分、色素与生理状态评估
11项研究涉及该领域，展示了多样化的生物靶标与估计方法。色素性状（如叶绿素、花青素）估计方法最为多样，包括动态NDVI、LPCNet、荧光花青素指数等；养分性状（氮、磷、钾等）多采用偏最小二乘回归（PLSR）或深度学习模型；生理性状（如光系统II实际量子效率ΦPSII、最大光化学效率Fv/Fm）则依赖脉冲振幅调制（PAM）荧光参数。然而，时间监测仍以快照式为主（7/11项），限制了对其动态变化的理解。
3.5 育种与遗传表型分析
17项研究涉及该领域，成像技术主要用于基因型区分、产量相关性状预测及育种选择辅助。研究表明，基于图像的性状可有效区分品种间差异，并与农艺性状显著关联，但其直接融入育种决策流程的程度仍有待加强。
四、讨论与结论
跨领域综合揭示了一个核心矛盾：观测能力的发展远快于生物学解释能力的提升。在生长监测中，三维表征和纵向监测虽已广泛应用，但转化为运营决策支持的案例极少；在胁迫研究中，监测能力强于胁迫推理；在生理评估中，快照式测量主导，动态追踪不足。研究人员指出，未来叶菜类作物表型分析应朝着三个方向演进：现实化（realistic）——发展更具生物学真实性的数字植物表征；可解释性（explainable）——增强模型对生物学过程的透明理解；可操作性（operational）——将表型信息真正融入生产决策系统。此外，跨任务整合不足、作物代表性单一（以莴苣为主）等问题亟待解决。研究结论强调，虽然成像技术在叶菜表型分析中取得了显著进展，但从观察到理解的转变仍是核心挑战，未来的研究需在跨域协同、多尺度整合和实用化部署方面实现突破。
