A major challenge for crop research in the 21st century is how to predict crop performance as a function of genetic architecture. Advances in “next generation” DNA sequencing have greatly improved genotyping efficiency and reduced genotyping costs. Methods for characterizing plant traits (phenotypes), however, have much progressed more slowly over the past 30 years, and constraints in phenotyping capability limit our ability to dissect the genetics of quantitative traits, especially those related to harvestable yield and stress tolerance. As a case in point, mapping populations for major crops may consist of 20 or more families, each represented by as many as 200 lines, necessitating field trials with over 20,000 plots at a single location. Investing in the resources and labor needed to quantify even a few agronomic traits for linkage with genetic markers in such massive populations is currently impractical for most breeding programs. Herein, we define key criteria, experimental approaches, equipment and data analysis tools required for robust, high-throughput field-based phenotyping (FBP). The focus is on simultaneous proximal sensing for spectral reflectance, canopy temperature, and plant architecture where a vehicle carrying replicated sets of sensors records data on multiple plots, with the potential to record data throughout the crop life cycle. The potential to assess traits, such as adaptations to water deficits or acute heat stress, several times during a single diurnal cycle is especially valuable for quantifying stress recovery. Simulation modeling and related tools can help estimate physiological traits such as canopy conductance and rooting capacity. Many of the underlying techniques and requisite instruments are available and in use for precision crop management. Further innovations are required to better integrate the functions of multiple instruments and to ensure efficient, robust analysis of the large volumes of data that are anticipated. A complement to the core proximal sensing is high-throughput phenotyping of specific traits such as nutrient status, seed composition, and other biochemical characteristics, as well as underground root architecture. The ability to “ground truth” results with conventional measurements is also necessary. The development of new sensors and imaging systems undoubtedly will continue to improve our ability to phenotype very large experiments or breeding nurseries, with the core FBP abilities achievable through strong interdisciplinary efforts that assemble and adapt existing technologies in novel ways.

To mitigate the effects of heat and drought stress, a better understanding of the genetic control of physiological responses to these environmental conditions is needed. To this end, we evaluated an upland cotton (Gossypium hirsutum L.) mapping population under water-limited and well-watered conditions in a hot, arid environment. The elemental concentrations (ionome) of seed samples from the population were profiled in addition to those of soil samples taken from throughout the field site to better model environmental variation. The elements profiled in seeds exhibited moderate to high heritabilities, as well as strong phenotypic and genotypic correlations between elements that were not altered by the imposed irrigation regimes. Quantitative trait loci (QTL) mapping results from a Bayesian classification method identified multiple genomic regions where QTL for individual elements colocalized, suggesting that genetic control of the ionome is highly interrelated. To more fully explore this genetic architecture, multivariate QTL mapping was implemented among groups of biochemically related elements. This analysis revealed both additional and pleiotropic QTL responsible for coordinated control of phenotypic variation for elemental accumulation. Machine learning algorithms that utilized only ionomic data predicted the irrigation regime under which genotypes were evaluated with very high accuracy. Taken together, these results demonstrate the extent to which the seed ionome is genetically interrelated and predictive of plant physiological responses to adverse environmental conditions.