Гиперспектральная съёмка для анализа мелкомасштабных симптомов различных болезней сахарной свёклы

Anne-Katrin Mahlein*, Ulrike Steiner, Christian Hillnhütter, Heinz-Wilhelm Dehne, Erich-Christian Oerke
* Автор для корреспонденции: amahlein@uni-bonn.de. Институт растениеводства и сохранения ресурсов (INRES), отделение фитомедицины, Боннский университет, Nussallee 9, 53115 Бонн, Германия.
© Mahlein и соавт., 2012. Лицензиат — BioMed Central Ltd. Статья распространяется по лицензии Creative Commons Attribution (http://creativecommons.org/licenses/by/2.0), допускающей свободное использование, распространение и воспроизведение на любом носителе при надлежащем цитировании оригинальной работы.
Plant Methods, 2012, 8:3 • DOI 10.1186/1746-4811-8-3
Методология • Открытый доступ

Аннотация

Гиперспектральная съёмка (HSI) обладает большим потенциалом в качестве неинвазивного инструмента диагностики болезней растений. В работе установлена связь между характеристиками листьев сахарной свёклы и их спектральным коэффициентом отражения на разных стадиях церкоспороза, мучнистой росы и ржавчины. Морфологические изменения тканей хозяина при колонизации патогенами описывали методом световой микроскопии. В контролируемых условиях для последовательного наблюдения за симптомами в ходе патогенеза применяли строчный гиперспектральный спектрометр ImSpector V10E со спектральным разрешением 2,8 нм в диапазоне 400–1000 нм и пространственным разрешением 0,19 мм. Попиксельное картирование коэффициента отражения в видимом и ближнем инфракрасном диапазонах позволило обнаружить и подробно охарактеризовать поражённые ткани на уровне отдельного листа. Строение листа сопоставили с особенностями его спектрального отражения. Характер взаимодействия патогенов с тканью хозяина обусловливал специфичные для болезни спектральные сигнатуры. Изменение отражения зависело от стадии развития болезни и участка внутри симптома. Сочетание спектрального отражения с классификацией по спектральному углу (Spectral Angle Mapper, SAM) позволило разделить зрелые симптомы на зоны, представляющие все стадии их развития, от начальной до зрелой. Попиксельное выделение чистых спектральных сигнатур позволило лучше понять изменения отражения листьев при заболеваниях. Технология существенно повышает чувствительность и специфичность гиперспектрометрии при диагностике болезней растений с близкого расстояния.
Ключевые слова — гиперспектральная съёмка, спектральное отражение, болезни растений, признаки листьев, Cercospora beticola, Erysiphe betae, Uromyces betae.

Введение

Отражение листьев формируется в результате многочисленных взаимодействий падающего излучения с биофизическими (поверхность листа, строение тканей) и биохимическими (содержание пигментов и воды) характеристиками растений [1–3]. В ряде исследований описаны перспективы применения спектрорадиометров без формирования изображения для измерения отражения в видимом (VIS, 400–700 нм), ближнем инфракрасном (NIR, 700–1000 нм) и коротковолновом инфракрасном (SWIR, 1000–2500 нм) диапазонах с целью выявления изменений жизненного состояния растений, прежде всего при грибных заболеваниях [4–7]. Симптомы возникают в результате физиологических изменений обмена веществ, обусловленных деятельностью патогенов [8]. Воздействие на физиологию и фенологию растений зависит от типа взаимодействия хозяина и патогена и может изменять содержание пигментов и воды, функциональное состояние тканей или приводить к появлению специфичных для патогена грибных структур [9,10]. Все эти факторы способны изменять спектральные свойства растений. Поэтому для гиперспектрального различения здоровых и поражённых участков листьев и растительного полога необходимо знать влияние патогенов на обмен веществ и строение растительной ткани [11].
Гиперспектральная съёмка представляет собой технологию неинвазивного определения физиологического состояния растительности [12–14]. В сочетании с методами последующего анализа она может обеспечить объективную автоматизированную оценку тяжести болезней растений [15]. Помимо спектральных данных, получаемых спектрорадиометрами без формирования изображения, гиперспектральные камеры регистрируют пространственную информацию об объектах. Ожидается, что это улучшит выявление болезней за счёт более подробного изучения взаимодействий хозяина и патогена [15,16]. Системы формирования изображений позволяют попиксельно выделять специфичные для болезни симптомы и здоровые ткани, повышая специфичность и чувствительность инструментальной диагностики [13].
В большинстве исследований спектральную сигнатуру ткани, колонизированной патогеном, сравнивают с сигнатурами здоровой ткани и растительного полога. Bravo и соавт. [17] применили полевые спектральные изображения для ранней диагностики жёлтой ржавчины пшеницы. Nansen и соавт. [18] анализировали гиперспектральные кубы для выявления стресса у пшеницы, вызванного насекомыми. Polder и соавт. [19] совместили разные оптические датчики для выявления вируса пестролепестности тюльпанов. Гиперспектральная съёмка также всё чаще используется для контроля качества и безопасности плодов и пищевых продуктов. Balasundaram и соавт. [20] и Qin и соавт. [21] разработали метод выявления поражений бактериальным раком на плодах цитрусовых.
Инструментальная оценка болезней растений включает обнаружение отклонения от здорового состояния, идентификацию конкретных симптомов и различение болезней, а также количественную оценку тяжести, например процента поражённой площади листа. Тип и объём данных зависят от задачи. Датчики должны быть чувствительны к изменениям при колонизации тканей грибами в ходе патогенеза [8].
Переход от спектрорадиометрии без формирования изображения к гиперспектральной съёмке позволяет сопоставлять спектральные сигнатуры с отдельными пикселями и оценивать мелкомасштабные изменения, характерные для ранних стадий болезни. Значимые изменения сигнатуры ткани хозяина могут выявляться в мельчайших пятнах первичных симптомов, на дальнейших стадиях и при локальных изменениях до появления видимых симптомов. Эти данные можно связать с фундаментальными процессами биологии растений и грибного патогенеза.
В качестве модельной системы использовали три листовые болезни сахарной свёклы. Церкоспороз (CLS), мучнистую росу (PM) и ржавчину сахарной свёклы (SBR) вызывают соответственно Cercospora beticola (Sacc.), Erysiphe betae (Vanha) Weltzien и Uromyces betae (Persoon) Lev. Спектральные сигнатуры различных стадий и зон типичного симптома оценивали попиксельно. Болезни выявляли, различали и количественно оценивали методом автоматической классификации. Морфологические изменения листьев описывали микроскопически и сопоставляли строение листа с особенностями спектрального отражения.

Результаты

Влияние колонизации грибами на строение и отражение листьев

Симптомы различались между болезнями и стадиями патогенеза. Первые признаки церкоспороза — мелкие серые вдавленные пятна (рис. 1A). Затем пятна некротизировались и формировали красновато-бурую кайму (рис. 1D, G). Первые признаки ржавчины — мелкие хлоротичные пятна (рис. 1B). Позднее янтарные урединиоспоры разрывали эпидермис (рис. 1E, H). Мучнистая роса сначала проявлялась мелкими колониями мицелия на верхней стороне листа (в тексте оригинала указан рис. 1D). Колонии быстро распространялись по листу, плотность мицелия увеличивалась (рис. 1F, I).
Симптомы церкоспороза, ржавчины и мучнистой росы на листьях сахарной свёклы
Рисунок 1. Характерные симптомы церкоспороза на 7-е, 11-е и 15-е сутки после инокуляции (A, D, G), ржавчины на 11-е, 15-е и 19-е сутки (B, E, H) и мучнистой росы на 5-е, 9-е и 12-е сутки (C, F, I). Масштабная линейка — 2000 мкм.
Световая микроскопия выявила изменения тканевой структуры листьев под действием C. beticola, E. betae и U. betae по сравнению со здоровыми листьями (рис. 2). C. beticola проникал через устьица, формировал межклеточные гифы и псевдостромы в подустьичной ткани. На границе очага церкоспороза и здоровой ткани наблюдались глубокие трещины и борозды (рис. 2B). Очаг был заметно вдавлен. В некротическом центре наблюдался лизис клеток и малый объём межклеточных пространств.
Поверхностный мицелий и цепочки конидий были характерны для мучнистой росы. Тонкие срезы листьев, поражённых E. betae, показали слабое влияние на тканевую структуру (рис. 2C). Мицелий и конидии наблюдались на верхней и реже на нижней поверхности листа. Гриб растёт поверхностно, после формирования апрессория проникает через стенку эпидермальной клетки и образует в ней гаусторию. Для новой гаустории необходимо формирование нового апрессория и повторное проникновение через эпидермальный слой.
На поперечных срезах пустул U. betae наблюдалось вздутие листовой ткани, обусловленное накоплением спор под эпидермисом (рис. 2D). На поздних стадиях урединиоспоры прорывали эпидермальный слой. Округлые споры высвобождались и распространялись на соседний участок листа. Рядом с пустулой обнаружены гифы, заполняющие межклеточные пространства мезофилла.
Тонкие срезы здоровых и поражённых листьев, окрашенные толуидиновым синим
Рисунок 2. Тонкие срезы здоровых и поражённых листьев, окрашенные толуидиновым синим. В здоровом листе структура сохранена, хлоропласты (chl) расположены по периферии клеток. При церкоспорозе показана граница ткани без макроскопических симптомов (стрелки) и некротической ткани (звёздочки) в центре (c) зрелого очага. При мучнистой росе мицелий (my) и конидии (co) видны на верхней поверхности. Гриб проник через клеточную стенку эпидермиса, сформировав апрессории (a) и гаустории (h). В разорвавшейся пустуле ржавчины верхний эпидермис (ue) отделён от паренхимы, урединиоспоры (us) высвобождены, в межклетниках мезофилла видны гифы (ih).

Роль пространственного разрешения в выявлении листовых болезней

Пространственное разрешение датчика определяет возможность обнаружения и идентификации листовых болезней. Разрешение 0,2 мм на пиксель оказалось оптимальным для визуализации пятен церкоспороза (рис. 3). При снижении разрешения возрастало число пикселей со смешанной информацией и уменьшались различия отражения. При 3,1 мм характерные симптомы уже не выявлялись: сигнал включал вклад здоровой и поражённой ткани. При 17,1 мм сигнал был сходен с измерением спектрорадиометром без формирования изображения. Существенная информация терялась при усреднении отражения в измеряемой области.
Влияние пространственного разрешения на выявление церкоспороза
Рисунок 3. Влияние пространственного разрешения на чувствительность выявления церкоспороза. Кубической свёрткой исходное разрешение 0,19 мм (79 × 87 пикселей на площади 289 мм²) пересчитали в 0,8 мм (20 × 22 пикселя), 3,1 мм (5 × 6 пикселей) и 17 мм (1 пиксель).

Спектральные сигнатуры характерных зон зрелых симптомов

Спектральные сигнатуры из центра зрелых симптомов различались между болезнями (рис. 4). У пикселей церкоспороза отражение было выше в VIS и ниже в NIR, чем у здоровой ткани. Мучнистая роса вызывала общее увеличение отражения, а ржавчина — слабые изменения в VIS на 550–700 нм и снижение в NIR.
Спектральные сигнатуры здоровых листьев и зрелых симптомов трёх болезней
Рисунок 4. Спектральные сигнатуры здоровых листьев и центральных участков зрелых симптомов церкоспороза, ржавчины и мучнистой росы. Спектры отражения усреднены по 20 пикселям характерной ткани.
На рис. 5A показаны сигнатуры вдоль профиля через здоровый лист. Каждый спектр соответствует одному пикселю. Отражение соседних пикселей в здоровом сегменте было достаточно однородным. Небольшие различия связаны с неоднородностью ткани, строением поверхности и её взаимодействием с освещением. В профилях через зрелые пятна церкоспороза отражение существенно зависело от зоны (рис. 5B). Кайма имела повышенное отражение в VIS и пониженное в NIR, а некротический центр — повышенное в обоих диапазонах. При мучнистой росе отражение увеличивалось во всём спектре в зависимости от плотности мицелия (рис. 5C). На краю колоний оно заметно возрастало в VIS и слабо в NIR. Более плотный мицелий в центре усиливал этот эффект. При ржавчине пространственные различия были менее выражены из-за малых размеров колоний и менее разрушительного взаимодействия с хозяином (рис. 5D). Переход от здоровой ткани к пустулам характеризовался общим снижением отражения, а в центре пустул отражение было ниже вблизи зелёного максимума (550 нм).
Континуум отражения здоровой ткани и специфичных симптомов
Рисунок 5. Континуум отражения здоровой ткани и специфичных симптомов. Спектры извлечены попиксельно вдоль профиля через характерный участок листа. (A) Здоровая ткань, (B) церкоспороз, (C) мучнистая роса, (D) ржавчина. Под спектрами приведены RGB-изображения, чёрный прямоугольник обозначает пиксели, использованные для извлечения спектров.

Пространственная и временная динамика спектральных признаков при патогенезе

Поскольку зоны зрелых симптомов различались спектрально, исследовали изменения отражения поражённой ткани в пространстве и времени. На примере церкоспороза (рис. 6) отражение поражённых сегментов анализировали в несколько сроков после появления первых видимых признаков, охватывая развитие типичных симптомов. Средние спектры разных стадий служили эталонами в SAM. Через сутки после появления мелких обесцвеченных пятен сигнатура лишь немного отличалась от здоровой ткани. По мере роста пятна эта реакция и сигнатура распространялись по его периферии, а первоначально поражённая ткань высыхала и некротизировалась, приобретая другую сигнатуру. На 20-е сутки типичные симптомы включали почти концентрические зоны, спектральные сигнатуры которых со временем переходили одна в другую.
Пространственная и временная динамика сигнатуры церкоспороза
Рисунок 6. Пространственная и временная динамика гиперспектральной сигнатуры церкоспороза. Первый ряд — RGB-изображения поражённой ткани. Второй — области интереса для извлечения сигнатур здоровой ткани (светло-зелёный) и пятен через 1 (светло-зелёный), 3 (синий), 7 (жёлтый) и 11 (красный) суток после появления. Третий ряд — классификация SAM по сигнатурам областей интереса. Последний ряд — сигнатуры классов.
Сходную динамику выявили у мучнистой росы и ржавчины. При мучнистой росе отражение в VIS и NIR последовательно увеличивалось. Через трое суток после появления колоний отражение их центра в VIS было существенно выше, чем на краю и чем у колоний через сутки.

Классификация симптомов и количественная оценка болезней методом SAM

По гиперспектральным данным методом спектрального угла идентифицировали и количественно оценивали зоны симптомов (табл. 1). Результаты проверяли матрицами ошибок (дополнительный файл 1, таблицы S1–S3). Для церкоспороза выбрали классы «здоровая ткань», «кайма» и «некротический центр». В первый день измерений 99,89 % площади листа классифицировано как здоровая ткань при общей точности 99,88 %. Высокая каппа свидетельствует о согласии с эталонными данными. Через восемь суток после инокуляции лишь 1,1 % здоровой ткани осталось неклассифицированным. Общая точность составила 98,90 %, каппа — 0,99. На 11-е сутки точность снизилась до 89,58 % (каппа 0,52), поскольку часть каймы ошибочно классифицировали как здоровую (11,18 %). При большей тяжести болезни и зрелых симптомах точность вновь выросла (96,58 %, каппа 0,92, 14-е сутки). На 17-е сутки SAM отнёс 79,05 % площади к здоровой ткани и 20,95 % — к церкоспорозу.
Для мучнистой росы выделили классы «здоровая ткань», «разреженный мицелий» и «плотный мицелий» (рис. 7, дополнительный файл 1, табл. S2). До инокуляции листья классифицированы как здоровые на 100 % при точности 100 % и каппе 1,00 (табл. 1). На восьмые сутки видимые колонии появились справа в средней части листа и рядом с разветвлениями жилок. Общая точность достигла 94,34 % (каппа 0,88). При появлении симптомов и росте колоний результаты SAM совпадали с визуальной оценкой. На 11-е, 14-е и 17-е сутки точность была высокой, однако различать разреженный и плотный мицелий оказалось трудно.
Классификация мучнистой росы методом SAM
Рисунок 7. Автоматическая классификация мучнистой росы методом SAM. Классы «здоровая ткань» (зелёный), «разреженный мицелий» (жёлтый) и «плотный мицелий» (красный) разделяли при разной тяжести заболевания с максимальным порогом угла 0,1°. RGB-изображения и изображения классификации SAM в условных цветах на 8-е, 11-е и 14-е сутки после инокуляции.
Классификация ржавчины затруднена из-за малых размеров симптомов и низкой тяжести болезни в период измерений (дополнительный файл 1, табл. S3). Первые пустулы стали различимы на 20-е сутки. Ранее классифицировать инокулированные листья не удалось. Проверка по эталонным данным дала общую точность 61,70 % и каппу 0,56. Неклассифицированными остались 15,98 % здоровой площади листьев и 15,12 % симптомов. Удовлетворительного разделения здоровых участков и симптомов не достигли: 20,67 % пустул отнесли к здоровой ткани, а 4 % здоровой ткани — к ржавчине.
Таблица 1. Точность классификации SAM и оценка поражённой площади листьев в ходе развития болезни. Значения приведены по таблице оригинала.
Болезнь Показатель / сутки после инокуляции 8 11 14 17 20
Церкоспороз Общая точность, % 98,90 89,01 96,58 98,73
Коэффициент каппа 0,99 0,53 0,92 0,98
Поражённая площадь, % 0 6,56 7,61 20,92
Мучнистая роса Общая точность, % 94,34 96,79 97,23 90,18
Коэффициент каппа 0,88 0,91 0,95 0,84
Поражённая площадь, % 14,40 19,37 41,94 50,04
Ржавчина Общая точность, % 61,70
Коэффициент каппа 0,56
Поражённая площадь, % 2,89

Обсуждение

Гиперспектральная съёмка хорошо подходит для выявления, идентификации и количественной оценки грибных заболеваний на уровне листьев. Каждая болезнь по-своему изменяет отражение тканей свёклы, формируя специфичные спектральные сигнатуры. Сходные эффекты для листовых и почвенных болезней ранее описали Mahlein и соавт. [5] и Hillnhütter и соавт. [22] методом гиперспектрометрии без формирования изображения.
Вклад поражённой ткани в смешанный сигнал зависит от тяжести болезни, что ограничивает чувствительность и специфичность спектрорадиометров без формирования изображения. При слабом поражении в спектре преобладает отражение здоровой ткани, а вклад симптомов мал. Без формирования изображения можно выявлять поражённые растения или листья. Для обнаружения, идентификации и количественной оценки отдельных симптомов требуется съёмка с высоким пространственным разрешением и близкого расстояния. HSI позволяет преодолеть ограничения спектрорадиометрии, включая трудность различения смешанного поражения двумя или несколькими болезнями на одном листе или растении.
Попиксельное выделение симптомов и здоровой ткани позволяет подробно рассмотреть характер отражения. Некоторые симптомы можно отличить от других болезней и стрессов только при высоком пространственном разрешении [17,14]. Порог обнаружения спектрорадиометром без формирования изображения составлял 10 % поражённой площади для церкоспороза и мучнистой росы и 20 % для ржавчины [5]. HSI регистрирует чистые сигналы отдельных пикселей поражённой ткани и позволяет обнаруживать и идентифицировать отдельные симптомы.
Высокое пространственное разрешение особенно важно для болезней с отдельными округлыми очагами, таких как церкоспороз и ржавчина. Использованная камера различала даже зоны отдельных симптомов. Тем не менее мелкие урединии U. betae и ограниченное разрешение дали много смешанных пикселей. В зависимости от формы симптомов размер пикселя должен быть в 2–5 раз меньше объекта [23,24]. Это правило ограничивает диагностику болезней растений технологиями съёмки с близкого расстояния.
Болезни различались пространственной и временной динамикой и влиянием на ткани и их отражение. Спектральные эффекты ранее подробно описаны Mahlein и соавт. [5]. В гиперспектральных кубах вдоль профилей через пятна церкоспороза выявили континуум от здоровой через недавно колонизированную и изменившую цвет (красновато-бурую) ткань к хлоротичным, отмирающим и мёртвым клеткам в центре зрелого пятна. Этому соответствовали характерные изменения отражения в VIS и NIR. NIR особенно чувствителен к структурным изменениям тканей [25,26]. Boyer и соавт. [27] описали сходные эффекты у стареющих листьев дуба северного болотного.
Биотрофы U. betae и E. betae менее разрушительны, поскольку зависят от целостности клеток и обмена веществ хозяина. Изменения структуры и содержания пигментов были меньше, чем при церкоспорозе, и вызывали лишь слабые изменения отражения в VIS и NIR. При развитых симптомах видимого изменения числа хлоропластов не наблюдалось. Белёсый мицелий E. betae увеличивал отражение по всему рабочему диапазону датчика. Ранняя однозначная диагностика затруднена, поскольку налёт почти параллельно смещает кривую, слабо меняя её форму. Красновато-бурые урединиоспоры U. betae влияли на отражение подобно кайме церкоспороза: небольшое снижение на 450–500 нм, рост на 550–700 нм и снижение в NIR (рис. 4). Высокое содержание каротиноидов и меланиноподобных пигментов, придающих спорам буро-оранжевый цвет, подтверждено для многих ржавчинных грибов [28]. Согласно Gitelson и соавт. [29], полосы поглощения каротиноидов и хлорофилла перекрываются в синей области около 520 нм. Церкоспороз повышает отражение на 400–550 нм, а при ржавчине такого роста нет. Отражение остаётся примерно постоянным на уровне около 0,05 %/100 (обозначение оригинала). Предполагается, что каротиноиды урединиоспор компенсируют потерю хлорофилла. Небольшой размер колоний затруднял выявление при слабом поражении и на ранних стадиях.
Попиксельное сопоставление сигнатур позволило исследовать пространственную структуру отдельных симптомов. Изменения отражения на разных стадиях проявлялись в сигнатурах различных зон. Например, спектры молодых симптомов были сходны со спектрами каймы зрелых очагов. Результаты по мучнистой росе и ржавчине в целом подтверждают, что растущий зрелый очаг включает все уже пройденные стадии.
Влияние вида болезни, стадии и тяжести поражения на спектральные характеристики растений сложно и может дать новые сведения о взаимодействиях хозяина и патогена [30]. Аналогично Ustin и Gamon [31], которые по отражению выделили «оптические типы» растений с разными морфологическими и физиологическими признаками, здесь при развитии болезни классифицировали спектры зон поражённой ткани. Гиперспектральная съёмка показала, что стадии болезней образуют континуум. Градиенты отражения между здоровой или бессимптомной и симптоматической тканью могут затруднять классификацию. Динамика пространственных признаков может помочь идентифицировать болезни и стрессы на уровне полога [32] и тканей [30].
При известных сигнатурах здоровой и болезненной ткани выбрали классификацию с учителем. Поскольку SAM использует заданные эталонные спектры, данным подходом не удалось выявлять колонизацию до появления видимых симптомов. Видимые симптомы классифицировались с высокой точностью. Преимущество SAM — нечувствительность к неоднородности рельефа и освещения, поскольку угол между векторами не зависит от их длины [33]. Жилки и различия скоростей роста обусловливают волнистую, бороздчатую поверхность листа, зависящую от генотипа. Неоднородность интенсивности отражения возникает вследствие различного направления отражения света. SAM использует средний спектр эталонного класса, поэтому внутриклассовая спектральная изменчивость не сохраняется. Luc и соавт. [34] повысили точность классификации бельгийского побережья, модифицировав SAM для сохранения такой изменчивости. Аналогичная модификация может улучшить диагностику на ранних стадиях при незрелых симптомах. Как и в системе «томат — P. infestans», описанной Zhang и соавт. [35], слабое поражение ржавчиной снизило точность SAM.

Выводы

В исследовании впервые методом HSI проанализированы характерные симптомы разных болезней сахарной свёклы и их пространственно-временное развитие. Такое непрерывное наблюдение за патогенезом представляет интерес для приложений от клеточных исследований до крупномасштабной работы в поле. Гиперспектральная диагностика помогает понять оптические свойства растений при патогенезе. Методы анализа и характеристики датчиков можно переносить на другие системы «растение — патоген». Технология позволяет создавать точные высокопроизводительные системы оценки болезней для селекции на устойчивость и разработки фунгицидов.

Материалы и методы

Растительный материал

Семена сахарной свёклы (Beta vulgaris L., сорт Pauletta, KWS, Айнбек, Германия) предварительно выращивали в небольших горшках. После полного развития первичных листьев сеянцы пикировали и пересаживали в пластиковые горшки диаметром 170 мм с коммерческим субстратом Einheitserde Topf (Klasmann-Deilmann, Гесте, Германия). Температура составляла 23/20 °C (день/ночь), относительная влажность — 60 %, фотопериод — 16 ч. Растения ежедневно поливали и еженедельно вносили 100 мл 0,2%-го раствора Poly Crescal (Aglukon, Дюссельдорф, Германия). Для опытов использовали растения, достигшие стадии развития GS 16 [36].

Культуры патогенов и инокуляция

Исследовали три группы растений с экспериментально вызванными церкоспорозом, ржавчиной и мучнистой росой. Неинокулированные растения служили здоровым контролем. Их содержали в теплице при температуре 23/20 °C (день/ночь) и относительной влажности 60 ± 10 %. [Процедурные параметры получения и подготовки инфекционного материала и заражения растений опущены.]

Измерительная установка и гиперспектральная съёмка

Через двое суток после инокуляции растения размещали на передвижных столах размером 0,8 × 0,8 м по четыре растения на стол. По методу Chaerle и соавт. [37] пятую полностью развитую пару листьев каждого растения закрепляли горизонтально на раме между двумя слоями проволочной сетки с резиновым покрытием. Раму и сетку покрыли матовой чёрной краской для снижения отражения. Сетка ограничивала перемещения листьев и разделяла их на изображениях на квадраты размером 20 × 20 мм.
Система объединяла формирующий изображение спектрограф и зеркальный сканер. Строчный спектрограф ImSpector V10E (Spectral Imaging Ltd., Оулу, Финляндия) работал в диапазоне 400–1000 нм со спектральным разрешением до 2,8 нм. При ширине входной щели 30 мкм максимальный размер изображения составлял 1600 пикселей на строку, размер пикселя датчика — 0,0074 мм. При расстоянии 0,60 м от объекта до системы пространственное разрешение составляло 0,19 мм на пиксель. Зеркальный сканер (Spectral Imaging Ltd.) с максимальным полем зрения 80° был установлен перед объективом и формировал второе пространственное измерение. Систему установили на раме ручного позиционирования по осям XY. Вокруг неё разместили шесть ламп ASD-Pro-Lamps (Analytical Spectral Devices Inc., Боулдер, США) со спектром, близким к солнечному. Расстояние от ламп до листьев составляло 0,5 м, угол по вертикали — 45°. Изображения регистрировали в тёмной камере для оптимального, воспроизводимого освещения и постоянных условий измерения. Съёмку проводили ежедневно со 2-х по 21-е сутки после инокуляции.
В ПО SpectralCube (Spectral Imaging Ltd., Оулу, Финляндия) угол зеркального сканера, спектральное и пространственное разрешение подбирали под объект. При съёмке листьев спектральный биннинг составлял 4, пространственный — 1. Частоту кадров и экспозицию подбирали с учётом биннинга и объекта. Систему вручную фокусировали по калибровочной планке из сульфата бария (Spectral Imaging Ltd., Оулу, Финляндия) с чёрными ромбами на белом фоне, размещённой на таком же расстоянии от камеры, как листья. Для последующего расчёта отражения получали три изображения. С закрытым внутренним затвором снимали кадр темнового тока, затем с той же экспозицией — белую эталонную планку (Spectral Imaging Ltd., Оулу, Финляндия). Её горизонтальный размер и высота соответствовали области объекта. Затем получали изображение участка листа с оптимизированным временем экспозиции. Опыты проводили не менее двух раз.

Нормализация и предварительная обработка гиперспектральных изображений

Коэффициент отражения относительно белого эталона с учётом темнового тока рассчитывали в ENVI 4.6 + IDL 7.0 (ITT Visual Information Solutions, Боулдер, США). После нормализации сигналы сглаживали фильтром Савицкого — Голея [38], используя пять опорных точек с каждой стороны и полином пятой степени. Дальнейший анализ выполняли в ENVI 4.6 + IDL 7.0.

Снижение пространственного разрешения кубической свёрткой

Пространственное разрешение исходных гиперспектральных изображений снижали пересчётом методом кубической свёртки. Новые значения вычисляли взвешиванием 16 соседних пикселей. Исходному размеру пикселя 0,19 мм сопоставили более грубые разрешения с размером пикселя 0,8, 3,1 и 17 мм.

Спектральные сигнатуры отдельных болезней

Извлекали спектральные сигнатуры пикселей из характерных зон полностью развитых симптомов. Для каждой болезни анализировали 20 зрелых симптомов одной стадии. Поскольку признаки менялись в ходе патогенеза, сигнатуры на разных стадиях собирали и усредняли. Для каждой болезни ежедневно анализировали десять симптоматических участков. Сигнатуры выделяли в областях интереса (ROI). Дополнительно получали RGB-изображения листьев и визуально оценивали процент поражённой площади для каждого патогена.

Классификация по спектральному углу (SAM)

Для различения болезней применяли автоматическую классификацию из практики дистанционного зондирования. Метод SAM [33] реализовали в ENVI 4.6 + IDL 7.0. Спектральная классификация статистически относит каждый пиксель к одной из известных категорий. Для этого определяют уникальные эталонные спектры чистых компонентов изображения и используют алгоритм отнесения пикселя к классу. Для церкоспороза выбрали эталоны здоровой ткани, каймы и центра пятна. Для мучнистой росы — здоровой ткани, разреженного и плотного мицелия. Для ржавчины — здоровой ткани и ржавчины. Данные разделили на обучающую и тестовую выборки. Классификация превращает гиперспектральное изображение в тематическое изображение выбранных классов в условных цветах. SAM определяет сходство измеренного и эталонного спектров по углу между ними в n-мерном пространстве, где n — число спектральных каналов. Результат для каждого пикселя — угловое различие, которое можно представить в условных цветах. Малые углы соответствуют высокому сходству, большие — низкому [33]. Векторное представление ослабляет влияние различий освещения из-за рельефа и жилок листа: более тёмный пиксель располагается вдоль того же вектора, ближе к началу координат. Результат проверяли по общей точности (процент правильных классификаций) и коэффициенту каппа, учитывающему случайное согласие.

Микроскопические исследования

Для гистологического анализа отбирали образцы ткани здоровых и поражённых листьев размером 3–5 × 3–5 мм. Образцы фиксировали 8%-м параформальдегидом и 8%-м глутаральдегидом в 0,2 М какодилатном буфере натрия (pH 7,3) под вакуумом 4 ч при комнатной температуре [39]. Образцы трижды промывали в какодилатном буфере по 20 мин, обезвоживали в этаноле возрастающей концентрации и заключали в смолу London Resin White. Полутонкие срезы получали алмазным ножом на ультрамикротоме Reichert Ultracut E (Leica Microsystems, Нуслох, Германия) и окрашивали 1%-м толуидиновым синим. Препараты исследовали на фотомикроскопе Leitz DMR 6000B. Цифровые фотографии получали камерой JVC Ky-F75U с ПО Discus 4.6 (Technical Office Hilgers, Кёнигсвинтер, Германия).

Дополнительные материалы

Дополнительный файл 1. Матрицы ошибок SAM для листьев, поражённых церкоспорозом, мучнистой росой и ржавчиной. Точность классификации [%], коэффициент каппа в ходе развития болезни и количественная оценка площади поражения методом SAM. В таблицах S1–S3 представлены матрицы ошибок для каждой даты измерения. Сам дополнительный файл в предоставленный PDF не включён.

Сокращения

CLS — церкоспороз, GS — стадия развития, HSI — гиперспектральная съёмка, NIR — ближний инфракрасный диапазон, PM — мучнистая роса, RH — относительная влажность, ROI — область интереса, SAM — классификация по спектральному углу, SBR — ржавчина сахарной свёклы, VIS — видимый диапазон.

Благодарности

Исследование выполнено в рамках программы подготовки исследователей «Использование информационных систем для точной защиты растений» на факультете сельскохозяйственных наук Рейнского университета Фридриха Вильгельма в Бонне при финансировании Немецкого научно-исследовательского общества (DFG). Авторы благодарят Le-Dung Ly за помощь с фотосъёмкой, а доктора Lutz Damerow и Anton Berg из Института сельскохозяйственной инженерии Боннского университета — за разработку рамы XY для гиперспектральных измерений.

Вклад авторов

AKM, US и ECO спланировали исследование, интерпретировали данные и подготовили рукопись. AKM и CH разработали методику получения и предварительной обработки гиперспектральных изображений. AKM выполнила гиперспектральные измерения и статистический анализ. Все авторы прочитали и одобрили окончательный текст.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.
Получена 5 октября 2011 г. Принята и опубликована 24 января 2012 г.

Список литературы

1. Blackburn GA: Hyperspectral remote sensing of plant pigments. J Exp Bot 2007, 58:844-867.
2. Gitelson AA, Gritz Y, Merzylak MN: Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. J Plant Physiol 2003, 160:271-282.
3. Jacquemoud S, Ustin SL: Leaf optical properties: A state of the art. Proceedings 8th International Symposium Physical Measurements & Signatures in Remote Sensing CNES, Aussois (France); 2001, 223-232.
4. Delalieux S, van Aardt J, Keulemans W, Coppin P: Detection of biotic stress (Venturia inaequalis) in apple trees using hyperspectral data: Non-parametric statistical approaches and physiological implications. Eur J Agron 2007, 27:130-143.
5. Mahlein AK, Steiner U, Dehne HW, Oerke EC: Spectral signatures of sugar beet leaves for the detection and differentiation of diseases. Precis Agric 2010, 11:413-431.
6. Rumpf T, Mahlein AK, Steiner U, Oerke EC, Dehne HW, Plümer L: Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance. Comput Electron Agr 2010, 74:91-99.
7. Steddom K, Bredehoeft MW, Khan M, Rush CM: Comparison of visual and multispectral radiometric disease evaluations of Cercospora leaf spot of sugar beet. Plant Dis 2005, 89:153-158.
8. Oerke EC, Steiner U, Dehne HW, Lindenthal M: Thermal imaging of cucumber leaves affected by downy mildew and environmental conditions. J Exp Bot 2006, 57:2121-2132.
9. Gamon JA, Surfus JS: Assessing leaf pigment content and activity with a reflectometer. New Phytol 1999, 143:105-117.
10. Pinter PJ, Hatfield JL, Schepers JS, Barnes EM, Moran MS, Daugthry CST, Upchurch DR: Remote sensing for crop management. Photogramm Eng Rem Sens 2003, 69:647-664.
11. Moran MS, Inoue Y, Barnes EM: Opportunities and limitations for image-based remote sensing in precision crop management. Remote Sens Environ 1997, 61:319-346.
12. Carter GA, Knapp AK: Leaf optical properties in higher plants: linking spectral characteristics to stress and chlorophyll concentration. Am J Bot 2001, 88:677-684.
13. Steiner U, Bürling K, Oerke EC: Sensorik für einen präzisierten Pflanzenschutz. Gesunde Pflanz 2008, 60:131-141.
14. West JS, Bravo C, Oberti R, Moshou D, Ramon H, McCartner HA: Detection of fungal diseases optically and pathogen inoculums by air sampling. In Precision Crop Protection - the Challenge and Use of Heterogeneity. Edited by: Oerke EC, Gerhards R, Menz G, Sikora RA. Springer, Dordrecht, Netherlands; 2010:135-149.
15. Bock CH, Poole GH, Parker PE, Gottwald TR: Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Crit Rev Plant Sci 2010, 29:59-107.
16. Chaerle L, Van der Staeten D: Imaging techniques and the early detection of plant stress. Trends Plant Sci 2000, 5:495-501.
17. Bravo C, Moshou D, West J, McCartney A, Ramon H: Early disease detection in wheat fields using spectral reflectance. Biosyst Eng 2003, 84:137-145.
18. Nansen C, Tulio M, Swanson R, Weaver DK: Use of spatial structure analysis of hyperspectral data cubes for detection of insect-induced stress in wheat plants. Int J Remote Sens 2009, 30:2447-2464.
19. Polder G, van der Heijden GWAM, van Doorn J, Clevers JGPW, van der Schoor R, Baltissen AHMC: Detection of the tulip breaking virus (TBV) in tulips using optical sensors. Precis Agric 2010, 11:397-412.
20. Balasundaram D, Burks TF, Bulanon DM, Schubert T, Lee WS: Spectral reflectance characteristics of citrus canker and other peel conditions of grapefruit. Postharvest Biol Tec 2009, 51:220-226.
21. Qin J, Burks TF, Ritenour MA, Bonn WG: Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence. J Food Eng 2009, 93:183-191.
22. Hillnhütter C, Mahlein A-K, Sikora RA, Oerke E-C: Remote sensing to detect plant stress induced by Heterodera schachtii and Rhizoctonia solani in sugar beet fields. Field Crop Res 2011, 122:70-77.
23. Jensen JR: Solid and hazardous waste disposal site selection using digital geographic information system techniques. Sci Total Environ 1986, 56:265-276.
24. O’Neill RV, Hunsaker CT, Timmins SP, Jackson BL, Jones KB, Ritters KH, Wickham JD: Scale problems in reporting landscape pattern at the regional scale. Landscape Ecol 1996, 11:169-180.
25. Buschmann C, Nagel E: In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation. Int J Remote Sens 1993, 14:711-722.
26. Gates DM, Keegan HJ, Schelter JC, Weidner VR: Spectral properties of plants. Appl Optics 1965, 4:11-20.
27. Boyer M, Miller J, Belanger M, Hare E, Wu J: Senescence and spectral reflectance in leaves of northern pin oak (Quercus palustris Muenchh.). Remote Sens Environ 1988, 25:71-87.
28. Davoli P, Weber RWS: Identification and quantification of carotenoid pigments in aeciospores of the daisy rust fungus, Puccinia distincta. Phytochemistry 2002, 60:309-313.
29. Gitelson AA, Zur Y, Chivkunova OB, Merzlyak MN: Assessing carotenoid content in plant leaves with reflectance spectroscopy. Photochem Photobiol 2002, 75:272-281.
30. Mahlein A-K, Oerke EC, Steiner U, Dehne H-W: Recent advances in sensing plant diseases for precision crop protection. Eur J Plant Pathol 2011, DOI 10.1007/s10658-011-9878-z.
31. Ustin SL, Gamon JA: Remote sensing of plant functional types. New Phytol 2010, 186:795-816.
32. Nutter F, van Rij N, Eggenberger SK, Holah N: Spatial and temporal dynamics of plant pathogens. In Precision Crop Protection - the Challenge and Use of Heterogeneity. Edited by: Oerke EC, Gerhards R, Menz G, Sikora RA. Springer, Dordrecht, Netherlands; 2010:27-50.
33. Kruse FA, Lefkoff AB, Boardman JW, Heidebrech KB, Shapiro AT, Barloon PJ, Goetz AFH: The spectral image-processing system (Sips) - interactive visualization and analysis of imaging spectrometer data. Remote Sens Environ 1993, 44:145-163.
34. Luc B, Deronde B, Kempeneers P, Debruyn W, Provoost S: Optimized spectral angle mapper classification of spatially heterogeneous dynamic dune vegetation, a case study along the Belgian coastline. In 9th International Symposium on Physical Measurements and Signatures in Remote Sensing (ISPMSRS). Beijing, China Edited by: Liang S 2005.
35. Zhang M, Qin Z, Liu X, Ustin S: Detection of stress in tomatoes induced by late blight disease in California, USA, using hyperspectral remote sensing. Int J Appl Earth Obs Geoinf 2003, 4:295-310.
36. Meier U, Bachmann L, Buhtz H, Hack H, Klose R, Märländer B, Weber E: Phenological growth stages of sugar beet (Beta vulgaris L. ssp.) Codification and description according to the general BBCH scale (with figures). Nachrichtenbl Deut Pflanzenschutzd 1993, 45:37-41.
37. Chaerle L, Hagenbeck D, De Bruyne E, Van Der Straeten D: Chlorophyll fluorescence imaging for disease-resistance screening of sugar beet. Plant Cell Tiss Org 2007, 91:97-106.
38. Savitzky A, Golay JME: Smoothing and differentiation of data by simplified least squares procedures. Anal Chem 1964, 36:1627-1639.
39. Karnovsky E: A formaldehyde glutaraldehyde fixative of osmolality for use in electron microscopy. J Cell Biol 1965, 27:137-138.
Цитирование: Mahlein и соавт. Гиперспектральная съёмка для анализа мелкомасштабных симптомов различных болезней сахарной свёклы. Plant Methods, 2012, 8:3. DOI 10.1186/1746-4811-8-3.
18 ноября 2026