Научный перевод-изложение статьи: Poornima S., A. Shirly Edward. Frontiers in Plant Science, 16:1631928 (2025). DOI: 10.3389/fpls.2025.1631928.

Подготовлено на основе оригинальной публикации. Сохранены авторские результаты, формулы, все 18 иллюстраций и ключевые таблицы. Это структурированный научный перевод-изложение, а не дословное воспроизведение каждого предложения.

Раннее выявление абиотического стресса сельскохозяйственных культур необходимо для устойчивого растениеводства. Традиционные индексы NDVI и NDWI обладают ограниченной чувствительностью к ранним изменениям водного режима и структуры растений. Авторы предложили два индекса: индекс растительности, оптимизированный средствами машинного обучения (MLVI), и гиперспектральный индекс стресса растительности (H_VSI). Информативные спектральные каналы NIR, SWIR1 и SWIR2 выбирались с помощью рекурсивного исключения признаков (RFE). Значения индексов использовались в одномерной свёрточной нейронной сети (1D-CNN), классифицирующей шесть уровней стресса. Сообщается о точности 83,40%, корреляции MLVI с эталонными показателями стресса r = 0,98 и обнаружении признаков стресса на 10–15 дней раньше по сравнению с традиционными индексами. Возможные направления применения включают БПЛА, космическую съёмку и точное земледелие.

Ключевые слова: гиперспектральная съёмка; вегетационные индексы; машинное обучение; водный стресс; глубокое обучение; дистанционное зондирование; точное земледелие.

Урожайность и продовольственная безопасность зависят от своевременной диагностики засухи, дефицита элементов питания и теплового стресса. В отличие от широкополосных индексов, гиперспектральные наблюдения регистрируют узкие спектральные особенности, связанные с пигментами, содержанием воды и внутренней структурой листьев. Особенно значимы ближний (NIR) и коротковолновый инфракрасный (SWIR) диапазоны. Однако использование всех гиперспектральных каналов повышает вычислительную нагрузку и может ухудшать интерпретируемость моделей из-за избыточности данных.

Цель исследования — получить индексы с автоматизированным подбором спектральных каналов, интегрировать их с 1D-CNN для многоклассовой диагностики и сопоставить эффективность с традиционными показателями. Авторы рассматривают шесть классов тяжести стресса от здорового растения до экстремального угнетения.

Гиперспектральная съёмка позволяет регистрировать изменение спектральной отражательной способности растений под действием водного, температурного и питательного стресса. Машины опорных векторов (SVM), случайный лес (RF) и нейронные сети используются для классификации спектров, но результат существенно зависит от выбора признаков и набора обучающих данных. Метод RFE последовательно исключает наименее информативные каналы, снижая размерность и сохраняя наиболее чувствительные к стрессу длины волн.

В работе отдельно рассматриваются применения для пшеницы, проса, картофеля, кукурузы и томата. Отмечается, что большинство подходов ограничены фиксированным набором каналов либо бинарным разделением на здоровые и стрессовые растения, тогда как практическое управление требует оценки степени стресса.

Использована гиперспектральная библиотека GHISACONUS, сформированная по данным космического сенсора EO-1 Hyperion (NASA). Спектральный диапазон составляет 437–2345 нм. Для анализа выбраны каналы с центральными длинами волн 661 нм (красный диапазон; поглощение хлорофиллом), 854 нм (NIR; структурные характеристики полога), 1649 нм (SWIR1; содержание воды) и 2133 нм (SWIR2; высыхание листьев).

Шум гиперспектральных наблюдений, обусловленный измерительной аппаратурой, условиями освещения и атмосферным влиянием, снижается сглаживанием Савицкого—Голея. Метод аппроксимирует локальные участки спектра полиномом невысокой степени и способствует сохранению формы диагностических особенностей. Далее применяется Z-нормализация для каждого канала: Xnorm = (X − μ) / σ, где μ и σ — среднее значение и стандартное отклонение отражательной способности соответствующего канала.

Для характеристики зависимости между каналами использована корреляционная матрица Пирсона. Высококоррелированные каналы содержат частично дублирующую информацию; SWIR-диапазон демонстрирует самостоятельные закономерности, связанные с водным и структурным стрессом. Метод главных компонент (PCA) применяется для исследовательского анализа дисперсии: первые три компоненты объясняют более 80% вариации, а 30 компонент — более 95%. Согласно описанию авторов, PCA служит для анализа структуры данных, тогда как целевой выбор спектральных каналов осуществляется через RFE.

Процедура RFE начинается с набора всех доступных спектральных каналов. Модель случайного леса оценивает вклад каждого канала; наименее информативный удаляется, после чего модель обучается повторно. Итерации продолжаются до достижения заданного количества признаков. Авторы сообщают об отборе десяти информативных каналов, а для расчёта индексов в итоговой формуле используют три характерных канала: 854, 1649 и 2133 нм.

Гиперспектральный индекс стресса растительности определяется как H_VSI = (NIR − SWIR1) / (NIR + SWIR1 + SWIR2). Предложенный MLVI задан обобщённым отношением MLVI = (Rλ1 − Rλ2) / Rλ3; в исследовании применена форма MLVI = (R854 − R1649) / R2133. За счёт сочетания NIR и SWIR показателей индексы предназначены для повышения чувствительности к ранней потере воды и повреждениям растительных тканей.

На вход одномерной свёрточной сети подаются признаки на основе индексов MLVI и H_VSI. Архитектура включает два свёрточных слоя с активацией ReLU, слой максимального пулинга, регуляризацию dropout и завершающий слой softmax. Выход сети соответствует шести категориям выраженности стресса. Для сравнения применялись линейный дискриминантный анализ (LDA) и SVM.

Исходные данные разделены стратифицированным способом: 70% — обучение, 15% — проверка, 15% — тестирование. В качестве функции потерь использована категориальная кросс-энтропия, оптимизатор — Adam с начальной скоростью обучения 0,001; скорость адаптируется при отсутствии улучшения на валидационной выборке. Показатели оценки включают общую точность, precision, recall, F1 и коэффициент корреляции Мэтьюса (MCC). Дополнительно использованы ROC-кривые и матрицы ошибок.

По данным авторов, MLVI и H_VSI реагируют на формирование стресса раньше, чем традиционные индексы NDVI и NDWI. Для MLVI заявлено опережение обнаружения симптомов на 10–15 дней в отдельных условиях; в заключении статьи авторы также употребляют более осторожную формулировку «до 10 дней». Эти оценки следует рассматривать в пределах представленного эксперимента, не распространяя их автоматически на все культуры и условия съёмки.

Корреляция MLVI с эталонной оценкой выраженности стресса составляет r = 0,98; соответствующий результат NDVI — r = 0,86. Значения MLVI около 1 интерпретируются как отсутствие стресса, умеренно положительные (0,3–0,7) — как слабый стресс, около нуля — средний стресс, отрицательные — тяжёлый стресс. Это эмпирическая шкала интерпретации, приведённая авторами, а не универсальные агрономические пороги.

На тестовом наборе 1D-CNN обеспечивает наивысшую точность 83,40%, опережая SVM (78,97%) и LDA (77,40%). MCC равен соответственно 0,659, 0,570 и 0,528. Для шести классов стресса авторы сообщают AUC свыше 0,95; микроусреднённый AUC — 0,98.

При использовании исходных признаков на основе NDVI точность составляет 68,00%, на основе PCA — 75,00%, а при применении оптимизированных признаков MLVI — 83,40%. Это указывает на потенциальную пользу отбора физиологически интерпретируемых узких спектральных каналов вместо использования признаков общего назначения.

Авторы визуализировали оценки стресса с привязкой к пространственным координатам при помощи тепловой карты. Более яркие зоны отображают выраженный стресс, тёмные — относительно благоприятное состояние растительности. Такая карта рассматривается как средство пространственной локализации участков, требующих внимания при агротехническом мониторинге.

Предложенная модель сопоставлена с результатами исследований по другим культурам, типам стресса и наборам данных. Авторы приводят значения точности от 79 до 83,1% для нескольких ранее опубликованных моделей и 83,40% для собственного подхода. Прямое утверждение о превосходстве по этому сравнению ограничено неоднородностью наборов данных; более строгая сравнительная оценка требует тестирования на едином корпусе наблюдений.

Авторы показали осуществимость схемы «отбор спектральных каналов RFE → специальные индексы → классификатор 1D-CNN» для разделения шести уровней стресса. На использованном наборе данных получены точность 83,40% и высокий коэффициент связи MLVI с представленными маркерами стресса. Перспективными направлениями названы использование на БПЛА и спутниковых платформах, оперативное пространственное картографирование и перенос подхода на различные сельскохозяйственные культуры.

При этом указаны существенные ограничения: слабый стресс иногда ошибочно классифицируется как отсутствие стресса; качество снижается при облачном загрязнении спектральных каналов; независимая биохимическая валидация на момент публикации не проведена. Проверка переносимости между сельскохозяйственными культурами, регионами и реальными полевыми условиями остаётся задачей последующих исследований.

Первоисточник: S P, Shirly Edward A. MLVI-CNN: a hyperspectral stress detection framework using machine learning-optimized indices and deep learning for precision agriculture. Frontiers in Plant Science. 2025;16:1631928. doi:10.3389/fpls.2025.1631928. Полная библиография доступна в исходном приложенном PDF (с. 18).

Примечание: оригинальные рисунки приведены без ретуширования и изменения числовых подписей внутри графиков; русские переводы подписей помещены под изображениями.