Ning Zhang, Guijun Yang, Yuchun Pan, Xiaodong Yang, Liping Chen, Chunjiang Zhao

1 Ключевая лаборатория количественного дистанционного зондирования в сельском хозяйстве Министерства сельского хозяйства, Пекинский исследовательский центр информационных технологий в сельском хозяйстве, Пекин 100097, Китай; 2 Институт сельскохозяйственной информации Китайской академии сельскохозяйственных наук, Пекин 100081, Китай; 3 Национальный инженерно-исследовательский центр информационных технологий в сельском хозяйстве, Пекин 100097, Китай; 4 Пекинский инженерно-исследовательский центр Интернета вещей в сельском хозяйстве, Пекин 100097, Китай; 5 Ключевая лаборатория агроинформатики Министерства сельского хозяйства, Пекин 100097, Китай; 6 Пекинский исследовательский центр интеллектуального оборудования для сельского хозяйства, Пекин 100097, Китай; 7 Национальный исследовательский центр интеллектуального оборудования для сельского хозяйства, Пекин 100097, Китай.

Обнаружение, количественная оценка, диагностика и идентификация болезней растений особенно важны для точного земледелия. В последнее время традиционная технология визуальной оценки не в состоянии удовлетворить потребности развития точной информатизации сельского хозяйства, а гиперспектральная технология, как типичный тип неинвазивной технологии, получает все большее внимание. На основе простого описания типов возбудителей и процессов взаимодействия хозяин-патоген в обзоре раскрываются большие преимущества гиперспектральных технологий в обнаружении болезней растений. Затем в процессе описания этапов гиперспектрального анализа заболеваний в основном резюмируются статьи, алгоритмы и методы от обнаружения заболевания до качественной и количественной оценки. Кроме того, согласно обсуждению текущих основных проблем обнаружения болезней растений с помощью гиперспектральных технологий, мы предполагаем, что идентификация различных патогенов, распознавание биотических и абиотических стрессов, раннее предупреждение о заболеваниях растений и спутниковые гиперспектральные технологии являются основными задачами и открывают путь для целенаправленного реагирования.

С изменениями мирового климата и ускоренным развитием глобальной торговли распространение, диапазон хозяев и воздействие болезней растений постоянно расширяются, и многие из этих болезней все еще могут распространяться или вспыхивать после того, как были взяты под контроль. В Бангладеш в 2016 году вспышка болезни пшеницы привела к полному неурожаю, охватив площадь почти 15 000 га [1]. Кроме того, в отчете Продовольственной и сельскохозяйственной организации Объединенных Наций (ФАО) показано, что появление только Xylella fastidiosa может стоить почти 104 миллиона долларов в год в виде потерь вина только в Калифорнии [2]. Таким образом, болезни растений в настоящее время являются одними из самых основных, важных и заслуживающих внимания проблем в управлении сельским хозяйством.

Хотя экономические потери, вызванные болезнями растений, с одной стороны, с другой стороны, учитывая дисбаланс населения и продовольствия, более серьезным является то, что болезни вызывают потери продовольствия. Статистика ФАО показывает, что для удовлетворения потребностей в продовольствии 9,1 миллиарда населения к 2050 году необходим устойчивый рост сельскохозяйственного производства на 70% [3]. Однако за последние 45 лет от 20% до 40% мирового урожая ежегодно теряется из-за вредителей и болезней. Кроме того, по данным Carvajal-Yepes et al. [4] средние мировые потери урожая от вредителей и болезней пшеницы, кукурузы, картофеля и соевых бобов оцениваются в 21,5%, 30,0%, 22,6%, 17,2% и 21,4% соответственно. Кроме того, при заражении болезни распространяются на большие территории и вызывают масштабное сокращение производства, что также приводит к снижению качества сельскохозяйственной продукции или даже ставит под угрозу жизнь. Ярким примером является фузариоз кочана (FHB). Только с 1998 по 2000 год совокупные прямые и вторичные экономические потери от FHB в производстве основных продовольственных культур оценивались в 2,67 миллиарда долларов [5]. Кроме того, если заболевание растений приобретает массовые масштабы, наносится значительный ущерб окружающей среде. Согласно статистике ФАО, потребление пестицидов выросло с 3,05 млн тонн в 2000 году до 4,09 млн тонн в 2016 году. Болезни растений считаются риском, поскольку они постоянно способствуют значительным потерям урожая, экономическим и экологическим потерям во всем мире [6]. Поэтому раннее и точное выявление, мониторинг и оценка болезней растений важны и необходимы для фермеров, менеджеров и лиц, принимающих решения.

Искусственное видимое исследование, как самый основной в практике прямой метод, применяется до сих пор. Однако этот подход требует профессиональных знаний соответствующего фенотипа растения и патологии растений. Другой основной метод прямого обнаружения болезней растений можно назвать биологическим молекулярным методом [7,8,9]. Биологические молекулярные методы требуют детального отбора проб и сложных методов обработки. По сравнению с методами искусственного расследования эти подходы более профессиональные и цикличные. Эти два метода являются базовыми, важными и эффективными и всегда предполагают использование ручных методов мониторинга и обнаружения заболеваний растений. Процессы всех этих ручных методов дороги, трудоемки и трудоемки [10]. Эти недостатки ограничивают разработку и применение искусственных методов в крупных хозяйствах. В частности, необходимо отметить, что эти методы прямого выявления болезней растений обычно применяются на средних и поздних стадиях заражения, при которых обычно проявляются видимые симптомы [11]. В условиях современного сельскохозяйственного оборудования и точного земледелия потребность в крупномасштабном обнаружении болезней растений в режиме реального времени становится все более заметной. Этот временной лаг неизбежен и не способствует раннему выявлению.

За последнее десятилетие был разработан ряд неинвазивных методов, которые являются чувствительными, последовательными, стандартными, высокопроизводительными, быстрыми и экономически эффективными [11]. Методы спектроскопии, визуализации и соответствующие методы дистанционного зондирования (ДЗ) обеспечивают надежную и точную техническую поддержку для крупномасштабного обнаружения и мониторинга болезней растений в режиме реального времени. Между этими неинвазивными подходами существуют некоторые связи, которые существуют бок о бок и взаимодействуют. Международный комитет по стандартизации официально принял методы, разработанные с использованием спектроскопии [12]. Обычно используемые методы спектроскопии при заболеваниях растений в основном сосредоточены на спектроскопии видимого-ближнего инфракрасного диапазона (VIS-NIR), электрическом импедансе и флуоресцентной спектроскопии [12,13,14,15]. Таким образом, методы визуализации и ДЗ привлекли значительное внимание, поскольку они могут предоставить точную географическую информацию [10]. Для обнаружения симптоматических и бессимптомных заболеваний растений было изучено множество различных датчиков изображения, таких как цифровые [16,17], флуоресцентные [18], тепловые [19,20] и мультиспектральные или гиперспектральные датчики [21,22,23] [8]. Приложения этих методов неуклонно развиваются от разработки датчиков, получения изображений и построения систем до сегментации изображений и анализа алгоритмов классификации [24,25].

Гиперспектральную технологию иногда можно рассматривать как часть спектроскопии. Диапазоны электромагнитного спектра гиперспектральных датчиков в основном концентрируются в видимом-ближнем ИК-диапазоне (400–1000 нм) и иногда содержат коротковолновой инфракрасный диапазон (SWIR, 1000–2500 нм). Эти датчики могли получать спектральную информацию из сотен узких спектральных диапазонов [26]. Эти узкие диапазоны волн обладают высокой чувствительностью к тонким изменениям растений, вызванным болезнями, и позволяют различать различные типы заболеваний и проводить раннее бессимптомное обнаружение. Среди многих неинвазивных методов мониторинга заболеваний растений, включая как гиперспектральные методы без визуализации, так и методы визуализации, гиперспектральный RS получил быстрое развитие и оказывает выдающееся влияние в сельскохозяйственных исследованиях [27]. За исключением общих преимуществ неинвазивных методов RS, гиперспектральная визуализация может быть реализована в автоматизированных системах как объективный метод, что приводит к значительному снижению рабочей нагрузки [24,28,29]. Приложения были классифицированы от уровня спутниковых изображений до макроскопического или молекулярного уровня. Видно, что гиперспектральные технологии продемонстрировали превосходство в мониторинге заболеваний растений.

Согласно статистике Web of Science, с 1990 по 2019 год существует 651 соответствующая статья, в которой «болезни растений» и «гиперспектральный» используются в качестве ключевых слов для поиска «во всех базах данных». После скрининга и статистического анализа на рисунке 1 показано, что количество статей, посвященных исследованиям болезней растений с использованием гиперспектральных методов, резко возросло за последние 20 лет (до 2002 года статей не было). Однако отзывов всего 35. Бок и др. [23] впервые представили статистический обзор распространенных источников ошибок при оценке тяжести заболевания и традиционных методов визуальной оценки. Затем авторы подробно описали два неинвазивных метода оценки тяжести заболевания — цифровую визуализацию и гиперспектральную визуализацию — от их истории, принципов и датчиков до процессов анализа данных, алгоритмов и направлений применения. В заключение были обобщены преимущества и недостатки этих методов. Все анализы в этом обзоре являются всеобъемлющими. В отличие от исследования Bock et al. [30], обзор Thomas et al. [28] нацелено только на гиперспектральную визуализацию. Они рассмотрели преимущества и ограничения гиперспектральных датчиков от лабораторных до полевых применений и обсудили возможности и проблемы гиперспектральных измерений в различных масштабах.

Согласно анализу всех 35 обзоров, они в основном посвящены применению и анализу гиперспектральных изображений, и только восемь обзоров включали невизуализирующий гиперспектральный анализ данных. Кроме того, большинство этих обзоров носят широко обобщенный характер и в лучшем случае фокусируются на заболеваниях листьев [31,32] или одном конкретном заболевании [33]. В этом контексте в настоящем обзоре представлен обзор передовых гиперспектральных технологий обнаружения болезней растений. Во-первых, обсуждаются требования гиперспектральной технологии, основанные на простом представлении возбудителей болезней растений и процессов взаимодействия растений с патогенами. Во-вторых, после этапов гиперспектрального анализа заболеваний мы в основном рассматриваем задействованные статьи, алгоритмы и методы, от обнаружения заболеваний до качественной и количественной оценки. Наконец, обсуждаются проблемы и тенденции в области гиперспектрального обнаружения заболеваний.

Рисунок 1. Количество опубликованных статей о болезнях растений по годам с использованием гиперспектральных данных (источник данных Web ofScience).

От посева и выращивания до сбора урожая растения могут одновременно поражаться множеством болезнетворных патогенов, что снижает урожайность и качество выращиваемых растений. На основании исследований по выявлению болезней растений становится очевидным, что многие заболевания вызывают схожие симптомы и признаки, но вызываются совершенно разными микроорганизмами или агентами [34,35]. Таким образом, можно сказать, что сами патогены и процессы взаимодействия растений и патогенов сложны, особенно для неинвазивных методов анализа. Это затрудняет распознавание конкретных патогенов невооруженным глазом или простым компьютерным зрением.

По возбудителям десятки тысяч болезней растений во всем мире можно разделить на две категории: инфекционные и неинфекционные болезни [36]. Подробная система классификации и примеры заболеваний показаны на рисунке 2. Среди них неинфекционные заболевания прямо или косвенно вызваны неподходящими физическими, химическими и другими абиотическими факторами окружающей среды. Избыток, недостаток или неправильный баланс света; циркуляция воздуха, воды или основных элементов почвы; неблагоприятные почвенные влагокислородные отношения; высокие или низкие температуры; повреждение пестицидами; и многие другие внешние факторы являются основными возбудителями заболеваний. Типичным и распространенным неинфекционным заболеванием является верхушечная гниль томатов и перца, вызываемая широкими колебаниями влажности почвы и уровня температуры.

Инфекционные агенты называются возбудителями и могут быть сгруппированы следующим образом: вирусы, бактерии, грибы, нематоды и паразитические семенные растения. Среди них исследования паразитических семенных растений сосредоточены главным образом на омеле, повилике и ведьме. Однако это не главное заболевание, вызывающее беспокойство при неразрушающем мониторинге. Большинство исследований было сосредоточено на вирусах, бактериях, грибах и нематодах, которые всегда вызывали инфекционные заболевания. По степени тяжести они могут варьироваться от легкого повреждения листьев или плодов до гибели [36]. Конкретные патогены по-разному влияют на своих хозяев, что приводит к появлению набора симптомов повреждения. Бактериальные заболевания можно сгруппировать в четыре широкие категории в зависимости от степени повреждения тканей растений и вызываемых ими симптомов, которые могут включать сосудистое увядание, некроз, мягкую гниль и опухоли. Иными словами, симптомы вирусных заболеваний в основном проявляются в изменении цвета, пороках развития, некрозах, задержке роста или карликовости. Однако, поскольку грибковые заболевания составляют 80–90% заболеваний, симптомы заболеваний также изменчивы. Вообще говоря, его можно разделить на три категории: некроз, гиперплазия и увядание. Кроме того, общие симптомы поражения нематодами включают задержку роста, потерю зеленого цвета, отмирание, медленное общее угасание, увядание и гниение.

Видно, что различные патогены растений могут вызывать различные симптомы и повреждения, что составляет основу гиперпектрального мониторинга заболеваний растений. Следует отметить, что не все болезни растений подходят для обнаружения с помощью гиперспектрального метода, поскольку некоторые из них не имеют идентифицируемых характеристик. Если только с точки зрения гиперспектрального обнаружения, симптомы заболевания в основном группируются в четыре категории: снижение биомассы, уменьшение индекса площади листьев; поражения или пустулы из-за инфекции; разрушение пигментных систем и увядание [37].

Как видно из симптомов патогена, обозначенных на рисунке 2, все четыре категории патогенов могут вызывать некроз растения-хозяина, что является наиболее заметным результатом заболевания растения. Кроме того, как вирусы, так и нематоды часто вызывают изменения цвета (пожелтение, потеря зеленого цвета и т. д.), а также задержку роста или карликовость. Увядание также является распространенным симптомом, и симптомы обычно сосредоточены на двух основных частях: сосудистом увядании и ветках. Соответственно, причины также фокусируются на двух аспектах. Во-первых, это вторжение бактерий в сосудистую систему растения, а во-вторых, нематоды могут вызвать отсутствие реакции на воду и удобрения. Можно обнаружить, что хотя симптомы и признаки разных категорий возбудителей специфичны, они могут, с одной стороны, концентрироваться в одном и том же органе, а с другой стороны, не уникальны [36].

Приведенные выше примеры и анализ очевидно показывают, что при появлении одного симптома трудно сказать, какой патоген играет роль. Точно так же нелегко судить о том, вызван ли симптом только одним возбудителем.

Рисунок 2. Классификация болезней растений по возбудителям. Примеры и симптомы перечислены в каждой категории. Некоторые из этих фотографий были получены с https://www.baidu.com,, а некоторые были сделаны в ходе наших собственных экспериментов.

Заражение возбудителем представляет собой динамический процесс. Токсины, ферменты, внеклеточные полисахариды и другие вещества производятся и изменяются в процессе взаимодействия с растением-хозяином. За исключением стадии соединения патогена и растения, на рисунке 3 показаны три довольно различные и важные стадии взаимодействия растение-патоген: инокуляция (патоген проникает в хозяина), инкубация (латентный период, в течение которого возбудитель паразитирует в растении) и появление симптомов (растение проявляет симптомы заболевания и могут образовываться новые патогены). Каждая стадия часто автономно переходит к следующей, как только патоген запускает патогенез [38,39]. В ходе этого динамического процесса изменяются не только физиология и биохимия растения-хозяина, но и некоторые патогены. Таким образом, весь процесс очень сложен.

С точки зрения растения-хозяина, чтобы противостоять вторжению болезнетворных микроорганизмов, помимо опоры на существующие физические барьеры, постоянно функционирует и сложная иммунная система. Иммунитет, запускаемый патоген-ассоциированным молекулярным паттерном (PAMP), и иммунитет, запускаемый эффектором, возникают один за другим в процессе активной защиты растений [38,40]. При этом увеличивается концентрация Са2+, защелачивается внеклеточная жидкость, деполяризуется мембранный потенциал, существенно изменяются оксинитрид, а также синтез активного кислорода и гормональная готовность [41].

Рисунок 3. Три довольно четко выраженные стадии заражения растений болезнью на примере фузариоза пшеницы (FHB): от инокуляции до вспышки.

Хотя ручное экспертное исследование по-прежнему является наиболее часто используемым методом обнаружения и диагностики болезней растений в полевых культурах, сложные категории патогенов, симптомы болезней и процессы взаимодействия растение-возбудитель затрудняют своевременное и точное обнаружение точных болезней растений. Большинство традиционных инвазивных методов отнимают много времени и подвержены ошибкам. Развитие цифрового сельского хозяйства за последние несколько десятилетий предоставило новые средства мониторинга заболеваний. С развитием технологий оптического дистанционного зондирования, от видимого коротковолнового инфракрасного диапазона (VIS-SWIR), флуоресценции и тепловидения до радара с синтезированной апертурой (SAR), систем обнаружения света и определения дальности (LIDAR), эти технологии успешно расширяют возможности человеческого восприятия и оценки [34,42]. Это дает нам возможность развивать другое направление в обнаружении и мониторинге болезней растений. В частности, применение гиперспектральной технологии для мониторинга заболеваний является интересным, поскольку она может охватывать спектральный диапазон до 350–2500 нм и обеспечивать непрерывное спектральное разрешение менее 10 нм. Эти характеристики подходят не только для дифференциации заболеваний на основе небольших различий, но также для мониторинга и анализа динамических процессов заболевания, особенно для выявления в латентный период, прежде чем симптомы станут видимы человеческому глазу.

Короче говоря, здоровые зеленые растения имеют низкую отражательную способность на длинах волн видимого диапазона, высокую отражательную способность на длинах волн ближнего ИК-диапазона и низкую отражательную способность в широких диапазонах волн на длинах волн SWIR. Эти три характеристики соответствуют фотоактивным пигментам; клеточные структуры; и вода соответственно. В целом это специфическое явление спектрального отражения соответствует изменению физиологических и биохимических параметров в процессе возникновения заболевания: из-за существования сильного поглощения хлорофилла и каротиноидов имеются две долины поглощения в синем и красном спектре, а также сильный пик отражения в полосе зеленого света; между 700 и 770 нм кривая отражения резко возрастала, показывая форму приблизительно прямой линии, а наклон этого участка был связан с содержанием хлорофилла на единицу площади растительности; далее имеются две долины поглощения в районе 1400 и 1900 нм SWIR, которые обусловлены главным образом сильным поглощением воды [43].

В частности, об изменениях самих патогенов и процессе взаимодействия растения с патогеном могут свидетельствовать изменения цвета тканей, формы листьев, скорости транспирации, морфологии полога и плотности растений, и этот процесс биохимических изменений обязательно отражается в определенном диапазоне волн отражения. Чем выше спектральное разрешение, тем точнее он может реагировать на изменения и различия. Более того, каждое индивидуальное взаимодействие хозяина и возбудителя имеет специфическую пространственную и временную динамику, а конкретные процессы влияют на разные диапазоны электромагнитного спектра. Эрке и др. [44] провели детальное исследование спектральных временных рядов изменений листьев винограда, зараженных Plasmopara viticola. Они обнаружили, что по мере увеличения количества дней после инокуляции (dpi) разница между спектрами здоровых и зараженных листьев увеличивалась, равно как и спектральное число, которое можно использовать при идентификации заболевания. Видно, что для раннего обнаружения можно использовать длины волн 400, 1400 и 1900 нм; длины волн красного края можно использовать для выявления заболеваний после разрешения 8,5 точек на дюйм; и 500–700 нм также можно использовать после 9,5 dpi. Это явление тесно связано с деятельностью возбудителей и растений-хозяев. Аналогичным образом при изучении спектральных изменений озимой пшеницы, зараженной желтой ржавчиной, мы измеряли спектры зараженных и здоровых участков озимой пшеницы в масштабе полога каждые девять дней с 2 ​​дпи соответственно. После исключения аномального интервала были построены спектральные кривые зараженного и здорового полога, которые представлены на рисунке 4, на котором отображена разница во влиянии развития желтой ржавчины на спектральную отражательную способность озимой пшеницы по мере увеличения dpi. Таким образом, спектральные динамические изменения очевидны не только в масштабе листа, но и в масштабе кроны.

Применение гиперспектральных технологий позволяет легко, быстро, неразрушающе и точно оценить информацию о заболевании, включая идентификацию типа заболевания [43], обнаружение заболевания [45,46], картирование заболевания [47], а также оценку тяжести и потерь [48]. В Таблице 1 перечислен ряд болезней растений, поражающих основные сельскохозяйственные культуры. Эта статистика основана на исследовательских статьях, посвященных гиперспектральным технологиям. Согласно статистическим данным и сравнению соответствующих статей, в последние годы основное внимание уделяется грибковым заболеваниям, поражающим листья озимой пшеницы и сахарной свеклы. Согласно статистике и анализу, датчики, платформы и масштабы исследований одних и тех же болезней растений неодинаковы. Таким образом, полученные данные и методы анализа данных не идентичны.

Рисунок 4. Влияние развития желтой ржавчины на спектральную отражательную способность озимой пшеницы по мере увеличения количества дней после инокуляции (dpi). Серые области на изображениях отражения (внизу) указывают на существенно разные спектральные диапазоны между инокулированными (пунктирная черная линия) и неинокулированными (сплошная черная линия) листьями.

Когда патоген взаимодействует с растением-хозяином, изменения цвета и симптомы некроза приводят к увеличению отражательной способности в видимом диапазоне и смещению положения красного края в сторону более коротких волн («синее смещение»). Однако сокращение биомассы, связанное со старением, задержкой роста или карликовостью, а также дефолиация снижает отражательную способность растительного покрова в ближнем ИК-диапазоне. Например, Вахабзада и др. [22] проанализировали соответствующие спектральные характеристики и соответствующие биохимические метки трех классических заболеваний листьев ячменя (мучнистая роса, сетчатая пятнистость и бурая ржавчина) в видимом и ближнем ИК-диапазоне. Результаты их исследований показали, что лучшие длины волн для пигмента мучнистой росы, вызывающего разложение, сосредоточены в диапазоне 500–650 нм, в то время как лучшие длины волн для чистого хлороза, вызванного пятнистостью, сконцентрированы в диапазоне 500–580 нм, особенно в диапазоне 550 нм и 700 нм. Таким образом, очевидно, что разные патогены действуют по-разному, что приводит к различным симптомам у хозяина, поэтому подходящие длины волн мониторинга различны.

Более того, как видно из Таблицы 1, большинство датчиков, не являющихся изображениями, являются портативными и не требуют сложных измерительных систем. Эти датчики широко используются в лабораторных, тепличных и полевых условиях [68,69]. Однако большинство датчиков изображения обычно необходимо устанавливать на платформах, чтобы они оставались стабильными и формировали системы гиперспектральной визуализации (HSI) для приложений различного масштаба. Лабораторные системы гиперспектральной визуализации в некотором смысле могут обеспечить чистые пиксели патогенов, тканей, органов или растений благодаря своему высокому пространственному разрешению. Эти чистые пиксели могут предоставить точные спектры соответствующих объектов наблюдения. Системы полевой и низковысотной гиперспектральной визуализации содержат различные монтируемые платформы, а гибкость платформ позволяет им охватывать лиственные, отдельные растения, кроны и даже участки и региональные масштабы при обнаружении заболеваний. Кроме того, авиационные и спутниковые гиперспектральные системы больше подходят для региональных масштабов, но из-за отсутствия гибкости внимание к масштабам полога и участка со стороны авиационных и спутниковых гиперспектральных систем в последние годы несколько снизилось.

Сбор данных, предшествующий детальному анализу данных, является первым и важным шагом в любом анализе болезней растений на основе гиперспектральных изображений. Разные платформы и их комбинации с разными датчиками могут образовывать разные гиперспектральные измерительные системы. Для целей исследования болезней растений выбор подходящей системы измерения данных является необходимым условием получения точных результатов. На рис. 5 показаны платформы и соответствующие им масштабы наблюдений. От масштаба клеток и тканей до масштаба региона и ландшафта соответствующие HSI каждого масштаба имеют множество вариантов выбора. При построении гиперспектральных измерительных систем необходимо одновременно учитывать требования к характеристикам датчика и пространственному разрешению.

Как правило, лабораторная система включает в себя подходящую платформу, гиперспектральный датчик, компьютер и источники света. Микроскопы, монтажные башни и штативы являются широко используемыми платформами в лабораторных системах в темных комнатах, лабораториях и теплицах. Эти HSI ориентированы на мелкомасштабный анализ, например, на тканевых и листовых чешуях, а максимальным масштабом является масштаб одного растения. Сканирующая электронная микроскопия (СЭМ, рисунок 5А) и стереоскопическая микроскопия (рисунок 5В) соответствуют наименьшему масштабу анализа болезней растений. Однако SEM требует довольно глубоких знаний биологии, обычно используется отдельно и не часто используется в гиперспектральном анализе. Таким образом, анализ заболеваний на уровне клеток и тканей патогена больше опирается на платформу стереоскопического микроскопа с гиперспектральными датчиками (так называемая гиперспектральная микроскопическая визуализация, HMI). Пространственное разрешение нанометрового и миллиметрового уровня позволяет установить точностную связь между гиперспектральной информацией, фенотипом растений, физиологическими параметрами и даже генотипами [12,70]. В темных комнатах, теплицах и лабораторных условиях монтажные платформы на вышках и штативах, а также другое оборудование для установки датчиков обычно называются внутренними платформами для оптических измерений (рис. 5C). На основе таких платформ можно достичь высокого разрешения и точности оценки процессов в ходе патогенеза в строго контролируемых условиях [28]. Стоит отметить, что с использованием таких платформ можно реализовать анализ в масштабе листа, отдельного растения и даже в масштабе кроны [44,71,72]. Легче отслеживать изменения патогенов и их спектров на протяжении всего процесса развития заболевания с помощью анализа временных рядов. Эти лабораторные системные платформы наиболее подходят для базового анализа в масштабах тканей и листьев. Для масштабов одного предприятия и навеса высокое пространственное разрешение и контролируемые условия являются величайшими преимуществами по сравнению с полевыми платформами. Таким образом, эти платформы являются лучшими для фундаментальных исследований в лабораторных условиях, таких как селекция сельскохозяйственных культур и анализ генов устойчивости. Однако они имеют низкую пропускную способность и не подходят для продвижения практических приложений.

По сравнению с гиперспектральными системами лабораторного базирования, гиперспектральные системы полевого и низковысотного базирования обычно содержат подходящие платформы, гиперспектральные датчики, а также компьютеры или операционные системы. Штативы, транспортные средства, роботы и стационарные железнодорожные системы являются широко используемыми полевыми платформами (рис. 5D) для обнаружения болезней растений [73,74,75]. Хотя полевые и лабораторные гиперспектральные платформы в определенной степени пересекаются, каждая из них имеет свои преимущества. Полевая платформа сохраняет высокое пространственное разрешение и в некоторой степени повышает производительность измерений. Маловысотные платформы — это миниатюрные платформы РС, обладающие высокой мобильностью и низкой стоимостью. Они меньше подвержены влиянию погодных факторов и условий взлетной площадки и могут одновременно удовлетворять потребности в высоком пространственном разрешении и высокой пропускной способности. Пилотируемые самолеты, вертолеты, беспилотные летательные аппараты (БПЛА) и воздушные шары используются в сельскохозяйственных приложениях ДЗ. В частности, платформы на базе БПЛА стали наиболее известными, поскольку они легкие, гибкие и простые в эксплуатации для обнаружения болезней растений [76,77]. Хотя БПЛА обладают как высоким пространственным разрешением, так и высокой пропускной способностью, они больше подходят для анализа в масштабе купола, чем в масштабе органа. Полевые и низковысотные платформы лучше всего подходят для фенотипирования и точного земледелия. Наличие смешанных спектров делает их непригодными для фундаментальных исследований и анализа генов устойчивости, но их высокое пространственное разрешение и высокая производительность обнаружения заболеваний означают, что их нельзя игнорировать. Кроме того, различные монтируемые платформы и гибкость платформ позволяют им охватывать лиственные, отдельные растения, кроны и даже участки и региональные масштабы при обнаружении заболеваний. Можно ожидать, что в ближайшем будущем они будут играть ключевую роль в полевом фенотипировании и выявлении болезней растений [28].

Для крупномасштабной оценки и прогнозирования болезней растений перспективными оказались авиационные и спутниковые платформы. Платформа и датчик относительно неподвижны. Воздушно-десантные платформы также часто используются в масштабе купола [67,78,79]. Бортовые и спутниковые системы всегда использовались с портативными или невизуализирующими датчиками для повышения точности анализа [78]. Более того, хотя пространственное разрешение спутниковых платформ является самым низким, охват одного изображения является самым широким. Можно сказать, что это лучший выбор для исследований регионального масштаба и прогнозируемых исследований, основанных на факторах окружающей среды. Обычно, учитывая сложность анализа данных и объем хранения данных, спутниковые платформы, оснащенные мультиспектральными датчиками, чаще применяются для картирования болезней растений и оценки потерь в региональных масштабах [54,80].

Рисунок 5. Часто используемые платформы и весы при исследовании болезней растений гиперспектральными методами. В качестве примера приводится FHB пшеницы. (A–C) представляют собой примеры внутренней измерительной платформы в разных масштабах. Это сканирующий электронный микроскоп, платформа для стереомикроскопа и типичная внутренняя измерительная платформа, (D) — полевая транспортная платформа гиперспектральной визуализации, (E) — платформа для беспилотного летательного аппарата, (F) — фотография спутниковой платформы; (а–ж) представляют собой гиперспектральные изображения озимой пшеницы, инфицированной FHB, в разных масштабах. На них указан мицелий болезни, зараженные колоски, початки, растения, полог, участки и области гиперспектральных изображений соответственно.

Основными задачами предварительной обработки данных являются улучшение контрастности и устранение шума, чтобы уменьшить сложность анализа данных и обеспечить точность данных. Датчик шума и ошибок; устойчивость платформы; воздействие на окружающую среду; форма, размер и количество образцов; а источник света и фоновые условия влияют на качество гиперспектральных данных. В настоящее время предварительная обработка сигналов гиперспектрального отражения, не являющихся изображениями, относительно проста. Метод многократных измерений и усреднения часто используется для исключения человеческой ошибки при измерении. Во многих исследованиях для устранения аномальных диапазонов волн использовался метод прямого удаления. Кроме того, при предварительной обработке используются спектральное сглаживание и фильтрация (о чем будет рассказано в следующем разделе).

Что касается отображения гиперспектральных данных, атмосферная калибровка, геометрическая коррекция и спектральная калибровка являются тремя основными аспектами предварительной обработки гиперспектральных данных. Атмосферная калибровка в основном направлена ​​на ошибку отражения поверхности, вызванную атмосферным рассеянием и поглощением, и применяется для анализа данных спутникового масштаба; Геометрическая коррекция в основном направлена ​​на геометрические искажения, вызванные изменениями местности, наклоном платформы и т. д., и применяется для анализа данных в полевых, маловысотных, авиационных и спутниковых масштабах. Эти два шага в основном используются для визуализации гиперспектральных данных, но спектральная калибровка необходима как в случаях визуализации, так и без визуализации. Спектральная калибровка имеет решающее значение и может включать сложные алгоритмы [39]. Можно использовать множество методов, таких как спектральная нормализация, спектральная интерполяция и модели переноса излучения [81,82,83]. В дополнение к вышеупомянутым трем основным этапам предварительной обработки, этапы предварительной обработки изображения обычно составляют маскирование изображения, улучшение контрастности и даже обнаружение краев. Улучшение изображения является наиболее важным шагом в некоторых случаях обнаружения болезней растений и анализа изображения. Его основные цели — устранить шум данных и выделить характеристики целевых объектов. Для достижения этих целей можно использовать различные методы, такие как фильтрация данных (фильтрация Гаусса, линейная фильтрация и т. д.), спектральное сглаживание (сглаживание скользящим средним, вращение минимальной доли шума, сглаживание Савицкого-Голея и т. д.) и улучшение изображения (выравнивание гистограммы, гомоморфная фильтрация и т. д.). Чжан и др. [83] предложили одну систему предварительной обработки изображений гиперспектрального микроскопа для извлечения инфицированных FHB ядер. Платформа основана на спектральной калибровке изображения и выполняет нормализацию с использованием белых и темных эталонных изображений, перевод изображения в оттенки серого, бинаризацию изображения и применение пороговой сегментации. Мы не можем сделать вывод, какие методы предварительной обработки будут наиболее эффективными. Качество и тип изображения имеют решающее значение при выборе процедуры предварительной обработки. Кроме того, метод предварительной обработки должен соответствовать реальным требованиям применения.

На основе статистики литературы проанализировано, что ключевые моменты исследования болезней растений в основном включают анализ генов устойчивости, анализ взаимодействия растения с возбудителем, неразрушающее обнаружение и так далее. Среди них выявление болезней растений, оценка тяжести болезней и классификация являются тремя основными направлениями, основанными на гиперспектральных методах дистанционного зондирования. Для анализа заболеваний растений всегда собираются большие объемы гиперспектральных данных для мониторинга физиологических изменений растений под воздействием биотических стрессов, которые присутствуют на всей стадии роста [37,55,76]. Это неизбежно приведет к тому, что анализ болезней растений на основе гиперспектрального анализа столкнется с огромным объемом данных. Таким образом, как эффективно анализировать гиперспектральные данные и получать эффективные спектральные характеристики, быстро становятся недавно возникшими темами, которые будут формировать наиболее важные характеристики структуры анализа на основе гиперспектрального анализа [28,37]. На основе этой структуры каждая точка анализа сформировала свою особую систему.

Обнаружение болезней растений включает в себя идентификацию, классификацию и картографирование и является одной из основных целей гиперспектрального анализа болезней растений от клеточного до регионального масштаба. В общем, существует две основные ситуации, связанные с обнаружением болезней растений на основе гиперспектрального метода: (I) отличие зараженных растений от здоровых и (II) идентификация конкретного заболевания среди других. Первая ситуация касается только одного вида сельскохозяйственных культур и одного патогена, а вторая ситуация фокусируется только на одном патогене, классифицируя все другие возможности как области, не представляющие интереса. Для невизуализирующих гиперспектральных данных коэффициент отражения здоровых и инфицированных органов должен быть получен отдельно, и исследование обычно охватывает масштабы листьев, растений и полей. Однако методы и масштабы получения данных при гиперспектральной визуализации практически не ограничены. В любом случае, обнаружение болезней растений на основе гиперспектрального метода имеет относительно простую, но зрелую структуру.

Кутюр и др. [68] использовали гиперспектральные данные без визуализации для обнаружения листьев, инфицированных Y-вирусом картофеля. Они провели модель частичного дискриминантного анализа наименьших квадратов (PLS-DA), чтобы отличить зараженные листья от здоровых на основе исходных спектральных данных полного диапазона, и среднее значение каппа проверки составило 0,73. Мошоу и др. [84] разработали метод нормализации, основанный на корректировке отражательной способности и интенсивности света, и построили четыре индекса растительности (VI) в качестве входных данных нейронной сети многослойного перцептрона (MLP). На основе построенной МЛП успешно обнаружены зараженные желтой ржавчиной растения озимой пшеницы, точность классификации которых достигает 99,4%. Таким образом, базовая основа обнаружения болезней растений на основе гиперспектрального метода состоит из двух основных частей: определение параметров классификации и выбор алгоритмов классификации.

Приведенные выше примеры показали, что независимо от того, используются ли гиперспектральные данные без визуализации или с визуализацией, выбор параметров классификации для обнаружения болезней растений можно анализировать с двух аспектов: классификация, основанная на спектральных данных полного диапазона, и классификация, основанная на подмножестве признаков [74]. Информация о полнодиапазонном спектре, которая используется при обнаружении или классификации, может представлять собой исходный спектр, спектр, предварительно обработанный сглаживанием, или спектр производной первого или второго порядка, а также логарифмическое преобразование обратной величины спектральной отражательной способности [78]. Более того, в случае использования подмножества признаков важное значение имеют извлечение и выбор признаков. Некоторые статистические классификаторы выполняют выбор признаков во время работы, но в большинстве случаев перед окончательной классификацией проводится дополнительный отбор признаков. Объекты могут получать спектральные индексы растительности (SVI), индексы особых заболеваний (SDI), текстурные и спектральные характеристики на основе извлечения признаков, оптимальные диапазоны волн, выбранные с помощью алгоритмов уменьшения размеров, производные спектры и другие преобразованные спектры. Подробная информация будет обсуждаться в Разделе 3.3.2 и Разделе 3.3.3.

Согласно предыдущим исследованиям по обнаружению болезней растений с помощью гиперспектральных систем визуализации, для выбора алгоритмов классификации самым простым и наиболее широко используемым алгоритмом сегментации изображений является пороговая сегментация [85,86]. Лу и др. [65] использовали индекс Юдена (индекс Юдена = чувствительность + специфичность - 1) в качестве порога для классификации пораженных желтой курчавостью листьев и здоровых листьев томатов. В общей сложности было извлечено и рассчитано 37 характеристик (включая спектральную отражательную способность, первые производные спектры, соотношение полос и особенности текстуры), а затем для определения чувствительных характеристик был использован анализ характеристической кривой оператора приемника. Были рассчитаны индексы Юдена для чувствительных признаков, и для завершения обнаружения зараженных листьев использовалась пороговая обработка. Авторы обнаружили, что когда индекс Юдена средней корреляции, извлеченный из изображения с соотношением 720/840 нм, составлял 1,0, эффективность обнаружения была лучшей. Джин и др. [46] применили алгоритм классификации глубокой нейронной сети (DNN) к пикселям гиперспектрального изображения, чтобы точно различить область заболевания FHB в колосе пшеницы. Метод порога положения красного края также использовался Li et al. [67] для разделения больных и здоровых образцов Huanglongbing (HLB) из цитрусовых рощ на основе спектральных данных как в полевых условиях, так и в помещении. Точность исследования в этом случае составила 90%. Кроме того, для обнаружения болезней растений обычно используются методы классификации машинного обучения, такие как классификатор максимального правдоподобия (MLC, [87]), машина опорных векторов (SVM, [88]), нейронная сеть (NN, [82]) и даже методы глубокого обучения [46]. В исследовании по обнаружению поражения листьев феосфаерией в посевах кукурузы Адамом и соавт. В [55] сравнивались алгоритмы классификации управляемого регуляризованного случайного леса (GRRF) и традиционного случайного леса (RF). При использовании тех же наборов данных для обучения и проверки общая точность классификации зараженных растений GRRF достигла 89,7% с шестью оптимальными диапазонами волн, RF достигла только 81,6%. Таким образом, выбор подходящего алгоритма классификации в зависимости от конкретной ситуации может не только уменьшить объем данных, но и повысить точность обнаружения.

Рисунок 6. Основной рабочий процесс классификации болезней растений на основе гиперспектральной визуализации. PCA: анализ главных компонентов; LESC: локальное встраивание на основе алгоритма пространственной когерентности; DWT: дискретное вейвлет-преобразование; КНН: К-ближайший сосед; SVM: машина опорных векторов; НН: нейронные сети.

Классификацию болезней можно рассматривать как расширение выявления болезней, но вместо того, чтобы пытаться обнаружить только одно конкретное заболевание на основе различных условий и симптомов, делается попытка идентифицировать и маркировать типы патогенов, поражающих растение [17]. Для гиперспектральных данных, не связанных с визуализацией, классификация болезней растений больше связана с чувствительным выбором длины волны и построением SDI. Основные направления исследований по использованию гиперспектральных данных визуализации для классификации болезней растений включают извлечение зараженной ткани и растения, анализ различий между возбудителями и определение окончательных классификаторов. На рисунке 6 показан базовый рабочий процесс классификации гиперспектральных изображений для классификации болезней растений.

Сегментация изображения используется в качестве этапа предварительной обработки и обычно выполняется перед формальным спектральным анализом с целью выделения целевых объектов из фона или формирования маски для формирования области интересов (ROI) для дальнейшего извлечения информации [89]. Панди и др. [90] использовали диапазоны волн 705 и 750 нм (I705 и I750) для получения конкретного нормализованного индекса различной растительности (NDVI) как (I750 – I705)/(I750 + I705). Этот специфический индекс NDVI использовался для отделения растений от фона путем установки универсального порога 0,20. Затем средний спектральный коэффициент отражения пикселей растений был извлечен для модели PLSR, подходящей для прогнозирования химических свойств. Аналогичный процесс был разработан для оценки тяжести заболевания зерен овса, поврежденных фузариозом, с помощью настольной гиперспектральной системы [91]. Он состоит из преобразования необработанного сигнала в процентное отражение, сегментации фона на основе пороговых значений и нормализованного спектрального преобразования для устранения эффектов рассеяния. Алгоритм водораздела также является популярным методом сегментации изображений, который часто используется для очерчивания кроны одного дерева, а также сегментации ядра и листа [92]. Кроме того, некоторые методы, которые эффективно применялись к полутоновым, цветным и мультиспектральным изображениям, были целенаправленно оптимизированы и играют ключевую роль в сегментации гиперспектральных изображений, например Grabcut [93], метод Оцу [94] и обнаружение краев [95,96].

В целом, алгоритмы сегментации изображений могут работать практически во всех масштабах: от масштаба субячейки до масштаба страны. Их можно применять на основе порога, кластеризации, морфологических операций, обнаружения границ или контуров и преобразования водораздела. Уменьшение объема данных существенно повышает эффективность анализа данных. В исследованиях по идентификации, обнаружению и картированию болезней растений на основе изображений сегментация изображений является основным и важным этапом обработки изображений для гиперспектрального анализа болезней растений.

Извлечение признаков составляет один из столпов идентификации и классификации объектов на основе гиперспектральных изображений [97]. Различные заболевания имеют разные симптомы у разных растений. Таким образом, в классификации болезней растений на основе гиперспектральных изображений основные базовые признаки включают не только спектральные характеристики, но также пространственные характеристики, особенности текстуры и другую эффективную информацию, которую можно получить с использованием данных изображения. Таким образом, извлечение признаков можно рассматривать как наиболее важный шаг в классификации на основе гиперспектральных данных. Его цель — извлечение и формирование наиболее важных новых векторов признаков для обнаружения болезней растений путем объединения и оптимизации спектральных и пространственных характеристик, а затем передачи их в набор классификаторов или алгоритмов машинного обучения.

Некоторые алгоритмы уменьшения размерности данных включают исключение волновых диапазонов автокорреляции путем создания новых переменных, таких как анализ главных компонентов (PCA), алгоритм последовательных проекций (SPA) и так далее. Эти алгоритмы также являются классическими в извлечении признаков. Алгоритм минимальной доли шума (MNF), канонический корреляционный анализ (CCA), проекция проекции, проекция ортогонального подпространства (OSP) и дискретное вейвлет-преобразование (DWT) также являются классическими алгоритмами извлечения признаков гиперспектральных данных. PCA является типичным примером, и многие алгоритмы расширения были проверены. В исследовании, проведенном Се и Хе [98], PCA был выполнен для получения основных компонентов (PC) из спектральных и текстурных особенностей баклажанов, инфицированных фитофторозом, из гиперспектральных изображений; затем компьютеры использовались для построения моделей K-ближайшего соседа (KNN) и классификации AdaBoost для обнаружения зараженных образцов. Кроме того, было предложено множество улучшенных методов, основанных на традиционных методах выделения признаков изображения, с улучшением пространственного и спектрального разрешения изображений. Вэй [99] проанализировал недостатки традиционного обучения многообразию и неотрицательной матричной факторизации (NMF) при извлечении признаков гиперспектрального изображения и предложил два улучшенных алгоритма: локальное встраивание на основе извлечения признаков пространственной когерентности (LESC) и регуляризованное извлечение признаков NMF. Кроме того, при одновременном рассмотрении спектральных и пространственных характеристик было разработано множество алгоритмов выделения пространственно-спектральных признаков. Кнауэр и др. [100] предложили алгоритм извлечения пространственно-спектральных признаков случайного леса для обнаружения гроздей винограда, зараженных мучнистой росой, и сравнили полученные результаты с результатами традиционного радиочастотного классификатора. Этот алгоритм извлечения пространственно-спектральных признаков содержит извлечение спектральных признаков на основе линейного дискриминантного анализа (LDA) и извлечение интегральных признаков текстуры на основе изображения. Эти шаги привели к повышению точности классификации, достигшей 0,998 ± 0,003 для отдельных ягод.

Извлечение признаков гиперспектральных данных было решающим вопросом при обработке гиперспектральных данных для сохранения ключевой спектральной информации и выполнения уменьшения размерности. Суть извлечения признаков заключается в поиске средств сопоставления признаков, а не в выполнении простого релевантного анализа. Извлечение признаков может повысить точность и эффективность классификации; однако это была трудная и трудная задача.

Классификация изображений при анализе заболеваний растений на основе гиперспектральных изображений включает методы, которые классифицируют данные по категориям здоровья и различным категориям тяжести патогенов или заболеваний. Вышеупомянутые методы сегментации изображений и выделения признаков обычно выполняются для повышения эффективности анализа данных, который не всегда может быть необходим при обнаружении болезней растений. Однако классификация изображений не является незначительным шагом.

С одной стороны, классические статистические классификаторы обычно используются для построения регрессии, а иногда также классифицируются с использованием ковариационной матрицы, которая сравнивает различные классы [101]. Да и др. [102] использовали пошаговый дискриминантный анализ (SDA) для диагностики клубничного антракноза. Средняя точность классификации по трем классам (здоровые, инкубационные и симптоматические) составила 80,7%. Авторы также представили два альтернативных метода классификации: картограф спектрального угла (SAM) (машинное обучение с использованием полной спектральной информации) и простую меру наклона (SSM, статистический метод, использующий информацию о красном крае). Средняя точность ЗУР и ССМ достигла 82,0% и 72,7% соответственно. С другой стороны, классификация SVM и ее алгоритмы дифракции [42], SAM [79], LDA [23], KNN [66] и другие традиционные методы классификации машинного обучения RS также широко используются в классификации и обнаружении болезней растений на основе гиперспектральных методов. Кроме того, также доступны NN, такие как однослойный перцептрон (SLP), многослойный перцептрон (MLP), вероятностные NN и методы глубокого обучения с особым упором на обнаружение болезней растений. Мошоу и др. [84] использовали архитектуру MLP для успешного обнаружения желтой ржавчины в урожае пшеницы. Пошаговым методом из гиперспектральных изображений пшеничного поля были выбраны четыре оптимальных спектральных диапазона волн. По результатам сравнения результатов классификации MLP и квадратичного дискриминантного анализа (QDA) точность классификации MLP достигала 98,9% и 99,4% для здоровых и больных растений соответственно.

В исследовании по обнаружению зерен пшеницы, инфицированных FHB, проведенном Шахином и Саймонсом [86], пороговая сегментация изображений использовалась для отделения зерен пшеницы от фона, а PCA отдельно применялся для извлечения девяти различных признаков для классификации здоровых зерен от зерен, поврежденных фузариозом, а затем для классификации зерен с легкой и тяжелой степенью заражения. Общая точность может достигать 92% при использовании классификатора моделей LDA. Абдулрида и др. [72] использовали индексы спектральных изображений (VI) с разрешением 10 и 40 нм для обнаружения деревьев, пораженных лавровым увяданием. И дерево решений (DT), и извлечение признаков MLP использовались для выбора оптимальных параметров классификации из полного спектра и 23 SVI. Результаты, полученные с помощью MLP, были лучше, чем результаты, полученные с помощью DT, при этом процент классификации варьировался от 98% до 100% во всех наборах данных. Подводя итог вышеизложенным, можно сказать, что классификация гиперспектральных изображений надежна как для обнаружения патогенов растений на основе нескольких категорий, так и для определения степени тяжести заболеваний. Однако сегментация изображения и извлечение признаков (первые два шага, показанные на рисунке 6) иногда относятся к предварительной обработке данных для классификации болезней растений. В этом случае основной целью этих этапов предварительной обработки, используемых при классификации обнаружения болезней растений, является повышение эффективности алгоритма классификации при обеспечении точности. Согласно предыдущим исследованиям по использованию гиперспектральных изображений при анализе болезней растений, алгоритмы классификации, как правило, имеют процесс выбора, основанный на корреляции, хотя при классификации используется полный спектр, что характерно для гиперспектральной классификации болезней растений. В таблице 2 показаны основные различные методы классификации гиперспектральных изображений для обнаружения, идентификации и картирования болезней растений.

Критериями оценки тяжести заболевания растений часто являются индекс болезни (DI) и заболеваемость, которые четко указаны в национальных или местных стандартах [56,75]. Кроме того, в зависимости от возбудителей и вызванных ими симптомов содержание пигментов, содержание воды и даже структурные параметры часто рассматриваются как косвенные критерии оценки, особенно в исследованиях, не связанных с защитой растений и патологиями [104]. Таким образом, количественная диагностика тяжести заболеваний растений на основе гиперспектрального анализа также имеет две основные ситуации: (I) в соответствии с изменениями пигмента, содержания воды и других параметров для выбора эффективных спектральных индексов вегетации (SVI) или построения специальных индексов болезней (SDI) и (II) с использованием прямой подгонки модели и классификации для достижения инверсии тяжести заболевания. В любой из вышеупомянутых ситуаций первым шагом является обнаружение органов, зараженных конкретным возбудителем. Более того, учитывая огромный объем данных гиперспектральных наборов данных, разумный и простой метод состоит в том, чтобы найти только небольшое количество длин волн и учитывать только их изменения в спектре при количественной оценке серьезности [101]. На рисунке 7 показаны два основных направления количественной оценки тяжести заболевания.

Использование SVI и построение SDI являются наиболее оптимальным выбором при гиперспектральной диагностике тяжести заболеваний растений. SVI можно использовать для обнаружения присутствия и относительного содержания пигментов, воды, азота и углерода в растениях, что выражается в оптическом спектре отраженного от солнечного света [105,106]. Все эти физиолого-биохимические показатели представляют собой динамические изменения на протяжении всего периода роста сельскохозяйственных культур. Особый период роста и особый статус имеют свои особые характеристики. Таким образом, SVI считаются индексами, отражающими стадию роста растений при дистанционном зондировании. В научной литературе описано более 150 СВИ, некоторые из которых имеют существенное биофизическое обоснование или систематически проверялись. В соответствии с соответствующими диапазонами волн и расчетами аналогичных свойств, SVI можно сгруппировать в VI широкополосной зелености, VI узкополосной зелени, VI эффективности использования света, VI азота растительного покрова, VI сухого или стареющего углерода, VI пигментов листьев и VI содержания воды в покрове [107]. В Таблице 3 перечислены некоторые часто используемые SVI в дистанционном зондировании растений. Все эти категории связаны с количественной диагностикой болезней растений. Перечисленные SVIориентированы на обнаружение пигментов, воды, азота и структурных изменений при возникновении заболеваний. Среди всех SVINDVI является наиболее заметным. Во многих исследованиях было подтверждено, что NDVI имеет хорошую надежность [78,105,108]. Однако Девадас и др. [109] сообщили, что один SVI обладает некоторой способностью отличать больные растения (органы, листья и даже чешуйки участков) от здоровых, но не идеален для разделения различных заболеваний или степеней болезней. Иногда разные SVIиспользуются вместе для качественной идентификации разных типов заболеваний [60, 110], но этот процесс несколько утомителен для практического применения.

В описанной выше ситуации исследователи провели целевой анализ данных по конкретным заболеваниям и объединили различные длины волн, чтобы составить SDI. В исследовании строительного индекса классификации FHB (FCI), проведенном Zhang et al. [83] в качестве источника данных использовали ИЧМ колосков озимой пшеницы. Классификатор индекса нестабильности (ISI) и картографа спектрального угла (SAM) (ISI-SAM) сначала использовался для извлечения четырех чувствительных одиночных длин волн, а корреляционный анализ был выполнен для определения наиболее значимой разницы в спектральном индексе при 668 и 417 нм. Затем был использован метод исчерпывающего поиска для определения веса каждого признака и, наконец, для построения FCI. Этот процесс построения SDI почти полностью соответствует направлению Ⅰ-a на рисунке 7. Более того, Mahlein et al. [111] использовали этот метод для создания трех отдельных SDI для обнаружения и мониторинга церкоспорозной пятнистости листьев, ржавчины сахарной свеклы и мучнистой росы растений сахарной свеклы. Алгоритм RELIEF-F [112] использовался для выбора ключевых одиночных спектральных сигнатур и индексов нормализованной разницы отражательной способности, а также использовался исчерпывающий поиск для завершения построения четырех SDI (окончательные SDI показаны в таблице 4).

Прямая подгонка модели и классификация являются самыми ранними и наиболее интуитивистскими подходами в количественной диагностике. Для диагностики тяжести заболевания путем прямой подборки и классификации моделей обычно используются статистические методы и алгоритмы машинного обучения. Поскольку статистические методы просты для теоретического понимания и дают видимые результаты, они обычно используются для количественной оценки тяжести заболевания. Чаще всего используется частичная регрессия наименьших квадратов (PLSR) [43,113,114,115]. В анализе Zhang et al. [116] Что касается количественной диагностики стихийных бедствий Dendrolimus tabulaeformis, для соответствия кусочной модели использовался PLSR. Они использовали как полные диапазоны волн, так и оптимально выбранные диапазоны волн в качестве независимых переменных соответственно, а коэффициент детерминации (R2) использовался для обеспечения окончательной модели диагноза. Четыре степени тяжести заболевания (здоровая, легкая, умеренная и несколько) были разделены на основе установленного процента дефолиации. Этот процесс аналогичен Ⅱ на рисунке 7. Видно, что во всем процессе инверсии тяжести заболевания параметры модели и метод инверсии являются двумя основными аспектами. В качестве параметров подгонки модели можно использовать полный спектр, спектры первой и второй производных, спектр после непрерывного вейвлет-анализа, информацию о красном крае (положение, площадь и т. д.), а иногда и часто используемые SVI и SDI. Линейный дискриминационный анализ Фишера (FLDA), метод SVM, логистическая регрессия, множественная линейная регрессия, агрегационная регрессия Дирихле, дискриминационный анализ Байеса и некоторые другие методы подбора модели также эффективны для анализа гиперспектральной информации. Согласно статистическим знаниям и предыдущим статьям, методы регрессионного анализа в основном используются для мониторинга заболеваний растений и оценки их тяжести, такие как PLSR и SDA, в то время как методы дискриминационного анализа в основном используются в контексте обнаружения болезней растений и классификации, таких как линейный дискриминантный анализ (LDA) и квадратичный дискриминантный анализ (QDA) [23,86,103,113,117].

Нетрудно определить, что независимо от ситуации, определение оптимальных независимых переменных является наиболее важным шагом во всем процессе. Таким образом, уменьшение размерности является специфичным и значимым для гиперспектрального анализа болезней растений. Оптимальный выбор диапазона волн всегда был главной задачей при анализе гиперспектральных данных. Согласно предыдущим исследованиям, анализ главных компонент (PCA) в основном используется для устранения избыточности информации между исходными переменными и последующего максимального уменьшения размерности переменной [118]. Этот вариант не всегда лучший, но в настоящее время он является стандартным методом для такого рода приложений. Кроме того, алгоритм последовательного проецирования (SPA) [119,120], оптимизация муравьиной колонии (ACO) [121], конкурентная адаптивная перевзвешенная выборка (CARS) [122], исключение неинформативных переменных (UVE) [123], генетические алгоритмы [25], ранжирование признаков [64] и многие другие методы были использованы и проверены при выборе гиперспектрального диапазона волн. Ван и др. [121] одновременно использовали алгоритмы CARS, ACO и UVE для выбора ключевых диапазонов волн для многопараметрического неразрушающего быстрого определения качества картофеля. Алгоритмы выбора гиперспектрального диапазона волн обычно основаны на двух принципах: (1) выбранный диапазон или комбинация диапазонов содержат наибольшее количество информации и (2) выбранный диапазон или комбинация диапазонов могут облегчить различие между определенными объектами. Таким образом, необходимо определить лучший метод выбора диапазона, основанный на двух принципах и скорости работы алгоритма. Кроме того, при проведении всех анализов учитываются конкретные требования к применению. Примечательно, что селекция волновых диапазонов, как основной метод уменьшения гиперспектральной размерности, используется не только при построении SVI или SDI, но также при сегментации или классификации изображений и даже при регрессии и подгонке моделей.

Рисунок 7. Два основных рабочих процесса количественной оценки тяжести заболевания. a и b показывают, что после выбора оптимального диапазона волн и признаков существует два метода построения окончательных SDI: один основан на комбинации признаков, а другой включает подбор модели с помощью методов статистического анализа. SVI: спектральные индексы растительности; SDI: индексы особых заболеваний; PLSR: частичная регрессия по методу наименьших квадратов; QDA: квадратичный дискриминантный анализ; FLDA: анализ линейной дискриминации Фишера.

4. Обсуждение и перспективы

4.1. Идентификация различных патогенов и распознавание биотических и абиотических стрессов всегда являются основными задачами в области исследований болезней.

Как известно, когда растение оказывается в болезненном состоянии, оно реагирует защитными механизмами. Этот процесс приводит к неоптимальному росту, что может проявляться в изменениях таких переменных, как индекс площади листьев, пигментация, содержание воды, видимость поверхности и температура. Все изменения оказывают более или менее существенное влияние на спектральную характеристику растений (или кроны, листьев). Однако, как было сказано в разделе 2, многие патогены и процессы взаимодействия растения-хозяина с патогеном могут вызывать сходные симптомы, что может вызвать проблему схожих спектральных характеристик, проявляющуюся как феномен «разных тел с одинаковым спектром». Более того, изменения спектральной характеристики вызваны не просто вышеупомянутыми факторами; скорее, нельзя игнорировать влияние условий измерения (солнечные условия, источник света, влажность воздуха и т. д.), масштабов наблюдения целей (навесы, листья, ткани и т. д.), выбора несущей платформы (спутниковая, бортовая, лабораторная и т. д.), а также различий в датчиках. Среди многих косвенных факторов абиотические стрессы можно рассматривать как наибольшую проблему, поскольку они вызывают те же условия вспышки, что и некоторые патогены, и имеют высокую вероятность вызвать неинфекционные заболевания. В этом случае очень сложно выявить основные факторы, влияющие на изменение спектральной сигнатуры, даже используя неразрушающие методы.

Точная идентификация различных патогенов и различение биотических и абиотических стрессов всегда сложны и постоянно создают большие проблемы в исследованиях заболеваний. Несмотря на то, что ручная интерпретация использовалась до сих пор и часто рассматривается как основная истина в различных исследованиях, также трудно получить точные результаты без использования биохимического анализа. По сравнению с другими неразрушающими методами (RGB-визуализация, мультиспектральная визуализация, тепловая визуализация, флуоресцентная визуализация и т. д.) существует больше возможностей и возможностей для идентификации патогенов и абиотической дискриминации с использованием гиперспектральных данных из-за узких полос. Сусич и др. [115] использовали гиперспектральную визуализацию для обнаружения галловых нематод (биотический стресс) и водного (абиотического) стресса у растений томата соответственно. Точность классификации метода машинного обучения может достигать 90%. Современные гиперспектральные технологии, способные решить эти задачи, сосредоточены в двух основных направлениях:

Расширение до меньших масштабов и более высокого пространственного разрешения для идентификации патогенов. В настоящее время спектральное разрешение гиперспектральных технологий может достигать 1 нм и выше, что делает гиперспектральные данные более чувствительными к тонким различиям, вызванным различными патогенами. Однако проблемы смешанных пикселей для данных с более низким пространственным разрешением становятся более сложными при улучшенном спектральном разрешении. Влияние атмосферы, источника света, фона и т. д. также является относительно сложным при более низком пространственном разрешении. Таким образом, многие исследователи все чаще расширяют пространственное разрешение до субклеточного уровня с помощью микроскопии. В случае наименьшего масштаба характеристики спектральной подписи каждого патогена точно совпадают, что позволяет легко точно определить спектральную разницу между патогенами на одном и том же растении. Кроме того, развитие БПЛА и других авиационных средств эффективно повышает гибкость сбора данных. С другой стороны, можно полагаться на изменения патогенов в процессе взаимодействия растений и патогенов и биоэкологические характеристики различных патогенов для получения гиперспектральных данных в разное время для достижения эффективного разделения патогенов. Учет вспомогательных данных для реализации распознавания биотических и абиотических стрессов. Почти все инфекционные болезни растений (биотические стрессы) проявляются только на отдельных растениях на ранней стадии и обычно имеют точечное распространение перед крупномасштабными вспышками. Однако абиотические стрессы, включая как дефицит питательных веществ, так и метеорологические катастрофы, происходят в широком диапазоне, и процесс их распространения не имеет продолжения. Биотические стрессы демонстрируют неоднородность спектральных характеристик, показателей корреляции и признаков на гиперспектральных изображениях, тогда как абиотические стрессы имеют относительно равномерное распределение. Таким образом, биотические и абиотические стрессы можно различить на основе распределения их симптомов. Тем не менее, для осуществления дискриминации необходимо сочетание метеорологических, почвенных и полевых данных на ранней стадии и в полевых или относительно крупных масштабах. При возникновении инфекционного заболевания необходимо согласовывать изменения метеорологических данных в процессе развития заболевания с анализом пространственного распространения.

На основании приведенного выше анализа, хотя идентификация различных патогенов и распознавание биотических и абиотических стрессов всегда являются основными задачами, разработка и совершенствование ДЗ, а также эффективная настройка спектрального, пространственного и временного разрешения открывают возможности для достижения этих целей.

4.2. Раннее предупреждение о заболеваниях растений – ключевой момент применения технологий ДЗ в полевых работах

Ограниченное различными национальными политиками и ситуациями в области развития сельского хозяйства, применение ДЗ остается на уровне научных и государственных исследований. Фермеры мало знают о технологии ДЗ, особенно о ее применении для обнаружения болезней растений. Кроме того, приложения RS в основном ориентированы на оценку потерь от болезней для управления и в последние годы имеют относительно широкие тенденции в сельскохозяйственном страховании. Как правило, фермеры применяют пестициды до возникновения заболеваний, чтобы предотвратить возникновение обычных болезней, не принимая во внимание площадь или дозировку. При возникновении в процессе роста сельскохозяйственных культур какого-либо особого заболевания выбирается такое же широкомасштабное применение пестицидов. Однако применение пестицидов и химических реагентов на больших территориях и в высоких дозах оказывает воздействие как на окружающую среду, так и на человека. Таким образом, можно видеть, что раннее предупреждение о заболеваниях растений, особенно прогнозирование на основе изображений, особенно важно. Хотя исследования по раннему выявлению болезней растений проводились уже давно, особенно на основе гиперспектральных технологий, они не были реализованы [138, 139]. Аналогичным образом, в зависимости от масштаба исследований можно выделить два основных перспективных направления исследований раннего предупреждения болезней растений:

Раннее выявление болезней растений с использованием данных из нескольких источников в полевом масштабе. В последние годы многие веб-сайты и мобильные приложения, связанные с консультациями и помощью в области сельского хозяйства, все чаще предоставляют рекомендации по обнаружению болезней сельскохозяйственных культур и применению пестицидов. Обнаружение и идентификация каждого патогена в основном основаны на распознавании информации изображения посредством анализа больших данных; таким образом, эти анализы всегда проводятся после появления симптомов. Однако, исходя из реальной ситуации в сельскохозяйственном производстве, наиболее важное и полезное выявление должно происходить в инкубационном или спорадическом периоде возникновения. Доступны различные системы ДЗ, которые потенциально могут применяться для обнаружения и мониторинга заболеваний растений, такие как спектральные системы VIS-SWIR, флуоресцентные и тепловые системы, радары с синтезированной апертурой (SAR), системы обнаружения света и измерения дальности (LIDAR) и даже гамма-лучи, рентгеновские лучи и ультрафиолетовые лучи. Каждая система имеет свои преимущества и недостатки в обнаружении болезней растений. Чжан и др. [37] рассмотрели характеристики и потенциал каждой системы в обнаружении болезней растений. Система VIS-SWIR имеет стабильную работу в отношении изменений пигмента и всегда используется после появления симптомов, но плохо работает на ранних стадиях обнаружения. Флуоресцентные и термические системы обладают значительным потенциалом для выявления предсимптомных физиологических изменений, но не подходят для крупномасштабного анализа. Системы SAR и LIDAR больше подходят для анализа структурных изменений. Нетрудно обнаружить, что если эти различные системы ДЗ можно использовать вместе, они могут достичь взаимодополняющих преимуществ, а затем обеспечить обнаружение инкубационного периода болезней растений в полевом масштабе. Раннее предупреждение о заболеваниях растений в региональном или более широком масштабе. Исследования, проведенные Национальным центром атмосферных исследований (NCAR) Америки, показали, что температура поверхности суши имеет тенденцию к повышению из-за увеличения выбросов парниковых газов и разрушения озоновой сферы, причем эта тенденция к росту усилилась с 1970-х годов [140]. Глобализация и деятельность человека способствуют быстрому распространению и распространению патогенов растений, а изменения климата в результате глобализации косвенно влияют на возникновение болезней и распространение растений. Однако, хотя были проведены некоторые исследования по предупреждению болезней растений в условиях изменения климата, большинство исследований сосредоточено на моделировании ниши, основанном на независимых временных точках в небольших масштабах [141,142]. Например, Межправительственная группа экспертов по изменению климата регулярно проводит научные оценки изменения климата, последствий и потенциальных будущих рисков для политиков, а также предлагает варианты адаптации и смягчения последствий; следовательно, раннее предупреждение о заболеваниях растений также должно развиваться в этом направлении. Поэтому нельзя игнорировать долговременные изменения климата и параметры болезней растений. Исходя из этого, можно более подробно и точно обобщить и обосновать закономерности возникновения и развития каждого заболевания. При наличии крупномасштабных данных изображений ДЗ для прогнозирования временного и пространственного распространения болезней в конкретных регионах выращивания можно использовать экспертные или прогностические системы, основанные на региональных погодных данных и эпидемиологических параметрах болезней растений.

4.3. Космические гиперспектральные технологии требуют синхронного развития фундаментальных исследований и совместных космических, авиационных и наземных приложений

Согласно приведенному выше анализу, большая часть обнаружения болезней растений с помощью гиперспектрального метода сосредоточена на лабораторных, тепличных и полевых масштабах. В настоящее время применение технологий ДЗ для анализа болезней растений в региональном, национальном или более крупном масштабе в основном основано на мультиспектральных данных (аэрофотоснимках или спутниковых изображениях). Основными причинами невозможности расширения гиперспектральных ДЗ до больших масштабов являются отсутствие спутниковых гиперспектральных датчиков и несовершенство алгоритмов и возможностей анализа больших данных. Однако, независимо от идентификации различных патогенов, распознавания биотических и абиотических стрессов и раннего предупреждения о крупномасштабных заболеваниях растений, необходимы крупномасштабные гиперспектральные данные.

5. Выводы

Болезни растений способствуют значительным экономическим и послеуборочным потерям в секторе сельскохозяйственного производства во всем мире, особенно под влиянием изменений климата в последние годы. В результате непрерывных исследований было накоплено множество эффективных методов обнаружения, мониторинга и оценки болезней растений. Хорошо развиты профессиональная визуальная интерпретация, биохимический анализ и патологоанатомический анализ. В последние годы больше внимания уделяется неинвазивным технологиям, особенно заметное место занимают гиперспектральные технологии. В этом обзоре обобщены принципы, датчики, передовые технологии, проблемы и тенденции развития, связанные с гиперспектральной системой обнаружения болезней растений. Содержание можно резюмировать следующим образом:

Обнаружение болезней растений с помощью гиперспектральной технологии привлекает все большее внимание. Как показано на рисунке 1, технология гиперспектрального анализа болезней растений появилась в 2002 году и быстро развивалась в последующие 10 лет. За последние 10 лет он постоянно развивался по мере развития соответствующих технологий. Эти разработки предоставляют множество методов и идей для будущих исследований и анализа, а также надежную поддержку защиты растений. Основные технологии ориентированы на небольшие масштабы, а полезная нагрузка спутников требует дальнейшего развития и внимания. За последние три десятилетия почти 86% исследований гиперспектральных изображений были сосредоточены на полевых и лабораторных условиях, и больше внимания уделялось масштабам листьев и кроны. Однако для практического применения необходим крупномасштабный точный анализ. Таким образом, методы масштабного преобразования как для пространственного, так и для спектрального масштаба требуют большего внимания. Хотя алгоритмы анализа гиперспектральных данных в небольших масштабах могут обеспечить техническую поддержку для региональных или более крупных масштабов, трудно добиться крупномасштабного мониторинга без помощи спутниковой полезной нагрузки. Пристальное внимание следует уделять анализу интеграции информации спутниковых масштабов. После реализации целевых гиперспектральных спутниковых миссий приоритетом станет сбор, предварительная обработка и анализ больших данных. Динамический мониторинг болезней растений в реальном времени в региональном, национальном и глобальном масштабах может быть реализован только при условии достижения широкомасштабного анализа интеграции данных. С развитием данных ДЗ из нескольких источников объединение данных из нескольких источников может стать тенденцией развития в будущем.

Вклад автора

Н.З. и Г.Ю. определил объем рукописи, а Н.З. написал рукопись, Y.P., X.Y., L.C. и К.З. исправил рукопись. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование

Эта работа была поддержана: Национальной программой ключевых исследований и разработок Китая (2017YFE0122500), Национальным фондом естественных наук Китая (31901240) и проектом, финансируемым Китайским фондом постдокторских наук (2018M640092).

Конфликты интересов

Спонсоры не играли никакой роли в разработке исследования; при сборе, анализе или интерпретации данных; при написании рукописи или при решении опубликовать результаты.

Источники

Мошоу, Д.; Пантази, XE; Катерис, Д.; Гравалос, И. Обнаружение водного стресса на основе оптического мультисенсорного слияния с машинным классификатором опорных векторов наименьших квадратов. Биосист. англ. 2014, 117, 15–22. [

ФАО. Новые стандарты для сдерживания глобального распространения вредителей и болезней растений. Доступно онлайн: http://www.fao.org/news/story/en/item/1187738/icode/ (по состоянию на 3 апреля 2019 г.).

ФАО. Декларация Всемирного саммита по продовольственной безопасности; Продовольственная и сельскохозяйственная организация: Рим, Италия, 2009 г. [

Карвахаль-Йепес, М.; Кардвелл, К.; Нельсон, А.; Гарретт, Калифорния; Джовани, Б.; Сондерс, DGO; Камун, С.; Легг, JP; Вердье, В.; Лессель, Дж.; и др. Глобальная система надзора за болезнями сельскохозяйственных культур. Наука 2019, 364, 1237–1239. [

Нганже, МЫ; Бангсунд, округ Колумбия; Лейстриц, Флорида; Уилсон, WW; Тиапо, Н.М. Региональные экономические последствия фузариоза колоса пшеницы и ячменя. Преподобный Агрик. Экон. 2004, 26, 332–347. [

Барбедо, J.G.A. Обзор основных проблем автоматической идентификации болезней растений на основе изображений видимого диапазона. Биосист. англ. 2016, 144, 52–60. [

Руис-Руис, С.; Амброс, С.; Вивес, MDC; Наварро, Л.; Морено, П.; Герри, Дж. Обнаружение и количественное определение вируса пятнистости листьев цитрусовых с помощью TaqMan RT-PCR в реальном времени. Дж. Вирол. Методы 2009, 160, 57–62. [

Шанкаран, С.; Мишра, А.; Эхсани, Р.; Дэвис, К. Обзор передовых методов обнаружения болезней растений. Вычислить. Электрон. Сельское хозяйство. 2010, 72, 1–12. [

Ивон, М.; Тебо, Г.; Алари, Р.; Лабонн, Г. Специфическое обнаружение и количественная оценка фитопатогенного агента Candidatus Phytoplasma prunorum. Мол. Клетка. Зонды 2009, 23, 227–234. [

Али, ММ; Бачик, Н.А.; Мухади, Н.А.; Юсоф, ТНТ; Гомес, К. Неразрушающие методы обнаружения болезней растений: обзор. Физиол. Мол. Растительный патол. 2019, 108, 101426–101437. [

Голхани, К.; Баласундрам, Южная Каролина; Вадамалай, Г.; Прадхан, Б. Обзор нейронных сетей для обнаружения болезней растений с использованием гиперспектральных данных. Инф. Процесс. Сельское хозяйство. 2018, 5, 354–371. [

Перселл, DE; О'Ши, MG; Джонсон, РА; Кокот, С. Спектроскопия ближнего инфракрасного диапазона для прогнозирования заболеваемости листовой галлой Фиджи в клонах сахарного тростника. Прил. Спектроск. 2009, 63, 450–457. [

Шреста, С.; Делеран, LC; Гислум, Р. Классификация различных сортов семян томатов с помощью мультиспектральной видимой-ближней инфракрасной спектроскопии и хемометрики. Дж. Спектр. Визуализация 2016, 5, 1–8. [

Борхес, Э.; Матос, AP; Кардосо, Дж. М.; Коррейя, К.; Васконселос, Т.; Гомес, Н. Раннее обнаружение и мониторинг болезней растений с помощью биоэлектрической импедансной спектроскопии. В материалах 2-го португальского собрания IEEE по биоинженерии (ENBENG) 2012 г., Коимбра, Португалия, 23–25 февраля 2012 г.; стр. 1–4. [

Беласк Дж. Младший; Гаспарото, MCG; Маркасса, Л.Г. Обнаружение механических и болезнетворных стрессов у цитрусовых растений методом флуоресцентной спектроскопии. Прил. Опция 2008, 47, 1922–1926. [

Дхингра, Г.; Кумар, В.; Джоши, Х.Д. Исследование методов цифровой обработки изображений для обнаружения и классификации болезней листьев. Мультимед. Инструменты Прил. 2017, 77, 19951–20000. [

Барбедо, J.G.A. Методы цифровой обработки изображений для обнаружения, количественной оценки и классификации болезней растений. Springerplus 2013, 2, 660–671. [

Цен, Х.; Венг, Х.; Яо, Дж.; Он, М.; Льв, Дж.; Хуа, С.; Ли, Х.; Он, Ю. Флуоресцентная визуализация хлорофилла обнаруживает фотосинтетические отпечатки пальцев цитрусовых Хуанлунбин. Передний. Наука о растениях. 2017, 8, 1509–1519. [

Раза, С.-е.-А.; Принс, Г.; Кларксон, JP; Раджпут, Н.М. Автоматическое обнаружение больных растений томата с использованием тепловых и стереоизображений в видимом свете. PLoS ONE 2015, 10, e0123262–e0123281. [

Шанкаран, С.; Майя, Дж.М.; Бьюкенон, С.; Эхсани, Р. Хуанлунбин (озеленение цитрусовых) обнаружение с использованием методов видимого, ближнего инфракрасного и тепловизионного изображений. Датчики 2013, 13, 2117–2130. [

Седерстрем, М.; Бёрьессон, Т.; Роланд, Б.; Стадиг, Х. Моделирование внутриполевых изменений содержания дезоксиниваленола (ДОН) в овсе с использованием проксимального и дистанционного зондирования. Точность. Сельское хозяйство. 2014, 16, 1–14. [

Вахабзада, М.; Махлейн, А.-К.; Баукхаге, К.; Штайнер, У.; Эрке, Э.-К.; Керстинг, К. Фенотипирование растений с использованием вероятностных тематических моделей: раскрытие гиперспектрального языка растений. наук. Отчет 2016, 6, 22482–22492. [

Лопес-Лопес, М.; Кальдерон, Р.; Гонсалес-Дуго, В.; Зарко-Техада, П.; Феререс, Э. Раннее обнаружение и количественная оценка миндальной красной пятнистости листьев с использованием гиперспектральных и тепловизионных изображений высокого разрешения. Дистанционное чувствование. 2016, 8, 276. [

Махлейн, А.-К.; Хаммерсли, С.; Эрке, Э.-К.; Дене, Х.-В.; Гольдбах, Х.; Грив, Б. Дополнительная матрица синих светодиодов для улучшения качества сигнала при гиперспектральной визуализации растений. Датчики 2015, 15, 12834–12840. [

Аль-Саддик, Х.; Саймон, Ж.-К.; Куанто, Ф. Разработка спектральных индексов болезней для идентификации болезней виноградной лозы «Flavescent Doree». Датчики 2017, 17, 2772. [

Гамиси, П.; Плаза, Дж.; Чен, Ю.; Ли, Дж.; Плаза, А. Обзор расширенных контролируемых спектральных классификаторов для гиперспектральных изображений. IEEEGeosci. Дистанционный датчик Mag. 2017, 5, 8–32. [

Чжоу, В.; Чжан, Дж.; Цзоу, М.; Лю, X.; Ду, Х.; Ван, К.; Лю, Ю.; Лю, Ю.; Ли, Дж. Прогноз концентрации кадмия в коричневом рисе перед сбором урожая с помощью гиперспектрального дистанционного зондирования. Окружающая среда. наук. Загрязнение. Рез. Межд. 2019, 26, 1848–1856. [

Томас, С.; Куська, М.Т.; Боненкамп, Д.; Брюггер, А.; Алисаак, Э.; Вахабзада, М.; Беманн, Дж.; Махлейн, А.-К. Преимущества гиперспектральной визуализации для обнаружения болезней растений и защиты растений: техническая перспектива. Дж. Плант Дис. Прот. 2017, 125, 5–20. [

Вирлет, Н.; Саберманеш, К.; Садеги-Тегеран, П.; Хоксфорд, М.Дж. Полевой сканер: автоматизированная роботизированная платформа для фенотипирования полей для детального мониторинга урожая. Функц. Растительная биол. 2017, 44, 143–153. [

Бок, CH; Пул, GH; Паркер, ЧП; Готвальд, Т.Р. Тяжесть заболевания растений оценивали визуально, с помощью цифровой фотографии и анализа изображений, а также с помощью гиперспектральной визуализации. Крит. Преподобный Plant Sci. 2010, 29, 59–107. [

Ли, Вашингтон; Альханатис, В.; Ян, К.; Хирафудзи, М.; Мошоу, Д.; Ли, К. Сенсорные технологии для точного производства специальных сельскохозяйственных культур. Вычислить. Электрон. Сельское хозяйство. 2010, 74, 2–33. [

Уэст, Дж. С.; Браво, К.; Оберти, Р.; Лемэр, Д.; Мошоу, Д.; Маккартни, Х.А. Потенциал оптического измерения полога для целевого контроля болезней полевых культур. Анну. Преподобный Фитопатол. 2003, 41, 593–614. [

Бауригель, Э.; Херппих, В. Гиперспектральная и флуоресцентная визуализация хлорофилла для раннего обнаружения болезней растений, с особым упором на Fusariumspec. инфекции на пшенице. Сельское хозяйство 2014, 4, 32–57. [

Барановский, П.; Едричка, М.; Мазурек, В.; Бабула-Сковронска, Д.; Седлиска, А.; Качмарек, Дж. Гиперспектральная и тепловая визуализация реакции масличного рапса (Brassica napus) на виды грибов рода Alternaria. PLoS ONE 2015, 10, e0012313–e0122913. [

Грефф, С.; Линк, Дж.; Клаупейн, В. Идентификация мучнистой росы (Erysiphe graminis sp. tritici) и универсальной болезни (Gaeumannomyces graminis sp. tritici) у пшеницы (Triticum aestivum L.) посредством измерения отражательной способности листьев. Открытая наука о жизни. 2006. [

Шертлефф, MC; Пельчар, MJ; Кельман, А.; Пельчар, Р.М. Болезнь растений. В патологии растений; Британская энциклопедия: Чикаго, Иллинойс, США, 2020; Доступно онлайн: https://www.britannica.com/science/plant-disease (по состоянию на 1 апреля 2020 г.).

Чжан, Дж.; Хуанг, Ю.; Пу, Р.; Гонсалес-Морено, П.; Юань, Л.; Ву, К.; Хуанг, В. Мониторинг болезней и вредителей растений с помощью технологии дистанционного зондирования: обзор. Вычислить. Электрон. Сельское хозяйство. 2019, 165, 104943–104956. [

Бойд, Лос-Анджелес; Кристофер, Р.; О'Салливан, Д.М.; Лич, Дж. Э.; Хей, Л. Взаимодействие растений и патогенов: устойчивость к болезням в современном сельском хозяйстве. Тенденции Жене. 2013, 29, 233–240. [

Махлейн, А.-К.; Куська, М.Т.; Беманн, Дж.; Польдер, Г.; Уолтер, А. Гиперспектральные датчики и технологии визуализации в фитопатологии: современное состояние. Анну. Преподобный Фитопатол. 2018, 56, 535–558. [

Пинсон, А.; Баррето, Э.; Бернал, А.; Ачени, Л.; Гонсалес Барриос, AF; Исеа, Р.; Рестрепо, С. Вычислительные модели взаимодействия растений и патогенов: случай Phytophthora infestans. Теор. Биол. Мед. Модель. 2009, 6, 24–34. [

Цзян, З. Крупномасштабный анализ транскрипционных данных иммунных реакций растений. доктор философии Диссертация, Китайский сельскохозяйственный университет, Пекин, Китай, 2017. [

Махлейн, А.-К.; Алисаак, Э.; Масри, А.А.; Беманн, Дж.; Дене, Х.-В.; Эрке, Э.-К. Сравнение и сочетание термической, флуоресцентной и гиперспектральной визуализации для мониторинга фузариоза колоса пшеницы в масштабах колосков. Датчики 2019, 19, 2281. [

Юань, Л.; Хуанг, Ю.; Лораамм, RW; Не, К.; Ван, Дж.; Чжан Дж. Спектральный анализ листьев озимой пшеницы для выявления и дифференциации болезней и насекомых. Полевой урожай. Рез. 2014, 156, 199–207. [

Эрке, Э.-К.; Херцог, К.; Топфер, Р. Гиперспектральное фенотипирование реакции генотипов виноградной лозы на Plasmopara viticola. Дж. Эксп. Бот. 2016, 67, 5529–5543. [

Польдер, Г.; Блок, П.М.; де Вильерс, HAC; ван дер Вольф, Дж.М.; Камп, Дж. Обнаружение картофельного вируса Y в семенном картофеле с использованием глубокого обучения на гиперспектральных изображениях. Передний. Наука о растениях. 2019, 10, 209–221. [

Джин, X.; Цзе, Л.; Ван, С.; Ци, Х.; Ли, С. Классификация гиперспектральных пикселей пшеницы здоровых колосьев и фузариоза колосья с использованием глубокой нейронной сети в диких условиях. Дистанционное чувствование. 2018, 10, 395. [

Чен, Д.; Ши, Ю.; Хуанг, В.; Чжан, Дж.; Ву, К. Картирование ржавчины пшеницы на основе спутниковых изображений с высоким пространственным разрешением. Вычислить. Электрон. Сельское хозяйство. 2018, 152, 109–116. [

Алисаак, Э.; Беманн, Дж.; Куська, М.Т.; Дене, Х.-В.; Махлейн, А.-К. Гиперспектральная количественная оценка устойчивости пшеницы к фузариозу колоса: сравнение двух видов Fusarium. Евро. Дж. Плант Патол. 2018, 152, 869–884. [

Ашурлоо, Д.; Агиги, Х.; Маткан, А.А.; Мобашери, MR; Рад, А.М. Исследование методов регрессии машинного обучения для обнаружения заболеваний листовой ржавчиной с использованием гиперспектральных измерений. IEEE Дж. Сел. Вершина. Прил. Земля Обс. Дистанционное зондирование. 2016, 9, 4344–4351. [

Ашурлоо, Д.; Мобашери, М.; Уэте, А. Разработка двух спектральных индексов заболеваний для обнаружения листовой ржавчины пшеницы (Pucciniatriticina). Дистанционное зондирование. 2014, 6, 4723–4740. [

Хуанг, В.; Лу, Дж.; Йе, Х.; Конг, В.; Мортимер, AH; Ши, Ю. Количественная идентификация болезней сельскохозяйственных культур и азотно-водного стресса у озимой пшеницы с использованием непрерывного вейвлет-анализа. Межд. Дж. Агрик. Биол. англ. 2018, 11, 145–152. [

Чжу, М.; Ян, Х.; Ли, З. Раннее обнаружение и идентификация болезни рисовой гнили на основе гиперспектрального изображения и содержания хлорофилла. Спектроск Спектр. Анальный. 2019, 39, 1898–1904. [

Хуанг, С.; Ци, Л.; Ма, Х.; Сюэ, К.; Ван, В.; Чжу, X. Анализ гиперспектральных изображений на основе модели BoSW для оценки взрыва рисовой метелки. Вычислить. Электрон. Сельское хозяйство. 2015, 118, 167–178. [

Дхау, И.; Адам, Э.; Мутанга, О.; Айиси, К.; Абдель-Рахман, EM; Одинди, Дж.; Масоча, М. Проверка способности спектрального разрешения новых мультиспектральных датчиков при определении тяжести серой пятнистости листьев в посевах кукурузы. Геокарто Междунар. 2017, 33, 1223–1236. [

Адам, Э.; Дэн, Х.; Одинди, Дж.; Абдель-Рахман, EM; Мутанга, О. Обнаружение ранней стадии заражения пятнистостью листьев Phaeosphaeria в посевах кукурузы с использованием гиперспектральных данных in situ и управляемого регуляризованного алгоритма случайного леса. Дж. Спектроск. 2017, 2017, 1–8. [

Уильямс, П.Дж.; Безюиденхаут, К.; Роуз, Л. Дж. Дифференциация возбудителей гнили початков кукурузы на питательной среде с помощью гиперспектральной визуализации в ближнем инфракрасном диапазоне. Еда, анал. Методы 2019, 12, 1556–1570. [

Нагасубраманиан, К.; Джонс, С.; Саркар, С.; Сингх, А.К.; Сингх, А.; Ганапатисубраманиан, Б. Выбор гиперспектрального диапазона с использованием генетического алгоритма и машин опорных векторов для раннего выявления заболевания угольной гнилью в стеблях сои. Растительные методы 2018, 14, 86–92. [

Газала, IFS; Саху, Р.Н.; Панди, Р.; Мандал, Б.; Гупта, В.К.; Сингх, Р.; Синха, П. Спектральная характеристика отражения сои для оценки болезни желтой мозаики. Индиан Дж. Вирол. 2013, 24, 242–249. [

Франческини, доктор медицинских наук; Бартоломеус, Х.; ван Апелдорн, Д.Ф.; Суомалайнен, Дж.; Кооистра, Л. Возможность использования оптических изображений с беспилотных летательных аппаратов для раннего обнаружения и оценки серьезности фитофтороза картофеля. Дистанционное зондирование. 2019, 11, 224. [

Махлейн, А.-К.; Штайнер, У.; Дене, Х.-В.; Эрке, Э.-К. Спектральные признаки листьев сахарной свеклы для выявления и дифференциации болезней. Точность. Сельское хозяйство. 2010, 11, 413–431. [

Махлейн, А.-К.; Штайнер, У.; Хиллнхуттер, К.; Дене, Х.-В.; Эрке, Э.-К. Гиперспектральная визуализация для мелкомасштабного анализа симптомов, вызванных различными заболеваниями сахарной свеклы. Растительные методы 2012, 8, 3–15. [

Румпф, Т.; Махлейн, А.-К.; Штайнер, У.; Эрке, Э.-К.; Дене, HW; Плюмер, Л. Раннее обнаружение и классификация болезней растений с помощью машин опорных векторов на основе гиперспектрального отражения. Вычислить. Электрон. Сельское хозяйство. 2010, 74, 91–99. [

Рейнольдс, Дж.Дж.; Виндельс, CE; Макрей, И.В.; Лагетт, С. Дистанционное зондирование для оценки тяжести ризоктониоза кроны и корневой гнили сахарной свеклы. Завод Дис. 2012, 96, 497–505. [

Се, К.; Ян, К.; Он, Ю. Гиперспектральная визуализация для классификации здоровых и пораженных серой гнилью листьев томатов с различной степенью тяжести заражения. Вычислить. Электрон. Сельское хозяйство. 2017, 135, 154–162. [

Лу, Дж.; Чжоу, М.; Гао, Ю.; Цзян, Х. Использование гиперспектральной визуализации для выявления болезни желтого скручивания листьев в листьях томатов. Точность. Сельское хозяйство. 2017, 19, 379–394. [

Абдулрида, Дж.; Батуман, О.; Ампацидис, Ю. Метод дистанционного зондирования на основе БПЛА для обнаружения рака цитрусовых с использованием гиперспектральной визуализации и машинного обучения. Дистанционное Сенс. 2019, 11, 1373. [

Ли, Х.; Ли, Вашингтон; Ли, М.; Эхсани, Р.; Мишра, АР; Ян, К.; Манган, Р.Л. Анализ спектральных различий и классификация аэрофотосъемки зараженных деревьев, озеленяющих цитрусовые. Вычислить. Электрон. Сельское хозяйство. 2012, 83, 32–46. [

Кутюр, Джей-Джей; Сингх, А.; Чарковский, А.О.; Гроувс, Р.Л.; Грей, С.М.; Бетке, ПК; Таунсенд, Пенсильвания Интеграция спектроскопии в борьбу с болезнями картофеля. Завод Дис. 2018, 102, 2233–2240. [

Чжан, Дж.; Ван, Н.; Юань, Л.; Чен, Ф.; Ву, К. Дискриминация болезней озимой пшеницы и стрессов от насекомых с использованием непрерывных вейвлет-характеристик, извлеченных из спектральных измерений листьев. Биосист. англ. 2017, 162, 20–29. [

Куська, М.Т.; Вахабзада, М.; Лейкер, М.; Дене, Х.-В.; Керстинг, К.; Эрке, Э.-К.; Штайнер, У.; Махлейн, А.-К. Гиперспектральное фенотипирование в микроскопическом масштабе: на пути к автоматизированной характеристике взаимодействий растений и патогенов. Растительные методы 2015, 11, 28–41. [

Цинь, Дж.; Беркс, Т.Ф.; Ритенур, Массачусетс; Бонн, В.Г. Обнаружение рака цитрусовых с использованием гиперспектральной отражательной визуализации с расхождением спектральной информации. J. Food Eng. 2009, 93, 183–191. [

Абдулрида, Дж.; Ампацидис, Ю.; Эхсани, Р.; де Кастро, А.И. Оценка эффективности спектральных характеристик и инструментов многомерного анализа для выявления болезни лаврового увядания и дефицита питательных веществ в авокадо. Вычислить. Электрон. Сельское хозяйство. 2018, 155, 203–211. [

Ши, Ю.; Хуанг, В.; Гонсалес-Морено, П.; Люк, Б.; Донг, Ю.; Чжэн, К.; Ма, Х.; Лю, Л. Набор спектральных признаков ржавчины на основе вейвлетов (WRSF): новый набор спектральных признаков, основанный на непрерывном вейвлет-преобразовании для отслеживания прогрессирующего взаимодействия хозяина и патогена желтой ржавчины на пшенице. Дистанционное Сенс. 2018, 10, 525. [

Пинто, Ф.; Дамм, А.; Шиклинг, А.; Панигада, К.; Коглиати, С.; Мюллер-Линов, М.; Балвора, А.; Рашер, У. Вызванная солнцем флуоресценция хлорофилла на основе данных спектроскопии изображений с высоким разрешением для количественной оценки пространственно-временных закономерностей фотосинтетической функции в пологах сельскохозяйственных культур. Окружающая среда растительной клетки. 2016, 39, 15:00–15:12. [

Браво, К.; Мошоу, Д.; Уэст, Дж.; Маккартни, А.; Рамон, Х. Раннее обнаружение заболеваний на пшеничных полях с использованием спектрального отражения. Биосист. англ. 2003, 84, 137–145. [

Хуанг, Л.; Чжао, Дж.; Чжан, Д.; Юань, Л.; Донг, Ю.; Чжан Дж. Идентификация и картирование полосатой ржавчины озимой пшеницы с использованием многовременных гиперспектральных изображений, полученных с воздуха. Межд. Дж. Агрик. Биол. 2012, 14, 697–704. [

Ванегас, Ф.; Братанов Д.; Пауэлл, К.; Вайс, Дж.; Гонсалес, Ф. Новая методология улучшения наблюдения за вредителями растений на виноградниках и сельскохозяйственных культурах с использованием гиперспектральных и пространственных данных на основе БПЛА. Датчики 2018, 18, 260. [

Хиллнхюттер, К.; Махлейн, А.-К.; Сикора, Р.А.; Эрке, Э.-К. Дистанционное зондирование для выявления стресса растений, вызванного Heterodera schachtii и Rhizoctoniasolani на полях сахарной свеклы. Полевой урожай. Рез. 2011, 122, 70–77. [

Чжан, М.; Цинь, З.; Лю, X.; Устин, С.Л. Обнаружение стресса у томатов, вызванного фитофторозом в Калифорнии, США, с помощью гиперспектрального дистанционного зондирования. Межд. Дж. Прил. Земля Обс. Геоинф. 2003, 4, 295–310. [

Мирик, М.; Ансли, Р.Дж.; Прайс, Дж. А.; Воркне, Ф.; Раш, К.М. Дистанционный мониторинг развития мозаики полос пшеницы с использованием субпиксельной классификации изображений Landsat 5 TM для борьбы с болезнями озимой пшеницы на конкретном участке. Адв. Дистанционная сенсорика 2013, 2, 16–28. [

Суомалайнен, Дж.; Андерс, Н.; Икбал, С.; Реринк, Г.; Франке, Дж.; Вентинг, П.; Хюннигер, Д.; Бартоломеус, Х.; Беккер, Р.; Кооистра, Л. Легкая система гиперспектрального картирования и цепочка фотограмметрической обработки для беспилотных летательных аппаратов. Дистанционное зондирование. 2014, 6, 11013–11030. [

Джей, С.; Бендула, Р.; Аду, X.; Фере, Ж.-Б.; Горретта, Н. Физически обоснованная модель для определения биохимии листвы и ориентации листьев с помощью спектроскопии изображений ближнего действия. Дистанционный датчик окружающей среды. 2016, 177, 220–236. [

Чжан, Н.; Пан, Ю.; Фэн, Х.; Чжао, X.; Ян, X.; Дин, К.; Ян, Г. Разработка индекса классификации фузариоза колоса с использованием изображений гиперспектральной микроскопии колосков озимой пшеницы. Биосист. англ. 2019, 186, 83–99. [

Мошоу, Д.; Браво, К.; Уэст, Дж.; Вален, С.; Маккартни, А.; Рамон, Х. Автоматическое обнаружение «желтой ржавчины» в пшенице с использованием измерений отражательной способности и нейронных сетей. Вычислить. Электрон. Сельское хозяйство. 2004, 44, 173–188. [

Сингх, CB; Джаяс, Д.С.; Паливал, Дж.; Уайт, Н.Д.Г. Обнаружение пораженных комарами зерен пшеницы с использованием коротковолновой гиперспектральной и цифровой цветной визуализации в ближнем инфракрасном диапазоне. Биосист. англ. 2010, 105, 380–387. [

Шахин, Массачусетс; Саймонс, С.Дж. Обнаружение поврежденных фузариозом зерен канадской пшеницы Western Red Spring с использованием гиперспектральной визуализации в видимом и ближнем инфракрасном диапазоне и анализа главных компонентов. Вычислить. Электрон. Сельское хозяйство. 2011, 75, 107–112. [

Мирик, М.; Джонс, округ Колумбия; Прайс, Дж. А.; Воркне, Ф.; Ансли, Р.Дж.; Раш, К.М. Спутниковое дистанционное зондирование пшеницы, зараженной вирусом полосатой мозаики. Завод Дис. 2011, 95, 4–12. [

Нагасубраманиан, К.; Джонс, С.; Сингх, А.К.; Сингх, А.; Ганапатисубраманиан, Б.; Саркар, С. Объяснение идентификации болезней растений на основе гиперспектральной визуализации: 3D CNN и карты заметности. В материалах 31-й конференции по нейронным системам обработки информации (NIPS 2017), Лонг-Бич, Калифорния, США, 4–9 декабря 2017 г. [

Мишра, П.; Асаари, МСМ; Эрреро-Лангрео, А.; Лохуми, С.; Диезма, Б.; Шеундерс, П. Гиперспектральная визуализация растений с близкого расстояния: обзор. Биосист. англ. 2017, 164, 49–67. [

Панди, П.; Ге, Ю.; Стергер, В.; Шнабле, Дж. К. Высокопроизводительный анализ химических свойств листьев растений in vivo с использованием гиперспектральной визуализации. Передний. Наука о растениях. 2017, 8, 1348–1359. [

Текле, С.; Маг, И.; Сегтнан, В.Х.; Бьёрнстад, А. Гиперспектральная визуализация овса, пораженного фузариозом (Avena sativa L.), в ближнем инфракрасном диапазоне. Зерновая химия. 2015, 92, 73–80. [

Ли, Дж.; Чжан, Р.; Ли, Дж.; Ван, З.; Чжан, Х.; Жан, Б.; Цзян, Ю. Обнаружение ранних испорченных апельсинов на основе многоспектрального изображения главных компонент, сочетающего в себе как двумерное эмпирическое разложение по моде, так и метод сегментации водораздела. Послеуборочная биол. Технол. 2019, 158, 110986–110996. [

Лю, Дж.; Чан, К.; Чен, С. Распознавание растений на основе изображений путем объединения мультимодальной информации. В материалах 10-й Международной конференции по инновационным мобильным и интернет-услугам в повсеместных вычислениях (IMIS), Фукуока, Япония, 6–8 июля 2016 г.; стр. 5–11. [

Лю, Дж.; Лин, Т. Система распознавания и регистрации растений на основе местоположения и изображений. Ж. Инф. Скрытие Мультимеда. Сигнальный процесс. 2015, 6, 898–910. [

Уильямс, Д.; Бриттен, А.; МакКаллум, С.; Джонс, Х.; Эйткенхед, М.; Карли, А.; Лоудс, К.; Прашар, А.; Грэм, Дж. Метод автоматической сегментации и разделения гиперспектральных изображений растений малины, собранных в полевых условиях. Растительные методы 2017, 13, 74–85. [

Сан, Г.; Чжан, А.; Рен, Дж.; Ма, Дж.; Ван, П.; Чжан, Ю.; Цзя, X. Обнаружение границ на основе гравитации на гиперспектральных изображениях. Дистанционное зондирование. 2017, 9, 592. [

Перес-Санс, Ф.; Наварро, П.Дж.; Эгеа-Кортинес, М. Феномика растений: обзор технологий получения изображений и алгоритмов анализа данных изображений. Гигасайенс 2017, 6, 1–18. [

Се, К.; Он, Ю. Анализ особенностей спектра и текстуры изображения для раннего выявления фитофтороза на листьях баклажанов. Датчики 2016, 16, 676. [

Вэй, Ф. Исследование по извлечению и выбору признаков для данных гиперспектрального дистанционного зондирования; Северо-Западный политехнический университет: Сиань, Китай, 2015. [

Кнауэр, У.; Матрос, А.; Петрович, Т.; Занкер, Т.; Скотт, ES; Зайферт, У. Повышение точности классификации уровней заражения винограда мучнистой росой с помощью пространственно-спектрального анализа гиперспектральных изображений. Растительные методы 2017, 13, 31–47. [

Лоу, А.; Харрисон, Н.; Френч, А.П. Методы анализа гиперспектральных изображений для обнаружения и классификации раннего начала болезней и стресса растений. Растительные методы 2017, 13, 80–91. [

Да, Ю.Ф.; Чунг, В.; Ляо, Дж.; Чунг, К.; Куо, Ю.; Лин, Т. Сравнение методов машинного обучения при гиперспектральной оценке болезней растений. Учебник МФБ. Том. 2013, 46, 361–365. [

Мошоу, Д.; Браво, К.; Оберти, Р.; Уэст, Дж.; Бодрия, Л.; Маккартни, А.; Рамон, Х. Обнаружение болезней растений на основе объединения данных гиперспектральной и мультиспектральной флуоресцентной визуализации с использованием карт Кохонена. Визуализация в реальном времени 2005, 11, 75–83. [

Голхани, К.; Баласундрам, Южная Каролина; Вадамалай, Г.; Прадхан, Б. Оценка содержания хлорофилла в чешуе листьев в инокулированных вироидом сеянцах масличной пальмы (Elaeis guineensis Jacq.) с использованием спектров отражения (400–1050 нм). Межд. J. Remote Sens. 2019, 40, 7647–7662. [

Джоалланд, С.; Скрепанти, К.; Либиш, Ф.; Варелла, Х.В.; Гауме, А.; Уолтер, А. Сравнение методов видимой визуализации, термографии и спектрометрии для оценки влияния инокуляции Heterodera schachtii на сахарную свеклу. Растительные методы 2017, 13, 73–86. [

Прабхакар, М.; Прасад, Ю.Г.; Тирупати, М.; Шридеви, Г.; Дхараджоти, Б.; Венкатешварлу, Б. Использование наземного гиперспектрального дистанционного зондирования для обнаружения стресса у хлопка, вызванного цикадкой (Hemiptera: Cicadellidae). Вычислить. Электрон. Сельское хозяйство. 2011, 79, 189–198. [

Geospatial, Учебное пособие по индексам растительности LH EO-1 Hyperion. Доступно онлайн: http://www.harrisgeospatial.com/docs/narrowbandgreenness.html (по состоянию на 3 апреля 2019 г.).

Кальдерон, Р.; Навас-Кортес, Ж.А.; Лусена, К.; Зарко-Техада, П.Дж. Авиационные гиперспектральные и тепловизионные изображения высокого разрешения для раннего обнаружения вертициллезного увядания оливок с использованием флуоресценции, температуры и узкополосных спектральных показателей. Дистанционный датчик окружающей среды. 2013, 139, 231–245. [

Девадас, Р.; Лэмб, Д.В.; Симпфендорфер, С.; Бэкхаус, Д. Оценка десяти спектральных индексов растительности для выявления ржавчины в отдельных листьях пшеницы. Точность. Сельское хозяйство. 2008, 10, 459–470. [

Бердуго, Калифорния; Зито, Р.; Паулюс, С.; Махлейн, А.-К. Объединение данных датчиков для обнаружения и дифференциации болезней растений огурца. Растительный патол. 2014, 63, 1344–1356. [

Махлейн, А.-К.; Румпф, Т.; Велке, П.; Эрке, Э.-К.; Плюмер, Л.; Штайнер, У.; Эрке, Э.-К. Разработка спектральных индексов для обнаружения и идентификации болезней растений. Дистанционный датчик окружающей среды. 2013, 128, 21–30. [

Кононенко И. Анализ и расширение рельефа. В материалах Европейской конференции по машинному обучению; Спрингер: Секокус, Нью-Джерси, США; стр. 171–182.

Цао, X.; Луо, Ю.; Чжоу, Ю.; Фан, Дж.; Сюй, Х.; Уэст, Дж. С.; Дуань, X.; Ченг, Д. Обнаружение мучнистой росы в двух густонаселенных районах озимой пшеницы и прогнозирование урожайности зерна с использованием гиперспектрального отражения кроны. PLoS ONE 2015, 10, e0121462–e0121479. [

Ван, Х.; Цинь, Ф.; Руан, Л.И.; Ван, Р.; Лю, К.; Ма, З.; Ли, Х.; Ченг, П.; Ван, Х. Идентификация и определение степени тяжести полосатой ржавчины пшеницы и листовой ржавчины пшеницы на основе гиперспектральных данных, полученных с использованием метода измерения на основе черной бумаги. PLoS ONE 2016, 11, e0154648–e0154674. [

Сусич, Н.; Жибрат, У.; Ширка, С.; Страйнар, П.; Разингер, Дж.; Кнапич, М.; Вончина А.; Урек, Г.; Герич Старе, Б. Различение абиотического и биотического стресса засухи у томатов с использованием гиперспектральной визуализации. Сенсорные актуаторы B Chem. 2018, 273, 842–852. [

Чжан, Н.; Чжан, X.; Ян, Г.; Чжу, К.; Хо, Л.; Фэн, Х. Оценка дефолиации во время вспышки катастрофы Dendrolimus tabulaeformis Tsai et Liu с использованием гиперспектральных изображений, полученных с помощью БПЛА. Дистанционный датчик окружающей среды. 2018, 217, 323–339. [

Менесатти, П.; Антонуччи, Ф.; Паллоттино, Ф.; Георгий, С.; Матере, А.; Носенте, Ф.; Пасквини, М.; Д'Эджидио, MG; Коста, К. Лабораторное и полевое спектральное проксимальное зондирование для раннего обнаружения фузариоза колоса у твердой пшеницы. Биосист. англ. 2013, 114, 289–293. [

Ченг, Т.; Ривард, Б.; Санчес-Азофейфа, Джорджия; Фэн, Дж.; Кальво-Поланко, М. Непрерывный вейвлет-анализ для обнаружения повреждений от зеленой атаки, вызванных заражением горных сосновых жуков. Дистанционный датчик окружающей среды. 2010, 114, 899–910. [

Ли, Г.; Ван, К.; Фэн, М.; Ян, В.; Ли, Ф.; Фэн, Р. Гиперспектральный прогноз индекса площади листьев озимой пшеницы на орошаемых и богарных полях. PLoS ONE 2017, 12, e0183338–e0183352. [

Чжан, Дж.; Ривард, Б.; Рогге, Д.М. Алгоритм последовательного проецирования (SPA) — алгоритм с пространственным ограничением для автоматического поиска конечных элементов в гиперспектральных данных. Датчики 2008, 8, 1321–1342. [

Ван, Ф.; Ли, Ю.; Пэн, Ю.; Ян, Б.; Ли, Л.; Лю, Ю. Многопараметрическое неразрушающее быстрое обнаружение качества картофеля с помощью видимых/ближних инфракрасных спектров. Спектроск Спектр. Анальный. 2018, 38, 3736–3742. [

Ли, Х.; Лян, Ю.; Сюй, Кью; Цао, Д. Скрининг ключевых длин волн с использованием конкурентного адаптивного метода перевзвешенной выборки для многомерной калибровки. Анальный. Хим. Acta 2009, 648, 77–84. [

Йе, С.; Ван, Д.; Мин, С. Алгоритм последовательных проекций в сочетании с исключением неинформативных переменных для выбора спектральных переменных. Чемом. Интел. Лаб. Сист. 2008, 91, 194–199. [

Роуз, JW; Хаас, Р.Х.; Шелл, Дж. А.; Диринг, Д.В. Мониторинг растительных систем на великих равнинах с помощью ERTS. Спецификация НАСА. Опубл. 1973, 351, 309–317. [

Гительсон, А.А.; Гриц, Ю.; Мерзляк, М.Н. Связь между содержанием хлорофилла в листьях и спектральной отражательной способностью и алгоритмы неразрушающей оценки хлорофилла в листьях высших растений. Дж. Физиол растений. 2003, 160, 271–282. [

Хабудан, Д.; Миллер-младший; Патти, Э.; Зарко-Техада, П.Дж.; Страчан, И.Б. Гиперспектральные индексы растительности и новые алгоритмы прогнозирования зеленого LAI полога сельскохозяйственных культур: моделирование и проверка в контексте точного земледелия. Дистанционный датчик окружающей среды. 2004, 90, 337–352. [

Гамон, Дж. А.; Серрано, Л.; Серфус, Дж.С. Индекс фотохимического отражения: оптический индикатор эффективности использования фотосинтетического излучения в зависимости от вида, функционального типа и уровня питательных веществ. Экология 1997, 112, 492–501. [

Пенуэлас, Дж.; Барет, Ф.; Филелла, И. Полуэмпирические индексы для оценки соотношения каротиноиды/хлорофилл-а по спектральной отражательной способности листьев. Фотосинт. Рез. 1995, 43, 67–74. [

Гамон, Дж. А.; Серфус, Дж.С. Оценка содержания и активности пигментов листьев с помощью рефлектометра. Новый Фитол. 1999, 143, 105–117. [

Гительсон, А.А.; Мерзляк, М.Н.; Чивкунова, О.Б. Оптические свойства и неразрушающая оценка содержания антоцианов в листьях растений. Фотохим. Фотобиол. 2010, 74, 38–45. [

Гительсон, А.; Зур, Ю.; Чивкунова О.Б.; Мерзляк, М.Н. Оценка содержания каротиноидов в листьях растений методом отражательной спектроскопии. Фотохим. Фотобиол. 2010, 75, 272–281. [

Гительсон, А.; Мерзляк, М.Н. Изменения спектральной отражательной способности, связанные с осенним старением листьев Aesculus Hippocastanum L. и Acer PlatanoidesL.. Спектральные особенности и связь с оценкой хлорофиля II. Дж. Физиол растений. 1994, 143, 286–292. [

Чен, Дж. М. Оценка индексов растительности и модифицированное простое соотношение для бореальных применений. Может. J. Remote Sens. 1996, 22, 229–242. [

Чеккатоа, П.; Флассеб, СП; Тарантолак, С.; Жакмуд, SP; Грегуареа, Ж.-М. Определение содержания воды в листьях растительности с использованием коэффициента отражения в оптической области. Дистанционный датчик окружающей среды. 2001, 77, 22–33. [

Хардиски, М.; Клемас, В.; Смарт, Р.М. Влияние засоления почвы, формы роста и влажности листьев на спектральную отражательную способность полога spartinaalterniflora. Фотограмма. англ. Дистанционное зондирование. 1983, 49, 77–83. [

Серрано, Л.; Пенуэлас, Дж.; Устин, С.Л. Дистанционное зондирование азота и лигнина в средиземноморской растительности по данным AVIRIS: биохимическое разложение по структурным сигналам. Дистанционный датчик окружающей среды. 2002, 81, 355–364. [

Хайм, RHJ; Райт, Ай-Джей; Аллен, AP; Гидике, И.; Олделанд, Дж. Разработка спектрального индекса болезни миртовой ржавчины (Austropuccinia psidii). Растительный патол. 2019, 68, 738–745. [

Джонс, CD; Джонс, Дж. Б.; Ли, В.С. Диагностика бактериальной пятнистости томата по спектральным признакам. Вычислить. Электрон. Сельское хозяйство. 2010, 74, 329–335. [

Мьюир, AY; Портеус, Р.Л.; Уэсти, Р.Л. Эксперименты по обнаружению зарождающихся заболеваний в клубнях картофеля оптическими методами. Дж. Агрик. англ. Рез. 1982, 27, 131–138. [

МГЭИК. Доработка Руководящих принципов МГЭИК по национальной инвентаризации парниковых газов, 2019 г.; Целевая группа по национальным инвентаризациям парниковых газов (TFI): Киото, Япония, 2019 г. [

Риццетто, С.; Белязид С.; Гегу, JC; Николас, М.; Алард, Д.; Коркет, Э.; Гаудио, Н.; Свердруп, Х.; Пробст, А. Моделирование воздействия изменения климата и атмосферных осаждений N на биоразнообразие французских лесов. Окружающая среда. Загрязнение. 2016, 213, 1016–1027. [

Ма, Х.; Цзин, Ю.; Хуанг, В.; Ши, Ю.; Донг, Ю.; Чжан, Дж.; Лю, Л. Интеграция информации о раннем росте для мониторинга мучнистой росы озимой пшеницы с использованием многовременных изображений Landsat-8. Датчики 2018, 18, 3290. [