Научный перевод-изложение обзорной статьи (с сохранением иллюстраций и ключевых сравнений)

Оригинал: Ning Zhang, Guijun Yang, Yuchun Pan, Xiaodong Yang, Liping Chen, Chunjiang Zhao. A Review of Advanced Technologies and Development for Hyperspectral-Based Plant Disease Detection in the Past Three Decades. Remote Sensing, 2020, 12(19), 3188. DOI: 10.3390/rs12193188.

Примечание редактора: текст представляет собой содержательное научное изложение, а не построчный перевод. Все семь рисунков взяты из оригинала, без изменения данных; переведены подписи и пояснения. Терминология и численные значения исходной работы сохранены.

Выявление, количественная оценка, диагностика и идентификация болезней растений имеют решающее значение для точного земледелия. Традиционная визуальная диагностика не обеспечивает требуемые оперативность и пространственный охват. Гиперспектральные методы дают возможность обнаруживать тонкие физиологические и биохимические изменения до появления выраженных внешних симптомов. В обзоре рассмотрены возбудители заболеваний и взаимодействие растения с патогеном, выбор спектральных приборов и платформ, предобработка данных, алгоритмы обнаружения и классификации, методы количественной оценки тяжести заболевания. Ключевыми нерешёнными вопросами остаются идентификация различных патогенов, разграничение биотического и абиотического стресса, раннее предупреждение и развитие спутниковой гиперспектральной диагностики.

Ключевые слова: патогены; гиперспектральная съёмка; заболевания растений; спектральная диагностика; машинное обучение; дистанционное зондирование.

Болезни растений вызывают существенные потери урожая и качества сельскохозяйственной продукции. Изменение климата, глобальная торговля и перемещение патогенов усложняют контроль. Ручной визуальный осмотр, несмотря на доступность, зависит от квалификации специалиста и обычно обнаруживает заболевание после появления симптомов. Молекулярно-биологические методы более специфичны, однако требуют отбора проб и лабораторной обработки, что ограничивает применение на больших площадях.

Неразрушающие технологии — спектроскопия VIS–NIR, флуоресцентная и тепловая съёмка, мультиспектральные и гиперспектральные датчики — обеспечивают возможность частых, автоматизированных наблюдений. Гиперспектральные приборы регистрируют сотни узких спектральных каналов, как правило в диапазонах 400–1000 нм и при наличии SWIR-датчика — до 2500 нм. Дополнительная спектральная размерность помогает выявлять изменения пигментов, клеточной структуры и водного статуса.

Авторы рассмотрели публикации Web of Science за 1990–2019 гг. По поисковому сочетанию «plant disease» и «hyperspectral» обнаружена 651 работа; в обзоре отмечено резкое увеличение публикационной активности после 2002 года.

Заболевания подразделяются на инфекционные (вирусы, бактерии, грибы, нематоды и паразитические растения) и неинфекционные, возникающие при неблагоприятных условиях среды. Недостаток или избыток влаги, питания, света, нарушения температуры и действие химических факторов могут давать симптомы, сходные с поражением патогеном. Несколько возбудителей способны вызывать один симптом, а один патоген — несколько разных проявлений.

На спектральном уровне распространённые признаки заболевания включают снижение биомассы и индекса листовой поверхности, некрозы и поражения, разрушение пигментной системы, хлороз и увядание. Такие изменения не всегда специфичны для отдельного патогена; поэтому гиперспектральная классификация требует репрезентативной калибровки, независимой проверки и, при диагностике возбудителя, лабораторного подтверждения.

Патогенез включает инокуляцию (попадание возбудителя), инкубационный или латентный период и проявление симптомов. На каждом этапе изменяются обмен веществ, гормональный ответ, свойства клеточных мембран и состояние тканей. Ценность спектральной диагностики особенно велика во время латентного периода: физиологические отклики уже возможны, хотя визуально заболевание ещё не различимо.

У здоровой зелёной растительности характерны поглощение в синей и красной областях, высокий уровень отражения в ближнем ИК-диапазоне и сильные полосы поглощения воды в коротковолновом ИК-диапазоне. Интервал 700–770 нм («красный край») связан с пигментным состоянием листьев; полосы около 1400 и 1900 нм в значительной мере связаны с водой. Инфекция может приводить к изменению цвета, фотосинтеза, транспирации и анатомии листа; чувствительность конкретных длин волн зависит от возбудителя и времени после заражения.

Приведённые авторами результаты по винограду, заражённому Plasmopara viticola, показывают, что информативные спектральные области меняются в ходе инфекции. На опытах с жёлтой ржавчиной пшеницы отличия спектров здоровых и поражённых посевов также нарастают по мере развития болезни. Поэтому динамические многовременные наблюдения способны быть информативнее одиночного снимка.

Масштаб изучаемого объекта определяет требуемые оптику, пространственное разрешение, освещение, движение камеры и тип платформы. В лаборатории применяют гиперспектральные микроскопы, штативы и сканирующие установки с контролируемым светом; в поле — наземные тележки, транспортные платформы и БПЛА; для региональных задач — авиационные и спутниковые системы.

Микроскопическая гиперспектральная съёмка позволяет исследовать ткани, споры, поражённые участки и локальные спектральные признаки. Для листьев и целых растений важны однородность освещения, геометрия наблюдения и воспроизводимая калибровка отражения. На уровне посева добавляются фон почвы, неоднородность растительного покрова, тени и атмосферные влияния. Универсального датчика для всех масштабов и болезней нет.

Типичный рабочий процесс включает выбор объекта и условий наблюдения, съёмку, радиометрическую коррекцию, выделение области интереса и фоновых пикселей, удаление шумов и артефактов, выделение информативных признаков и последующее построение диагностической модели. Перед классификацией используют спектральное сглаживание, нормировку, производные спектров, коррекцию рассеяния и методы снижения размерности, включая анализ главных компонент (PCA). Конкретная комбинация методов определяется свойствами сенсора и исследуемой патосистемы.

Предобработка должна сохранять биологически значимую форму спектра и не допускать утечки информации из тестовой выборки при подборе признаков. Для междатовых или межплатформенных сравнений необходимы согласованные протоколы калибровки и валидации.

Авторы различают три уровня анализа: (1) обнаружение аномалии либо больного растения; (2) классификация типа заболевания и его возбудителя; (3) количественная оценка степени поражения. При обнаружении достаточно разделения здоровых и поражённых образцов, но идентификация патогена требует более строгой проверки специфичности признаков и обучения на различных условиях выращивания.

К основным подходам относятся пороговые индексы, методы многомерной статистики, PCA, PLS-DA, линейный дискриминантный анализ (LDA), метод опорных векторов (SVM), случайный лес (RF), k-ближайших соседей (kNN), модели спектрального угла (SAM), а также нейронные сети и глубокое обучение. Сравнивать их точность напрямую между исследованиями без учёта видов растений, масштаба и дизайна выборки некорректно.

Таблица представляет отобранные примеры из табл. 1 оригинальной публикации; это не исчерпывающий перечень всех рассмотренных случаев.

После выявления болезни возникает задача определения её тяжести: доли поражённой площади, числа симптоматичных органов, интенсивности повреждения или иной агрономически значимой шкалы. Визуальная оценка эксперта может быть субъективной; гиперспектральная сегментация позволяет вычислять долю поражённых пикселей, а регрессионные модели — оценивать непрерывные показатели тяжести заболевания.

Для количественной диагностики используются два общих подхода. Первый: сначала сегментируют изображение и выделяют здоровые и поражённые участки, затем рассчитывают относительную площадь поражения. Второй: выводят спектральные индексы или признаки по спектрам и строят регрессию с независимой оценкой интенсивности болезни. Оба подхода нуждаются в чётко заданном эталонном показателе и проверке погрешности.

В обзоре приведены как общеизвестные индексы, характеризующие состояние хлорофилла, водный статус и структуру растительного покрова, так и специально сконструированные индексы заболеваний. Их информативность определяется биологическим механизмом повреждения: изменение пигментов преимущественно отражается в VIS/red-edge, деградация структур — в NIR, нарушение содержания воды — в SWIR. Значение индекса нельзя автоматически интерпретировать как диагноз без модельной и полевой проверки.

Разные патогены нередко вызывают сходные спектральные отклики растения. Аналогичные признаки возникают при засухе, дефиците элементов питания, термическом повреждении и повреждении пестицидами. Надёжная диагностика требует включать в обучение как несколько классов заболеваний, так и соответствующие абиотические контрольные группы. Перенос модели между культурами, сортами, фазами развития и регионами — самостоятельная исследовательская проблема.

Раннее обнаружение предполагает получение достоверного прогноза в асимптоматическую фазу. Для этого необходимы экспериментальные серии с известной датой заражения, повторной съёмкой, контрольными растениями и независимым подтверждением инфекции. Само наличие спектральных различий не означает возможности видовой идентификации возбудителя.

Региональный мониторинг ограничен пространственным разрешением, спектральной и временной дискретизацией спутниковых датчиков, атмосферными влияниями и смешанными пикселями. Более эффективное применение спутниковой гиперспектральной съёмки возможно при согласовании наземных, БПЛА и космических наблюдений, а также при переносе лабораторно установленных спектральных признаков на уровень полога.

Гиперспектральные методы обеспечивают перспективную основу для неразрушающего обнаружения болезней растений, их классификации и количественной оценки. Их ключевое преимущество состоит в регистрации непрерывной спектральной информации, чувствительной к физиологическим и биохимическим изменениям до очевидного внешнего поражения. Однако устойчивость алгоритмов определяется качеством измерений, репрезентативностью эталонов, специфичностью признаков и корректностью внешней проверки. Перспективы авторы связывают с различением патогенов и стрессоров, ранней диагностикой, улучшением вычислительных методов и развитием многоуровневых систем наблюдения.

Zhang N., Yang G., Pan Y., Yang X., Chen L., Zhao C. A Review of Advanced Technologies and Development for Hyperspectral-Based Plant Disease Detection in the Past Three Decades. Remote Sensing. 2020;12(19):3188. DOI: 10.3390/rs12193188.

Полный перечень использованных авторами публикаций приведён в оригинальном PDF (последние страницы статьи). Для точного цитирования первичных исследований следует обращаться к исходному списку литературы.