Научный перевод-изложение статьи • Seeds, 2025, 4(4), 55 • DOI: 10.3390/seeds4040055

Авторы: П. А. Дмитриев, А. А. Дмитриева, Б. Л. Козловский. Ботанический сад Академии биологии и медицины Южного федерального университета, Ростов-на-Дону.

Редакционное примечание: документ передаёт методику и научные результаты оригинала в сокращённой форме. Все девять оригинальных иллюстраций воспроизведены рядом с относящимся к ним текстом; их графические англоязычные обозначения сохранены, подписи переведены. Числа в таблицах даны по публикации.

Предложен неразрушающий подход к оценке влажности семян подсолнечника по коэффициентам спектрального отражения обратной стороны корзинки, регистрируемым в видимом и ближнем инфракрасном диапазоне 450–950 нм. Для построения регрессионной модели Random Forest использованы девять отобранных вегетационных индексов. На независимой тестовой части набора модель получила R² = 0,95, MAE = 4,70 и RMSE = 5,78 процентного пункта для отдельных корзинок; после усреднения по датам отбора — R² = 0,98, MAE = 2,99 и RMSE = 3,28. Результаты подтверждают принципиальную возможность косвенной оценки влажности семян, но не заменяют полевую валидацию метода.

Определение оптимальных сроков десикации и уборки подсолнечника влияет на потери урожая, качество маслосемян, потребность в досушивании и организацию уборочных работ. В публикации приведены ориентиры влажности семян: 25–30% для проведения десикации, 10–12% для уборки с последующей досушкой до 8% или ниже; практическая применимость этих порогов зависит от технологии и агрономических условий.

Семена внутри корзинки трудно наблюдать с дистанционной съёмочной платформы; более доступна её наружная часть. Авторы проверили гипотезу о том, что изменение содержания фотосинтетических пигментов и состояния тканей обратной стороны корзинки связано с влажностью созревающих семян. Выбрана лабораторная съёмка, позволяющая уменьшить влияние освещения и других мешающих факторов на пилотном этапе.

Объект — кондитерский сорт Helianthus annuus L. «Джинн М». Материал собран на сельскохозяйственном поле Сальского района Ростовской области. Посев выполнен 14–15 апреля 2024 г., десикация — 19–20 августа, уборка — 6–7 сентября. Отбор корзинок проводился с 16 июля по 4 сентября 2024 года, охватывая развитие и созревание семян (примерно BBCH 65–92).

В каждый день отбирали 10–12 корзинок, специально представляющих широкий диапазон зрелости и влажности. Всего изучено 140 соцветий, из них 100 использовали для обучения и 40 — для тестирования. Следует учитывать, что такой стратифицированный отбор оптимален для разработки модели, но не делает набор представительным для среднего состояния всего поля.

Рисунок 1. Посевы подсолнечника (а), верхняя и обратная стороны корзинки (б).

Почвенный покров опытного района описан как чернозём обыкновенный с глинистым гранулометрическим составом и содержанием гумуса 3,7–4,2%. Метеорологические условия периода вегетации приведены на рисунке 2.

Рисунок 2. Среднесуточная температура воздуха и осадки в течение вегетации сорта «Джинн М» в 2024 году (14 апреля — 7 сентября).

Рисунок 3. Примеры обратной стороны корзинок и соответствующей измеренной влажности семян, %; отбор 5 августа 2024 года. Видимая неоднородность зрелости объясняет необходимость независимого определения влажности.

Отобранные корзинки доставлялись в лабораторию в течение трёх часов. Обратную сторону снимали на чёрном фоне при искусственном освещении гиперспектральной камерой Cubert UHD-185; расстояние до объекта составляло около 40 см. Область интереса в среднем содержала около 1370 пикселей на корзинку. Применялась пространственная и спектральная обработка для исключения фона и снижения шумов.

Рисунок 4. Лабораторная установка для съёмки обратной стороны корзинки подсолнечника при искусственном освещении.

Спектры предварительно сглаживали фильтром Савицкого—Голея. Затем использовали метод Random Reflectance для получения синтетических спектральных профилей и снижения влияния шума. Маску корзинки формировали в два этапа: отбор пикселей по порогу индекса Carter5 > 1,4 и морфологическая эрозия с окном 3 × 3.

Влажность семян измеряли отдельно: от каждой корзинки отбирали примерно 20 г семян и анализировали лабораторным влагомером Sartorius MA-35. Для учёта неоднородного созревания семян в пределах корзинки применяли стандартизованный пробоотбор; в предварительной проверке различия между тремя подпробами не превышали 2%.

В R 4.5.1 на основе гиперспектральных каналов рассчитаны вегетационные индексы. В тексте оригинала встречаются два значения общего количества индексов (86 и 87); при интерпретации используются результаты отбора, опубликованные авторами. Матрицу взаимосвязей между индексами оценивали с помощью коэффициента Спирмена, затем выполняли разведочный анализ данных, анализ главных компонент и регрессионный анализ.

Рисунок 5. Матрица модулей коэффициентов корреляции Спирмена между вегетационными индексами. Группы сильно коррелированных индексов видны как блоки.

Выявлено 11 групп тесно коррелирующих индексов. В модель Random Forest Regression (RFR) включены девять индексов, выбранных по результатам анализа: CCI, Boochs, Datt3, Datt4, LSIRed, modPRI, SR5, TCARI и TCARI2. Они характеризуют состояние хлорофиллов, каротиноидов и световой стресс, то есть действуют в основном как косвенные признаки изменения влажности семян.

Стандартные NDVI и EVI не обеспечили устойчивой линейной связи с влажностью на диапазоне ниже 40%, наиболее важном для решений о десикации и уборке. Обобщённая модель использует сочетание нескольких индексов вместо одного.

Рисунок 6. Однофакторные зависимости влажности семян от спектральных индексов обратной стороны корзинки: (а) NDVI, (б) CCI, (в) EVI, (г) SR5.

Регрессию случайного леса обучали с 500 деревьями и тремя случайно выбираемыми признаками в каждом разбиении. Для настройки гиперпараметров использовали пятикратную перекрёстную проверку. Авторы заявляют обучение на 100 корзинках и тестирование на 40, а также описывают соотношение 70/30%; это близкие, но не полностью эквивалентные формулировки.

MAE и RMSE здесь выражены в процентных пунктах влажности, MAPE — в процентах относительной ошибки. Усреднение предсказаний по датам уменьшает случайную вариабельность и улучшает показатели. Однако усреднение нескольких заранее отобранных корзинок не следует отождествлять с независимой оценкой влажности всего поля.

Рисунок 7. Сопоставление измеренной и предсказанной влажности семян для отдельных корзинок и среднего по дате отбора: обучение (а, б), тестирование (в, г).

После применения десикантов хлорофилл в тканях корзинки разрушается быстрее, чем меняется влажность семян. Поэтому одиночные индексы, чувствительные к пигментам, могут резко изменяться даже при сравнительно плавном снижении влажности семян. Данный эффект особенно важен при переносе модели на период между десикацией и уборкой.

Рисунок 8. Временная динамика измеренной влажности семян и оценок, полученных по однофакторным спектральным регрессиям. После десикации расхождения возрастают.

Совместное использование выбранных признаков в RFR уменьшило проблему резкого расхождения после десикации в изученном наборе данных. Авторы связывают это с разнонаправленной реакцией индексов хлорофилла и каротиноидов, но подчёркивают необходимость дополнительных опытов и проверки на других сезонах.

Рисунок 9. Изменение измеренной и прогнозной влажности семян подсолнечника по календарным датам: (а) модель RFR, (б) проверка на тестовой выборке.

Исследование имеет статус предварительного поискового эксперимента. Изображения получены на срезанных корзинках при контролируемом лабораторном освещении, а не на растениях с наземной установки или БПЛА. Не проверены переносимость модели между сортами, годами, хозяйствами, режимами освещения и положениями камер, влияние пространственного разрешения, а также использование SWIR-диапазона с водными полосами поглощения.

Для создания системы оперативной оценки сроков уборки необходимы независимые полевые измерения, репрезентативная схема отбора корзинок, модельная калибровка по различным сезонам и сравнение оценок до и после десикации. Авторы также предлагают рассмотреть объединение пигментных VNIR-индексов с индексами, чувствительными к воде в SWIR.

Продемонстрирована принципиальная возможность прогнозирования влажности семян подсолнечника по спектральному отклику наружных тканей обратной стороны корзинки в диапазоне 450–950 нм. Наиболее надёжные показатели в исследованном эксперименте достигнуты при совместном использовании девяти индексов и модели RFR: на тестовых данных R² = 0,98 и RMSE = 3,28 процентного пункта для усреднения по датам отбора. Для отдельных корзинок R² = 0,95 и RMSE = 5,78. Эти данные подтверждают перспективность подхода, но пока не устанавливают точности съёмки с БПЛА в реальных производственных условиях.

Dmitriev, P. A.; Dmitrieva, A. A.; Kozlovsky, B. L. Evaluation of Sunflower Seed Moisture Content by Spectral Characteristics of Inflorescences in the VNIR. Seeds 2025, 4, 55. DOI: 10.3390/seeds4040055. Полный список ссылок и подробные таблицы всех спектральных индексов доступны в оригинале публикации.