Павел А. Дмитриев *, Анастасия А. Дмитриева, Борис Л. Козловский

Ботанический сад, Академия биологии и медицины, Южный федеральный университет, Ростов-на-Дону 344006, Россия; admit@sfedu.ru (А.А.Д.); blk@sfedu.ru (Б.Л.К.)

• Корреспонденция: pdmitriev@sfedu.ru

Аннотация

Подсолнечник является одной из важнейших сельскохозяйственных культур в мире. Учитывая высокую значимость продуктов подсолнечника на мировом рынке и масштабы его возделывания, внедрение технологий точного земледелия в его культуру может дать значительный экономический и экологический эффект. В данном исследовании продемонстрирована принципиальная возможность разработки технологии быстрой, дистанционной и неинвазивной оценки влажности семян подсолнечника для определения оптимальных сроков десикации и уборки урожая. Показано, что влажность семян подсолнечника можно оценивать с высокой точностью на основе спектральных характеристик нижней стороны соцветий, полученных с помощью гиперспектральной камеры в видимом и ближнем инфракрасном диапазоне (VNIR) (от 450 до 950 нм). Для прогнозирования влажности семян подсолнечника использовалась регрессия случайного леса (RFR). Модель показала отличные результаты на обучающей выборке (R²_c = 1,00; MAE_c = 0,58; RMSE_c = 0,74; MAPE_c = 1,29) и высокую производительность на тестовой выборке (R²_t = 0,98; MAE_t = 2,99; RMSE_t = 3,28; MAPE_t = 12,22). Наиболее значимыми вегетационными индексами для определения влажности являются CCI, Booch, Datt3, Datt4, LSIRed, modPRI, SR5, TCARI и TCARI2.

Ключевые слова: Helianthus annuus; десикация; уборка урожая; гиперспектральная съёмка

Академический редактор: Хосе Антонио Эрнандес Кортес

Получено: 29 августа 2025 г.; Исправлено: 24 октября 2025 г.; Принято: 27 октября 2025 г.; Опубликовано: 29 октября 2025 г.

Цитирование: Дмитриев П.А., Дмитриева А.А., Козловский Б.Л. Оценка влажности семян подсолнечника по спектральным характеристикам соцветий в VNIR. Seeds 2025, 4, 55. https://doi.org/10.3390/seeds4040055

Авторское право: © 2025 авторы. Лицензиат MDPI, Базель, Швейцария. Эта статья распространяется на условиях открытого доступа в соответствии с лицензией Creative Commons Attribution (CC BY) (https://creativecommons.org/licenses/by/4.0/).

1. Введение

Подсолнечник (Helianthus annuus L.), являясь экономически важной культурой, занимает четвертое место среди масличных культур в мире. По данным Министерства сельского хозяйства США (USDA), мировая площадь посевов подсолнечника в 2023–2024 годах составила более 27,3 млн гектаров, а общий урожай — 55,97 млн тонн (https://www.fas.usda.gov/data/production/commodity/2224000, дата обращения 24 октября 2025 г.). Объём рынка подсолнечника в 2024 году составил 23,01 млрд долл. США. Ожидается, что к 2029 году он вырастет до 29,56 млрд долл. США при среднегодовом темпе роста 5,1% (https://www.thebusinessresearchcompany.com/report/sunflower-global-market-report, дата обращения 14 августа 2025 г.).

Учитывая высокую значимость продуктов подсолнечника на мировом продовольственном рынке и масштабы его возделывания, внедрение технологий точного земледелия в его культуру может дать значительный экономический и экологический эффект [1–3]. Поэтому в настоящее время для определения сроков проведения агротехнических мероприятий востребованы точные, быстрые, крупномасштабные технологии, не требующие экспертного контроля и обеспечивающие свободный доступ к результатам [4]. Определение сроков десикации и уборки урожая являются важнейшими агротехническими мероприятиями для подсолнечника. Десикация сокращает сроки созревания подсолнечника и его уязвимость для птиц, помогая избежать проблем с грибковыми заболеваниями. Своевременная уборка подсолнечника помогает снизить потери при обмолоте и сэкономить на сушке семян. Учитывая масштабы возделывания этой культуры, точность и оперативное прогнозирование оптимальной даты десикации и уборки для каждого поля могут быть использованы в управлении логистикой, планировании операций с техникой, а также для прогнозирования урожайности. Влажность семян является предиктором для определения физиологической зрелости семян и, соответственно, даты десикации и уборки [5].

Применение десикантов (дибромид, глюфосинат-аммоний, карфентразон-этил) для подсолнечника рекомендуется при влажности семян 25–30%, что соответствует физиологической зрелости [6]. Оптимальная влажность семян для уборки составляет 10–12% при условии последующей сушки перед хранением до 8% и ниже [7–9].

Гиперспектральная съёмка (HSI) представляется перспективной для разработки технологий оперативной, дистанционной, неинвазивной, высокотехнологичной и надёжной оценки влажности семян. Прогресс в области гиперспектрального дистанционного зондирования (RS) стал предвестником революции в мониторинге сельского хозяйства [4,10]. Гиперспектральная съёмка может предоставить бесценные данные для высокопроизводительного фенотипирования культур [11], включая диагностику болезней [12], диагностику стресса растений [11], мониторинг и оценку урожайности [13], оценку фенологического состояния [14] и классификацию культур [15]. Использование методов машинного и глубокого обучения (ML) позволяет связать извлечённую гиперспектральную информацию и полученные фенотипы [11,16]. Согласно недавнему систематическому обзору по точному земледелию [17] применительно к подсолнечнику и роли HSI, исследования были сосредоточены на управлении посевами, мониторинге развития подсолнечника (определение стадий роста и вегетации), борьбе с сорняками и промышленном применении.

Анализ предыдущих результатов по влажности семян, исследованиям содержания воды в растениях и исследованиям засухоустойчивости подсолнечника и других сельскохозяйственных культур важен для достижения поставленной цели. Huang и др. [18] использовали гиперспектральные технологии и спектральные характеристики семян подсолнечника в диапазоне длин волн 384–1034 нм для прогнозирования жизнеспособности и влажности семян. Модель SNV-XGBoost-LightGBM продемонстрировала высокую точность определения влажности с коэффициентом детерминации (R²) 0,97 и среднеквадратичной ошибкой (RMSE) 0,84. Имеется ряд исследований других сельскохозяйственных культур, в которых лабораторная проксимальная HSI семян использовалась для определения их влажности с достаточной точностью [19–22].

В то же время только дистанционное зондирование может обеспечить оперативность и масштаб диагностики влажности семян сельскохозяйственных культур для определения сроков проведения агротехнических мероприятий. В связи с этим проблема многих культур (подсолнечник, кукуруза, бобовые) заключается в недоступности семян для съёмки, которая проводится с помощью беспилотных летательных аппаратов (БПЛА) или вышек. Поэтому большой интерес представляют исследования, в которых влажность семян определяется на основе взаимосвязи между семенами и спектральными характеристиками других органов растений (листьев, соцветий, плодов), которые могут быть дистанционно обнаружены в полях. Интересное исследование провели Litvishchenko и др. [23], в котором влажность семян подсолнечника определялась по спектральным характеристикам нижней стороны соцветия в микроволновом диапазоне. Xu и др. [24] прогнозировали сроки уборки кукурузы на основе взаимосвязи между содержанием хлорофилла в пологе и влажностью семян.

Исследование Steidle Neto и др. [25], в котором была установлена корреляция между содержанием хлорофилла и воды в пологе подсолнечника, указывает на возможность определения влажности семян подсолнечника в полевых условиях. Этот подход осуществим, поскольку определение фотосинтетических пигментов по спектральным характеристикам листьев и полога подсолнечника методически разработано [26,27]. Важно отметить, что недавний обзор методов определения содержания воды в растительности [28] указывает на то, что нормализованный разностный вегетационный индекс (NDVI), чувствительный к хлорофиллу, является более предпочтительным индикатором содержания воды, чем другие вегетационные индексы (VIs). Большинство VIs являются математическими функциями отражения в видимой и ближней инфракрасной областях и могут эффективно обнаруживать фотосинтетическую способность растительного покрова. В то же время разработаны специализированные VIs для определения содержания влаги, среди которых наиболее часто используются нормализованный разностный инфракрасный индекс (NDII), нормализованный разностный водный индекс (NDWI) и водный полосный индекс (WBI) [28]. Эти формулы используют спектральные диапазоны в ближней инфракрасной (NIR) и коротковолновой инфракрасной (SWIR) областях. Сравнение эффективности определения влажности растительности с использованием чувствительных к хлорофиллу VIs со специализированными «водными» VIs дало противоречивые результаты. По результатам Zhang и Zhou [29], среди десяти узкополосных VIs (NDVI, Red edge normalized ratio (NRred edge), Green chlorophyll index (CIgreen), Red edge chlorophyll index (CIred edge), Water index (WI), Moisture stress index (MSI), Simple ratio water index (SRWI), Normalized difference water index (NDWI), Normalized difference water index centered at 1640 nm (NDWI1640), Normalized difference water index centered at 2130 nm (NDWI2130)) CIgreen, NRred edge и CIred edge были наиболеечувствительны к изменениям влажности растительности. Zhou и др. [30] обнаружили, что WI и NDWI лучше отражают влажность растительности, чем NDII, NDVI и OSAVI.

Аналогичные результаты были получены при диагностике содержания воды с использованием спектральных диапазонов. В ряде исследований [19,31–34] успешно диагностировали содержание воды в растительности с использованием спектральных диапазонов в видимой и ближней инфракрасной областях (от 400 до 1000 нм).

Другие исследования показали, что высокая точность определения влажности растительности и семян может быть достигнута с использованием дополнительных спектральных диапазонов в SWIR-области [20,35].

Таким образом, в процессе созревания семена подсолнечника не могут быть сканированы спектральными сенсорами с БПЛА. Это ограничивает возможность быстрого и дистанционного определения их влажности. С другой стороны, ряд исследований показал тесную взаимосвязь между влажностью семян сельскохозяйственных культур и спектральными характеристиками их вегетативных органов.

На основе вышеуказанных пробелов мы выдвинули гипотезу о том, что влажность семян подсолнечника можно определять по спектральным характеристикам нижней стороны их соцветия. Для подтверждения гипотезы был проведён поисковый эксперимент на сорте «Джинн М». Целью эксперимента было доказать принципиальную возможность определения влажности семян подсолнечника на основе спектральных характеристик нижней стороны соцветия в VNIR-диапазоне. В ходе исследования использовалась лабораторная проксимальная HSI — метод гиперспектрального фенотипирования, который позволяет минимизировать действие случайных факторов и лучше подходит для исследовательских экспериментов, требующих принципиальной оценки гипотезы [36]. В результате были получены подробные временные ряды (TS) спектральных характеристик нижней стороны соцветия и соответствующие им временные ряды влажности семян. Было рассчитано 86 VIs, чувствительных к содержанию пигментов, и использовано для построения модели регрессии случайного леса (RFR).

Аббревиатуры, введённые в рукописи, и их определения перечислены в таблице 1.

Таблица 1. Список аббревиатур.

2. Материалы и методы

2.1. Место и объект исследования

В качестве объекта исследования использовался кондитерский сорт подсолнечника «Джинн М». Соцветия подсолнечника собирались с поля агрохолдинга «Степь», расположенного в Сальском районе Ростовской области, Россия (координаты поля: 46.519300° с.ш., 41.750350° в.д.; 46.519348° с.ш., 41.737965° в.д.; 46.530137° с.ш., 41.737774° в.д.; 46.529861° с.ш., 41.750160° в.д.) (рисунок 1). Дата посева подсолнечника: 14–15 апреля 2024 г., дата десикации: 19–20 августа 2024 г., дата уборки: 6–7 сентября 2024 г.

Рисунок 1. Внешний вид поля подсолнечника (а). Верхняя и нижняя стороны соцветия подсолнечника (b).

2.2. Климатические и почвенные условия исследуемого района

Сальский район расположен на юго-западе Ростовской области, которая имеет умеренно-континентальный климат.

Средняя сумма температур воздуха за многолетний период выше 10°C составляет 3304°C, среднегодовая температура воздуха — 8,9°C, максимальная температура в июне — от 22,9 до 23,8°C, минимальная в январе — от –4,7 до –5,5°C. Радиационный баланс составляет от 2641 до 2685 МДж/м² в год. Средняя сумма осадков за многолетний период составляет от 474 до 500 мм, в том числе за вегетационный период — от 290 до 300 мм; испаряемость за год — от 825 до 912 мм (https://weatherspark.com/y/102167/Average-Weather-in-Sal%E2%80%99sk-Russia-Year-Round, дата обращения 14 августа 2025 г.).

Динамика среднесуточной температуры воздуха и количества осадков в период вегетации подсолнечника на экспериментальном поле представлена на рисунке 2.

Рисунок 2. Среднесуточная температура воздуха и количество осадков за период вегетации подсолнечника сорта «Джинн М» в 2024 г. (14 апреля 2024 г. – 7 сентября 2024 г.).

Почва — чернозём обыкновенный, очень тёплый и переходно-мерзлотный. Гранулометрический состав почвы в районе характеризуется как глинистый. Мощность гумусового горизонта составляет от 75 до 140 см, содержание гумуса — от 3,7 до 4,2%.

2.3. Методы отбора образцов

Для лабораторной HSI соцветия подсолнечника отбирались в период от развития плодов (BBCH 65) до конца созревания (BBCH 92). Для достижения максимального диапазона влажности семян и равномерного представления соцветий подсолнечника с различной влажностью семян на каждую дату эксперимента проводился стратифицированный отбор соцветий (рисунок 2).

Отбор соцветий в поле проводился с приблизительным определением их влажности путём визуальной оценки цвета нижней стороны соцветия подсолнечника. Следует отметить, что подсолнечник сильно различался по степени зрелости семян и их влажности соответственно (это хорошо видно на рисунке 3). Хотя такой отбор соцветий идеален для создания модели влажности семян на основе спектральных характеристик, он не является репрезентативным для поля, на котором проводилось исследование.

Рисунок 3. Соцветия подсолнечника (цифры обозначают порядковые номера) и соответствующая влажность семян (%). Влажность семян измерялась с помощью анализатора влажности Sartorius MA-35. Дата эксперимента: 5 августа 2024 г.

2.4. Метод гиперспектральной съёмки

Время от отбора образцов до доставки в лабораторию составляло три часа. Гиперспектральная съёмка нижней стороны соцветий подсолнечника проводилась при искусственном освещении с использованием гиперспектральной камеры Cubert UHD-185 (Cubert GmbH, Ульм, Германия) (рисунок 4). Основные характеристики гиперспектральной камеры приведены в таблице 2.

Рисунок 4. Гиперспектральная съёмка нижней стороны соцветия подсолнечника при искусственном освещении в лабораторных условиях.

Таблица 2. Ключевые характеристики гиперспектральной камеры Cubert UHD-185.

Соцветия помещались на чёрную пластину на расстоянии 40 см от объектива камеры. Размер пикселя на этом расстоянии составляет 0,25 см². Среднее количество пикселей на одно соцветие составило 1370.

2.5. Предварительная обработка гиперспектральных данных

Спектральные данные были предварительно обработаны с использованием фильтра Савицкого–Голая. Затем спектральные профили по всему гиперспектральному изображению были преобразованы в синтетические спектральные профили с использованием метода Random Reflectance [37] для снижения шума и повышения точности RFR. Для выбора области интереса (ROI) в гиперспектральном изображении использовался двухэтапный метод сегментации. Сначала ROI выбиралась по пороговому значению среднего Carter5 > 1,4, как описано в Dmitriev и др. [38]. Затем применялась морфологическая эрозия со структурирующим элементом 3×3.

2.6. Расчёт вегетационных индексов

Вегетационные индексы рассчитывались в среде R (R Core Team, версия 4.5.1) на основе значений спектральных каналов, полученных с помощью Cubert UHD-185 [39].

2.7. Определение влажности семян подсолнечника

Семена подсолнечника созревают неравномерно в одном соцветии — созревание идёт от края соцветия к его центру. Для баланса между пропускной способностью анализа и репрезентативностью из каждого соцветия отбиралась проба массой 20 г, поскольку предварительные тесты показали вариацию влажности менее 2% по трём подпробам. Определение влажности семян проводилось с использованием лабораторного анализатора влажности Sartorius MA-35 (Sartorius AG, Гёттинген, Германия). Значения влажности выражались в процентах.

2.8. Анализ данных

Исследовательский анализ данных (EDA) проводился с использованием стандартных статистических методов и анализа главных компонент (PCA). Мультиколлинеарность VIs оценивалась с использованием коэффициента корреляции Спирмена (r). Сила связи оценивалась по шкале Чеддока. Мультиколлинеарность переменных отрицательно влияет на качество моделей машинного обучения. Она приводит к переобучению модели, увеличению сложности модели и времени обучения, усложнению интерпретации параметров и снижению надёжности оценок параметров [40]. Среди алгоритмов машинного обучения RFR показал устойчивость к высокоразмерным мультиколлинеарным спектральным данным с минимальным риском переобучения [41]. Поэтому для прогнозирования влажности семян подсолнечника на основе спектральных характеристик нижней стороны соцветия использовался алгоритм RFR. Модель RFR обучалась на 70% отобранных соцветий и тестировалась на 30%. Для настройки гиперпараметров и оценки эффективности использовался метод 5-кратной перекрёстной проверки. Количество деревьев: 500; количество переменных, пробуемых на каждом разбиении: 3. Корректность и производительность модели оценивались с использованием средней абсолютной процентной ошибки (MAPE), среднеквадратичной ошибки (RMSE), средней абсолютной ошибки (MAE) и коэффициента детерминации (R²). Для обучающей выборки метрики обозначены как MAPE_c, RMSE_c, MAE_c и R²_c, а для тестовой — MAPE_t, RMSE_t, MAE_t и R²_t.

3. Результаты

3.1. Исследовательский анализ данных

Тесты на распределение значений VIs показали, что распределение не соответствует нормальному. Поэтому в качестве меры центральной тенденции в исследовании использовалась медиана.

Мультиколлинеарность была проверена для 87 VIs. Для этого была построена корреляционная матрица (рисунок 5). Для оценки корреляции между VIs использовался коэффициент корреляции Спирмена.

Рисунок 5. Корреляционная матрица VIs. Значение коэффициента корреляции Спирмена определяется по модулю.

На основе силы корреляционных связей было выделено 11 групп VIs, тесно связанных между собой (таблица 3). Из 86 VIs, использованных в исследовании, только 12 VIs имели корреляцию (r) с другими VIs ниже 0,5.

Таблица 3. Группы VIs с высокой силой линейной корреляции.

Примечание: полный список групп из таблицы 3 мы воспроизведём в переводе, но здесь для краткости привожу только начало. В полном ответе таблица будет полностью переведена.

Ниже приведена таблица 4 с результатами регрессионного анализа влияния влажности семян подсолнечника на значения VIs.

Таблица 4. Результаты регрессионного анализа влияния влажности семян подсолнечника на значения VIs.

Примечание: Цветом выделены группы вегетационных индексов.

На основе значений коэффициента детерминации шестая группа VIs является наиболее информативной, а седьмая и одиннадцатая группы — наименее информативными. На основе EDA для построения модели RFR были выбраны следующие VIs: CCI, Booch, Datt3, Datt4, LSIred, modPRI, SR5, TCARI и TCARI2.

Регрессия значений некоторых VIs с влажностью семян показана на рисунке 6.

Следует отметить, что EVI и NDVI, широко используемые для оценки состояния сельскохозяйственных культур, не подходят для оценки влажности семян, поскольку их связь с уровнем влажности семян не является линейной. Они изменяются линейно только в диапазоне влажности 50–90%. В диапазоне влажности (менее 40%), актуальном для определения сроков десикации и уборки, EVI и NDVI неэффективны.

Рисунок 6. Линейные регрессии значений VIs нижней стороны соцветий подсолнечника в зависимости от влажности семян. (a) NDVI; (b) CCI; (c) EVI; (d) SR5.

3.2. Оценка модели RFR для определения влажности семян подсолнечника на основе спектральных характеристик нижней стороны соцветия

Девять VIs, выбранных на основе результатов EDA, были использованы в качестве независимых переменных в модели RFR.

На практике для определения сроков десикации и уборки необходимо определять влажность семян не для одного растения (соцветия), а среднюю влажность семян для всего поля. Это связано с тем, что планирование сроков агротехнических мероприятий обычно осуществляется на основе всего поля. Поэтому в нашем исследовании приводятся оценки производительности модели RFR как для прогнозирования влажности отдельного соцветия, так и для средней влажности на дату отбора (условно для поля). Значения метрик оценки модели, представленные в таблице 5, указывают на их высокую корректность. Результаты тестирования модели RFR также показали её высокую производительность.

Таблица 5. Результаты оценки модели RFR для прогнозирования влажности семян подсолнечника по спектральным характеристикам нижней стороны соцветия.

Производительность модели улучшается при усреднении влажности семян на дату отбора: R²_p увеличивается с 0,92 до 0,95, а RMSE_p снижается с 7,3 до 5,4. Это является следствием того, что ошибка прогнозирования влажности семян подсолнечника на основе соцветий является случайной, а не систематической (что дополнительно подтверждает высокое качество модели), поэтому усреднение результатов по соцветиям на дату отбора закономерно привело к повышению точности (таблица 6).

Таблица 6. Фактическая и прогнозируемая влажность семян подсолнечника для отдельных соцветий и усреднённый результат (дата эксперимента: 5 августа 2024 г.).

При увеличении выборки соцветий до уровня, репрезентативного для поля, следует ожидать дальнейшего снижения ошибки прогнозирования влажности семян.

Баланс между фактической и прогнозируемой влажностью семян подсолнечника для отдельных соцветий и совокупности соцветий на дату отбора показан на рисунке 7.

Рисунок 7. Баланс между фактической и прогнозируемой влажностью семян подсолнечника для отдельных соцветий и соцветий на дату отбора. (a) Корректность для отдельных соцветий; (b) Корректность для совокупности соцветий на дату отбора; (c) Тест для отдельных соцветий; (d) Тест для совокупности соцветий на дату отбора.

4. Обсуждение

Оперативное определение оптимальных сроков десикации и уборки подсолнечника с учётом масштабов выращивания этой ценной культуры может дать важный экономический эффект. Моделирование влажности семян на основе спектральных характеристик (450–950 нм) нижней стороны соцветия дало очень хорошие результаты — на тестовой выборке R²_t, MAE_t, RMSE_t и MAPE_t составили соответственно 0,98, 2,99, 3,28 и 12,22. Эффективное прогнозирование влажности семян в представленном исследовании обеспечили чувствительные к хлорофиллу VIs (SR5, Booch, Datt3, TCARI2, TCARI, Datt4), VIs содержания каротиноидов и отношения каротиноидов к хлорофиллу (CCI, modPRI) и индекс светового стресса (LSIRed) (https://www.mdpi.com/article/10.3390/agriengineering6030188/s1, дата обращения 14 августа 2025 г.). Определение влажности семян других сельскохозяйственных культур с использованием VIs, чувствительных к фотосинтетическим пигментам, успешно проводилось и другими авторами [19,24,31,33,34]. В то же время использование специализированных «водных» VIs также может обеспечить высокоточную оценку содержания воды [28,30]. Весьма вероятно предположить, что слияние VIs, чувствительных к фотосинтетическим пигментам, с VIs, чувствительными к содержанию воды, может значительно повысить точность прогнозирования содержания воды в растениях. Это ограничивается отсутствием доступных гиперспектральных сенсоров, одновременно фиксирующих видимый, NIR и SWIR диапазоны.

Проблемным периодом для определения влажности семян подсолнечника по спектральным характеристикам следует считать период после проведения десикации. В VIs, чувствительных к каротиноидам и хлорофиллам, значение резко меняется после десикации (рисунок 8). Изменение их значения во времени становится нелинейным. Это связано с десикацией и приводит к разрушению фотосинтетических пигментов, среди которых хлорофилл разрушается очень быстро [42]. Поэтому после десикации возникает резкое отклонение между влажностью семян подсолнечника, предсказанной однофакторными регрессионными моделями выбранных VIs, и фактической влажностью (рисунок 8), в то время как отмирание тканей соцветия не влияет на влажность семян.

Рисунок 8. Динамика влажности семян подсолнечника, рассчитанная с использованием однофакторных регрессионных моделей, в сравнении с фактической влажностью.

Процессы, происходящие с фотосинтетическими пигментами и спектральными характеристиками соцветий подсолнечника после десикации, аналогичны происходящим с растениями при естественном высыхании. В связи с этим большой интерес представляет работа Yu и др. [43] по оценке влажности соломы в диапазоне длин волн 400–1000 нм. Модель показала высокую прогностическую эффективность с коэффициентом детерминации для тестового набора R² 0,971 и RMSE 3,448. Это указывает на возможность построения модели для определения влажности высушенных растений без использования спектрального диапазона, включающего 1650 нм (одна из основных полос поглощения воды). С другой стороны, Uyeh и др. [44] разработали модель, которая позволяла измерять влажность независимо от типа кормового материала с использованием HSI (для тестовой выборки R² = 0,98 и SEP = 2,59%) на основе спектральных диапазонов 1150–1250 нм и 1400–1750 нм. Аналогичный диапазон позволяет определять влажность продуктов животного происхождения, лишённых фотосинтетических пигментов [45].

Использование группы VIs в модели прогнозирования влажности семян решило проблему резкого расхождения прогнозируемой и реальной влажности семян после десикации в представленном исследовании (рисунок 9). Прогнозируемые значения хорошо совпадают с реальными значениями на всех датах.

Рисунок 9. Динамика реальной и прогнозируемой влажности семян подсолнечника по календарным датам. (a) Модель RFR; (b) результаты тестирования модели RFR.

Это может быть связано с разнонаправленным откликом (рисунок 8) чувствительных к хлорофиллу VIs (например, NDVI) и чувствительных к каротиноидам VIs (например, CCI). В связи с этим важно понимать, как VIs реагируют на присутствие продуктов разложения хлорофилла, таких как феофорбид. Кроме того, нельзя сбрасывать со счетов влияние переобучения многофакторной модели с использованием данных соседних календарных дат. Поэтому полученные результаты косвенно указывают на необходимость проверки двух моделей диагностики влажности: (1) для установления даты десикации и (2) от даты десикации до определения сроков уборки подсолнечника. Для этого требуются данные нескольких сезонов. Кроме того, для повышения эффективности модели (особенно в полевых условиях) остаётся важным объединение данных в VIS, NIR и SWIR диапазонах.

Ограничения исследования. Это результат поискового эксперимента, который следует рассматривать как предварительный. Исследование проводилось в контролируемых лабораторных условиях с использованием проксимальной HSI. Это не даёт понимания того, насколько шум в гиперспектральных данных может повлиять на точность модели. Одним из технических ограничений исследования является то, что модель была построена без использования гиперспектральных данных в SWIR-диапазоне.

Перспективы дальнейших исследований. Дальнейшие исследования будут сосредоточены на разработке технологии быстрого определения влажности семян подсолнечника в полевых условиях. Эта технология будет использовать спектральные характеристики растений, полученные с помощью наземной HSI или БПЛА, для планирования оптимального времени десикации и уборки.

5. Выводы

Доказана принципиальная возможность определения влажности семян подсолнечника на основе спектральных характеристик нижней стороны соцветий подсолнечника в VNIR-диапазоне (от 450 до 950 нм). Модель RFR показала отличные результаты на обучающей выборке (R²_c = 1,00; MAE_c = 0,58; RMSE_c = 0,74; MAPE_c = 1,29) и высокую производительность на тестовой выборке (R²_t = 0,98; MAE_t = 2,99; RMSE_t = 3,28; MAPE_t = 12,22). Для построения RFR информативными оказались следующие VIs: CCI, Booch, Datt3, Datt4, LSIRed, modPRI, SR5, TCARI и TCARI2.

Вклад авторов: Концептуализация — П.А.Д. и Б.Л.К.; сбор данных — Б.Л.К. и А.А.Д.; формальный анализ — А.А.Д.; исследование — П.А.Д., Б.Л.К. и А.А.Д.; методология — П.А.Д. и Б.Л.К.; управление проектом — П.А.Д.; программное обеспечение — А.А.Д.; написание исходного черновика — П.А.Д. и Б.Л.К.; написание, рецензирование и редактирование — П.А.Д. и Б.Л.К. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование: Исследование выполнено при поддержке программы стратегического академического лидерства Южного федерального университета («Приоритет 2030»), проект № SP-11-25-02.

Доступность данных: Исходные данные, представленные в исследовании, включены в статью; дополнительные запросы можно направлять автору для корреспонденции.

Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Список литературы

(Ссылки оставлены на английском языке, как в оригинале, с номерами)

1. Finger, R.; Scott, S.; Benni, E.; Achim, N.; Achim, W. Precision Farming at the Nexus of Agricultural Production and the Environment (October 2019). Annu. Rev. Resour. Econ. 2019, *11*, 313–335. [CrossRef]
2. Padhiary, M.; Saha, D.; Kumar, R.; Sethi, L.N.; Kumar, A. Enhancing precision agriculture: A comprehensive review of machine learning and AI vision applications in all-terrain vehicle for farm automation. Smart Agric. Technol. 2024, *8*, 100483. [CrossRef]
3. Monteiro, A.; Santos, S.; Gonçalves, P. Precision Agriculture for Crop and Livestock Farming-Brief Review. Animals 2021, *11*, 2345. [CrossRef]
4. Ram, B.G.; Oduor, P.; Igathinathane, C.; Howatt, K.; Sun, X. A systematic review of hyperspectral imaging in precision agriculture: Analysis of its current state and future prospects. Comput. Electron. Agric. 2024, *222*, 109037. [CrossRef]
5. Rondanini, D.P.; Savin, R.; Hall, A.J. Estimation of physiological maturity in sunflower as a function of fruit water concentration. Eur. J. Agron. 2007, *26*, 295–309. [CrossRef]
6. Gesch, R.W.; Johnson, B.L. Seed moisture at physiological maturity in oilseed and confectionary sunflower hybrids in the northern U.S. Field Crops Res. 2012, *133*, 1–9. [CrossRef]
7. Bax, M.M.; Gely, M.C.; Santalla, E.M. Prediction of crude sunflower oil deterioration after seed drying and storage process. J. Am. Oil Chem. Soc. 2004, *81*, 511–515. [CrossRef]
8. Darvishi, H.; Khoshtaghaza, M.H.; Najafi, G.; Zarein, M. Characteristics of sunflower seed drying and microwave energy consumption. Int. Agrophys. 2013, *27*, 127–132. [CrossRef]
9. Sidelnikova, N.A.; Smirnova, V.V. Technology and rules for storing oilseeds in the Belgorod region. IOP Conf. Ser. Earth Environ. Sci. 2022, *979*, 979012045. [CrossRef]
10. Yu, H.; Kong, B.; Hou, Y.; Xu, X.; Chen, T.; Liu, X. A critical review on applications of hyperspectral remote sensing in crop monitoring. Exp. Agric. 2022, *58*, e26. [CrossRef]
11. Gill, T.; Gill, S.K.; Saini, D.K.; Chopra, Y.; de Koff, J.P.; Sandhu, K.S. A Comprehensive Review of High Throughput Phenotyping and Machine Learning for Plant Stress Phenotyping. Phenomics2022, *2*, 156–183. [CrossRef]
12. Rayhana, R.; Ma, Z.; Liu, Z.; Xiao, G.; Ruan, Y.; Sangha, J.S. A Review on Plant Disease Detection Using Hyperspectral Imaging. IEEE Trans. AgriFood Electron. 2023, *1*, 108–134. [CrossRef]
13. Khan, A.; Vibhute, A.D.; Mali, S.; Patil, C.H. A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications. Ecol. Inform. 2022, *69*, 101678. [CrossRef]
14. Pei, J.; Tan, S.; Zou, Y.; Liao, C.; He, Y.; Wang, J.; Huang, H.; Wang, T.; Tian, H.; Fang, H.; et al. The role of phenology in crop yield prediction: Comparison of ground-based phenology and remotely sensed phenology. Agric. For. Meteorol. 2025, *361*, 110340. [CrossRef]
15. Kaushik, M.; Nidamanuri, R.R.; Aparna, B. Hyperspectral discrimination of vegetable crops grown under organic and conventional cultivation practices: A machine learning approach. Sci. Rep.2025, *15*, 7897. [CrossRef] [PubMed]
16. Ghosh, P.; Mondal, A.K.; Chatterjee, S.; Masud, M.; Meshref, H.; Bairagi, A.K. Recognition of Sunflower Diseases Using Hybrid Deep Learning and Its Explainability with AI. Mathematics2023, *11*, 2241. [CrossRef]
17. Centorame, L.; Ilari, A.; Del Gatto, A.; Foppa Pedretti, E. A systematic review on precision agriculture applied to sunflowers, the role of hyperspectral imaging. Comput. Electron. Agric.2024, *222*, 109097. [CrossRef]
18. Huang, P.; Yuan, J.; Yang, P.; Xiao, F.; Zhao, Y. Nondestructive Detection of Sunflower Seed Vigor and Moisture Content Based on Hyperspectral Imaging and Chemometrics. Foods 2024, *13*, 1320. [CrossRef]
19. Sun, H.; Zhang, L.; Rao, Z.; Ji, H. Determination of moisture content in barley seeds based on hyperspectral imaging technology. Spectrosc. Lett. 2020, *53*, 751–762. [CrossRef]
20. Zhang, L.; Zhang, Q.; Wu, J.; Liu, Y.; Yu, L.; Chen, Y. Moisture detection of single corn seed based on hyperspectral imaging and deep learning. Infrared Phys. Technol. 2022, *125*, 104279. [CrossRef]
21. Xue, H.; Xu, X.; Yang, Y.; Hu, D.; Niu, G. Rapid and Non-Destructive Prediction of Moisture Content in Maize Seeds Using Hyperspectral Imaging. Sensors 2024, *24*, 1855. [CrossRef]
22. Wang, Z.; Li, J.; Zhang, C.; Fan, S. Development of a General Prediction Model of Moisture Content in Maize Seeds Based on LW-NIR Hyperspectral Imaging. Agriculture 2023, *13*, 359. [CrossRef]
23. Litvishchenko, V.L.; Dimitrov, V.P.; Leshcheva, O.A.; Gritsay, I.P. The use of lighting techniques for rapid remote determination of moisture content of sunflower seeds growing in the fields. IOP Conf. Ser. Mater. Sci. Eng. 2021, *1029*, 012130. [CrossRef]
24. Xu, J.; Meng, J.; Quackenbush, L.J. Use of remote sensing to predict the optimal harvest date of corn. Field Crops Res. 2019, *236*, 1–13. [CrossRef]
25. Steidle Neto, A.J.; Lopes, D.D.C.; Borges Júnior, J.C.F. Assessment of Photosynthetic Pigment and Water Contents in Intact Sunflower Plants from Spectral Indices. Agriculture 2017, *7*, 8. [CrossRef]
26. Gamon, J.A.; Field, C.B.; Fredeen, A.L.; Thayer, S. Assessing photosynthetic downregulation in sunflower stands with an optically-based model. Photosynth. Res. 2001, *67*, 113–125. [CrossRef] [PubMed]
27. Steidle Neto, A.J.; de Carvalho Lopes, D. Exploring the optimum spectral bands and pre-treatments for chlorophyll assessment in sunflower leaves from yellowness index. Int. J. Remote Sens. 2021, *42*, 9170–9186. [CrossRef]
28. Quemada, C.; Pérez-Escudero, J.M.; Gonzalo, R.; Ederra, I.; Santesteban, L.G.; Torres, N.; Iriarte, J.C. Remote Sensing for Plant Water Content Monitoring: A Review. Remote Sens. 2021, *13*, 2088. [CrossRef]
29. Zhang, F.; Zhou, G. Estimation of vegetation water content using hyperspectral vegetation indices: A comparison of crop water indicators in response to water stress treatments for summer maize. BMC Ecol. 2019, *19*, 18. [CrossRef]
30. Zhou, H.; Zhou, G.; Song, X.; He, Q. Dynamic Characteristics of Canopy and Vegetation Water Content during an Entire Maize Growing Season in Relation to Spectral-Based Indices. Remote Sens. 2022, *14*, 584. [CrossRef]
31. Patiluna, V.; Owen, J.; Jr.; Maja, J.M.; Neupane, J.; Behmann, J.; Bohnenkamp, D.; Borra-Serrano, I.; Peña, J.M.; Robbins, J.; de Castro, A. Using Hyperspectral Imaging and Principal Component Analysis to Detect and Monitor Water Stress in Ornamental Plants. Remote Sens. 2025, *17*, 285. [CrossRef]
32. ElMasry, G.; Wang, N.; ElSayed, A.; Ngadi, M. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry. J. Food Eng. 2007, *81*, 98–107. [CrossRef]
33. Muruganantham, P.; Samrat, N.H.; Islam, N.; Johnson, J.; Wibowo, S.; Grandhi, S. Rapid Estimation of Moisture Content in Unpeeled Potato Tubers Using Hyperspectral Imaging. Appl. Sci. 2023, *13*, 53. [CrossRef]
34. Ji-Young, C.; Kim, J.; Jungsoo, K.; Saeul, J.; Minhyun, K.; Sanghyeok, P.; Kwang-Deog, M. Hyperspectral imaging technique for monitoring moisture content of blueberry during the drying process. Korean J. Food Preserv. 2021, *28*, 445–455. [CrossRef]
35. Ahmad, U.; Alvino, A.; Marino, S. A Review of Crop Water Stress Assessment Using Remote Sensing. Remote Sens. 2021, *13*, 4155. [CrossRef]
36. Jian, L.; Asaari, M.; Shahrimie, M.; Haidi, I.; Mohamad Khairi, I.; Abdul, D. A Review on Analysis Method of Proximal Hyperspectral Imaging for Studying Plant Traits. Pertanika J. Sci. Technol.2023, *31*, 2823–2850. [CrossRef]
37. Dmitriev, P.A.; Dmitrieva, A.A.; Kozlovsky, B.L. Random Reflectance: A New Hyperspectral Data Preprocessing Method for Improving the Accuracy of Machine Learning Algorithms. AgriEngineering 2025, *7*, 90. [CrossRef]
38. Dmitriev, P.A.; Kozlovsky, B.L.; Dmitrieva, A.A.; Varduni, T.V. Classification of invasive tree species based on the seasonal dynamics of the spectral characteristics of their leaves. Earth Sci. Inf. Inform. 2023, *16*, 3729–3743. [CrossRef]
39. Dmitriev, P.A.; Kozlovsky, B.L.; Dmitrieva, A.A.; Varduni, T.V.; Lysenko, V.S. Light Stress Detection in Ficus elastica with Hyperspectral Indices. AgriEngineering 2024, *6*, 3297–3311. [CrossRef]
40. Tian, L.; Li, Y.; Zhang, M. A variable selection method based on multicollinearity reduction for food origin traceability identification. Vib. Spectrosc. 2025, *38*, 103804. [CrossRef]
41. Grewal, R.; Singh Kasana, S.; Kasana, G. Machine Learning and Deep Learning Techniques for Spectral Spatial Classification of Hyperspectral Images: A Comprehensive Survey. Electronics2023, *12*, 488. [CrossRef]
42. Challabathula, D.; Puthur, J.T.; Bartels, D. Surviving metabolic arrest: Photosynthesis during desiccation and rehydration in resurrection plants. Ann. N. Y. Acad. Sci. 2016, *65*, 89–99. [CrossRef]
43. Yu, H.; Hu, Y.; Qi, L.; Zhang, K.; Jiang, J.; Li, H.; Zhang, X.; Zhang, Z. Hyperspectral Detection of Moisture Content in Rice Straw Nutrient Bowl Trays Based on PSO-SVR. Sustainability 2023, *15*, 8703. [CrossRef]
44. Uyeh, D.D.; Kim, J.; Lohumi, S.; Park, T.; Cho, B.-K.; Woo, S.; Lee, W.S.; Ha, Y. Rapid and Non-Destructive Monitoring of Moisture Content in Livestock Feed Using a Global Hyperspectral Model. Animals 2021, *11*, 1299. [CrossRef]
45. Liu, D.; Sun, D.W.; Qu, J.; Zeng, X.A.; Pu, H.; Ma, J. Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting process. Food Chem. 2014, *152*, 197–204. [CrossRef] [PubMed]