Hoa Thi Nguyen и соавт. • Plants, 2025, 14(6), 907 • DOI: 10.3390/plants14060907

Оригинальное название: Advancing Crop Resilience Through High-Throughput Phenotyping for Crop Improvement in the Face of Climate Change.

Принципы подготовки: сохранение смысла и научной стилистики; русскоязычные подписи; оригинальная иллюстрация расположена по месту; выборочно сокращены подробные библиографические отступления. Это тематически полный перевод-изложение, а не построчный перевод всей статьи. Обозначения и ссылки в квадратных скобках соответствуют оригинальной публикации.

Изменение климата усиливает биотические и абиотические стрессовые воздействия и угрожает продуктивности сельскохозяйственных культур. Высокопроизводительное фенотипирование (high-throughput phenotyping, HTP) позволяет неразрушающим способом регистрировать реакцию растений на неблагоприятные условия. Гиперспектральная визуализация, беспилотные летательные аппараты и машинное обучение расширяют возможности количественной оценки признаков при засухе, засолении, температурных экстремумах, болезнях и повреждении вредителями. Применение HTP ускоряет выявление стрессоустойчивых генотипов, отбор родительских форм и оценку гибридного материала. Вместе с тем распространение технологий ограничивают стоимость оборудования, отсутствие единых протоколов, сложность управления массивами данных и неоднозначность связи между фенотипом и генотипом в меняющейся среде. Авторы рассматривают преимущества, ограничения и направления дальнейшей интеграции HTP в селекционные программы.

Ключевые слова: высокопроизводительное фенотипирование; гиперспектральная визуализация; машинное обучение; устойчивость к стрессу; БПЛА; селекция растений.

Высокопроизводительное фенотипирование — совокупность автоматизированных методов массового получения количественных данных о признаках растений. Оно объединяет оптические и другие датчики, роботизированные платформы, методы дистанционного зондирования и вычислительную обработку. Измеряемые признаки охватывают морфологию, физиологию, биохимию, динамику роста и газообмен. Неразрушающий характер измерений позволяет наблюдать одни и те же растения в разные фазы развития и оценивать временную динамику реакции на стресс.

Классические методы фенотипирования часто основаны на ручных измерениях, требуют значительных трудозатрат, а при исследовании биомассы предполагают уничтожение образца. HTP дополняет, но не отменяет эти подходы: лабораторные измерения и полевые наблюдения остаются необходимыми для проверки достоверности количественных моделей.

Ключевая методическая трудность — взаимодействие «генотип × среда» (G × E). Даже генетически сходные растения могут по-разному реагировать на колебания температуры, освещённости, обеспеченности водой и питательными веществами. Для корректного сравнения линий и сортов необходимы контролируемые условия, повторности, продуманное размещение делянок и учёт пространственной неоднородности стрессового воздействия. Использование камер роста, теплиц и укрытий от осадков повышает сопоставимость экспериментов, но требует проверки результатов в реальных полевых условиях.

Авторы выделяют два взаимосвязанных направления: измерение устойчивости культур к стрессу и применение фенотипических данных в селекции. Потенциальные задачи включают оценку генетически обусловленных признаков, идентификацию перспективных родительских форм, уточнение схем гибридизации и более обоснованный выбор генотипов.

HTP позволяет измерять стадию роста, развитие полога, реакцию на дефицит воды или элементов питания, восприимчивость к вредителям и патогенам, показатели фотосинтетической активности и продуктивности. Измерения могут проводиться на уровне отдельных органов, целого растения, делянки и сельскохозяйственного ландшафта. Сочетание датчиков разных типов делает оценку более полной: геометрические признаки определяют по RGB-изображениям и LiDAR, а спектральные и температурные сигналы используют для анализа физиологических состояний.

Рисунок 1. Схема высокопроизводительного фенотипирования растений: варианты условий выращивания (поле, теплица, камера роста), платформы съёмки (спутники, БПЛА, наземные роботизированные комплексы, конвейерные системы), датчики и последовательность обработки от исходных изображений до проверенных фенотипических показателей. Оригинальная схема авторов.

Принятые на схеме обозначения: RGB — трёхканальная цветная съёмка; LiDAR — лазерное сканирование; UAV — БПЛА; 3D — трёхмерные данные; BPS — полосовой оптический фильтр; BT — синий светодиодный излучатель; CFM — модуль регистрации флуоресценции хлорофилла; CCD — прибор с зарядовой связью; CCP — панель управления; MM — мультиспектральный модуль.

Спектральные индексы формируются из отражательной способности на выбранных длинах волн. Они помогают характеризовать зелёную массу, содержание пигментов, состояние полога и реакции на неблагоприятные факторы. Оптимальный индекс зависит от культуры, фазы развития, условий съёмки и конкретного целевого признака. Избыточная интерпретация отдельного индекса без независимых измерений может привести к ложным выводам.

* Важная особенность оригинала: таблица 1 публикации приводит для строки NDVI формулу (MIR−NIR)/(MIR+NIR), отличающуюся от общепринятого определения NDVI через красный и ближний ИК-каналы. Она воспроизведена именно как запись источника, а не как рекомендуемая формула расчёта. Кроме того, некоторые обозначения длин волн и формулы в оригинальной таблице имеют редакционные неоднозначности. Для расчётного применения их необходимо сверять с первичными методиками.

БПЛА обеспечивают оперативный сбор изображений сельскохозяйственных участков с пространственным разрешением порядка нескольких сантиметров на пиксель. По сравнению со спутниками они позволяют гибко выбирать время и высоту съёмки, однако охват ограничивается продолжительностью полёта, энергопитанием и погодой. Отдельные кадры объединяют в геопривязанную ортомозаику; для этого применяют, в частности, Pix4D, QGIS и OpenDroneMap.

Камеры видимого, мультиспектрального и гиперспектрального диапазонов помогают изучать отражательные свойства растений. Гиперспектральные датчики особенно ценны для выявления тонких изменений спектральных сигнатур, связанных с биохимическими и физиологическими характеристиками, тогда как трёхмерная визуализация позволяет оценивать площадь листьев, ориентацию листовой пластинки, высоту и архитектуру растений. Авторы рассматривают беспилотную съёмку как практичный вариант масштабирования полевого фенотипирования, при этом подчеркивают необходимость проверки моделей на разных сортах и в разных условиях.

Для контролируемых условий используются роботизированные манипуляторы, конвейеры, камеры высокого разрешения и автоматизированные системы полива, питания и регистрации изображений. Искусственное освещение снижает зависимость от естественной освещённости и обеспечивает повторяемость, важную для сравнения генотипов. Автоматизация сокращает ручной труд и повышает согласованность измерений, хотя требует технического обслуживания, стандартизации и инфраструктуры обработки данных.

Наземные решения особенно полезны при высокочастотном мониторинге изменения признаков на отдельных растениях и небольших популяциях. Полевые роботизированные платформы позволяют переносить часть этих возможностей из теплицы в реальные агроценозы.

Алгоритмы машинного обучения извлекают признаки из изображений и совмещённых сенсорных рядов, используются для сегментации, выявления признаков заболеваний, измерения геометрии и прогнозирования стрессового состояния. Свёрточные нейронные сети (CNN) особенно эффективны при обработке изображений, однако их результаты зависят от качества разметки, объёма обучающей выборки и устойчивости к изменению условий съёмки.

Типовой рабочий процесс включает получение и аннотирование данных, радиометрическую и геометрическую корректировку, выделение релевантных признаков, обучение, настройку и независимую проверку модели. В обзорной статье подчёркивается, что объединение фенотипических, геномных и метеорологических данных даёт более содержательную интерпретацию признаков, чем анализ изображений сам по себе.

В таблице 2 оригинальной публикации систематизированы исследования хлопчатника, риса, пшеницы, ячменя, кукурузы, нута и сои. Они демонстрируют применение разных методов регистрации в зависимости от природы стресса: тепловизионной съёмки для водного дефицита, спектрорадиометрии и гиперспектрального анализа для состава тканей и физиологических изменений, флуоресцентной визуализации для реакции фотосинтетического аппарата и RGB-моделей для обнаружения болезней.

Таблица содержит выборочное изложение примеров из таблицы 2 оригинала; сведения об условиях испытаний и ссылках приведены в исходной публикации. Авторы предупреждают, что многие методики пока находятся на стадии калибровки и экспериментальной валидации, поэтому демонстрация возможности в отдельном исследовании не равнозначна готовому универсальному диагностическому решению.

Совмещение фенотипических рядов с геномными данными помогает выявлять генетические механизмы устойчивости и выбирать перспективный селекционный материал. В статье упоминаются полногеномный анализ ассоциаций (GWAS) и картирование локусов количественных признаков (QTL). В сочетании с HTP эти подходы позволяют оценивать большое количество генотипов на разных этапах развития и при различных режимах воздействия стрессоров.

В качестве направлений исследований приводятся фосфорное голодание рапса, засухоустойчивость ячменя, солеустойчивость риса, а также реакции риса и кукурузы на недостаток влаги. Влияние внешней среды остаётся существенным источником изменчивости: модель, обученная в одном сезоне или на одной площадке, может работать хуже при переносе на другой регион.

Гиперспектральные изображения включают множество каналов и требуют значительных ресурсов хранения, передачи, обработки и архивации. Для оперативного принятия агрономических решений необходимы эффективные вычислительные алгоритмы, согласованные метаданные и защита от потери качества данных на всех этапах.

Высокая первоначальная стоимость камер, программного обеспечения и инфраструктуры препятствует распространению HTP, особенно в небольших хозяйствах. При этом гиперспектральные исследования позволяют выявить наиболее информативные спектральные каналы и в дальнейшем создавать более доступные узкополосные мультиспектральные системы под конкретные задачи.

Освещённость, положение Солнца, характеристики почвы, состояние поверхности, влажность, особенности агротехники и геометрия съёмки влияют на измеряемое отражение. Без воспроизводимых протоколов съёмки и калибровки сравнение между датами, объектами и приборами может быть некорректным. Регистрация метеоусловий и использование опорных измерений критически важны.

Новые технологии требуют обучения операторов, изменений в организации полевых испытаний и сопряжения с существующими агрономическими процессами. Для полётов БПЛА необходимо учитывать национальные правила использования воздушного пространства. Авторы указывают на отсутствие унифицированных протоколов как серьёзное препятствие для сопоставления данных разных исследований и платформ.

Высокопроизводительное фенотипирование формирует основу для масштабируемой и более объективной оценки растений, повышения эффективности селекции и изучения адаптации сельскохозяйственных культур к изменению климата. Максимальный эффект достигается при объединении спектральных, температурных, геометрических, физиологических и геномных данных, а не при использовании одного сенсора или индекса. Однако надёжный перенос решений из экспериментальной среды в поле требует стандартизации, повторяемых испытаний, снижения стоимости и развитой инфраструктуры обработки данных.

Из текста обзора следует, что проектирование комплекса целесообразно начинать с фенотипического признака и протокола эталонных измерений, а не с выбора одной камеры. Для оценки морфологии уместно сочетать RGB/3D/LiDAR, для физиологических реакций — гиперспектральную, тепловизионную и флуоресцентную визуализацию. При исследовании генотипов важно фиксировать условия выращивания, обеспечивать повторяемость и сохранять данные в согласованных форматах. Эти практические обобщения являются интерпретацией обзора применительно к разработке комплексов, а не результатами отдельного эксперимента авторов.

Nguyen, H. T.; Khan, M. A. R.; Nguyen, T. T.; Pham, N. T.; Nguyen, T. T. B.; Anik, T. R.; Nguyen, M. D.; Li, M.; Nguyen, K. H.; Ghosh, U. K.; et al. (2025). Advancing Crop Resilience Through High-Throughput Phenotyping for Crop Improvement in the Face of Climate Change. Plants, 14, 907. https://doi.org/10.3390/plants14060907.

Полный список первичных публикаций [1–116] размещён в оригинале. Научные утверждения настоящего перевода-изложения относятся к обзорной работе и не заменяют чтения цитируемых первоисточников.