Научный перевод-изложение обзорной статьи Qian Zhang, Rupeng Luan, Ming Wang, Jinmeng Zhang, Feng Yu, Yang Ping, Lin Qiu. Plants, 2024, 13, 3088. DOI: 10.3390/plants13213088.

Формат: научный перевод-изложение основных разделов, с сохранением структуры обзора и оригинальных рисунков в контексте. Материал не является дословным переводом всех 19 страниц. Ссылки в квадратных скобках соответствуют оригинальному списку литературы.

Методы спектральной визуализации широко применяются при фенотипировании растений, позволяя количественно оценивать морфологические, физиологические и биохимические признаки. В обзоре сопоставлены гиперспектральная (HSI) и мультиспектральная (MSI) съёмка, RGB-визуализация, лидарная съёмка (LiDAR), тепловизионная съёмка (TI), визуализация флуоресценции хлорофилла (ChlF), рентгеновская компьютерная томография (X-ray CT) и другие способы неразрушающего анализа. Рентгеновская томография и LiDAR особенно полезны для трёхмерной реконструкции, а ChlF и TI — для характеристики физиологического состояния. HSI и MSI позволяют обнаруживать признаки стресса, в том числе обусловленного нарушением минерального питания, прежде чем они становятся заметны визуально. Авторы выделяют перспективы мультимодального анализа, микромасштабных измерений, машинного обучения и портативных сенсорных систем.

Ключевые слова: фенотип растений; спектральная визуализация; HSI; MSI; LiDAR; флуоресценция хлорофилла; высокопроизводительное фенотипирование.

Фенотип растения — количественное описание морфологических признаков, индивидуального развития, физиологических и биохимических характеристик. Фенотипирование требуется для селекции, управления поливом, диагностики заболеваний и оценки продуктивности. Традиционные ручные измерения трудоёмки, субъективны и ограничены по пропускной способности. Оптическая визуализация обеспечивает неразрушающие, воспроизводимые и потенциально высокопроизводительные измерения на разных стадиях роста.

Разные методы регистрируют разные физические сигналы. Поэтому универсального сенсора, измеряющего все фенотипические признаки одновременно с одинаковой точностью, не существует: выбор метода определяется объектом, масштабом, исследуемым физиологическим процессом и условиями наблюдения.

Взаимодействие фотонов с тканями растения проявляется в отражении, поглощении, пропускании, рассеянии и собственном излучении. Характерный фотометрический или спектральный отклик зависит от пигментов, содержания воды, клеточной структуры и химического состава. При этом спектральная визуализация охватывает множество принципиально различных методов, от обычной RGB-съёмки до молекулярной визуализации и трёхмерной томографии.

Спектральные интервалы отдельных технологий перекрываются: например, HSI и MSI могут охватывать видимую, ближнюю и коротковолновую инфракрасную области. Поэтому классификация в обзоре отражает прежде всего способ формирования изображения, а не строго непересекающиеся интервалы длин волн.

Морфологические признаки включают размер, форму и количество семян и плодов, геометрию листьев, параметры корней, высоту растений, площадь и объём кроны или посева, а также плотность стояния. HSI, MSI и RGB позволяют выявлять контуры и пространственное распределение объектов; методы сегментации, в том числе нейронные сети, автоматизируют подсчёт и поиск дефектов. RGB остаётся особенно доступным подходом при достаточной освещённости.

LiDAR обеспечивает высокоплотные облака точек и трёхмерную оценку архитектуры растений, включая высоту, биомассу и объём полога. X-ray CT и MRI дают информацию о внутреннем строении органов, корней, семян и плодов — то, чего невозможно получить по одному изображению поверхности.

Физиологический фенотип описывает функциональное состояние растений, их рост, репродуктивную способность и устойчивость к стрессам. Он зависит от освещённости, температуры, воды, питания и болезней. HSI и MSI позволяют выделять тонкие изменения спектрального отражения при ранних биотических и абиотических стрессах, включая ситуации, когда видимые симптомы ещё не сформировались.

Ближняя инфракрасная съёмка чувствительна к содержанию и распределению воды, а тепловизионный метод — к температуре поверхности листьев и полога, влиянию транспирации и водного режима. Для TI используются в том числе производные индексы водного стресса растений (CWSI). Однако температурный сигнал чувствителен к внешней среде и сам по себе не устанавливает причину стресса.

Изображения флуоресценции хлорофилла дают пространственное распределение сигналов, связанных с фотосинтетическим аппаратом. Это особенно информативно для оценки фотосинтетической активности, нефотохимического тушения и ранних нарушений физиологических процессов. В статье ChlF рассматривается как дополняющая технология, а не прямой заменитель гиперспектральной съёмки.

Биохимические признаки охватывают содержание пигментов, азота, белков, сахаров, углеводов, воды, жирных кислот и других молекул и элементов. VIS-область информативна в отношении поглощения фотосинтетическими пигментами; NIR и SWIR — в отношении водного статуса и ряда компонентов органического вещества. Диагностическая чувствительность зависит от сочетания спектральных признаков и калибровочной модели; значение концентрации нельзя автоматически вывести из одного выбранного канала.

HSI и MSI используют при оценке хлорофилла, содержания азота, воды и минерального питания в листьях и пологе. NIRI применяют при определении внутреннего качества плодов, зрелости и некоторых химических показателей. Спектроскопия комбинационного рассеяния (Raman) обеспечивает информацию о молекулярных колебаниях и составе тканей, хотя может требовать специальных условий измерений. ChlF помогает оценивать функциональное состояние фотосинтетического аппарата и последствия дефицита питания.

К продукционному фенотипу относятся биомасса, урожайность, качество, свежая и сухая масса, а также показатели элементов структуры урожая. Для их оценки применяют HSI, MSI, RGB и дистанционные методы, сочетая изображения с моделями машинного обучения и данными о фазах развития. Прогноз осложняется влиянием генотипа, среды и агротехнологий, поэтому стабильность моделей между сезонами не гарантирована. В обзоре приведены примеры CNN-моделей оценки урожая кукурузы и определения массы салата на базе RGB- и глубинных изображений.

Сенсоры обладают взаимодополняющими возможностями. LiDAR и CT дают преимущество в измерении 3D-структуры, HSI и MSI — в интерпретации спектрально обусловленных изменений, TI — в отслеживании теплового режима, ChlF — в функциональной оценке фотосинтеза. Ни один метод не свободен от ограничений: спектральные гиперкубы велики, точность зависит от освещения и калибровки, 3D-реконструкция требует вычислений, а лабораторные методы часто плохо масштабируются до поля.

Высокопроизводительные платформы фенотипирования (HTPP) обеспечивают быстрый автоматизированный сбор комплексных фенотипических параметров. Полевые платформы могут размещать сенсоры на тракторах, роботизированных средствах, БПЛА, самолётах и спутниках. Они подходят для мониторинга больших площадей и селекционных опытов, но требуют сопоставимой калибровки датчиков, геопривязки, стандартизованной обработки изображений и надёжной интерпретации.

Лабораторные и тепличные платформы работают в более контролируемых условиях с искусственным освещением и позволяют изучать отдельные растения, ткани и органы. Их ограничения — охват образцов и пропускная способность. Следовательно, вопрос выбора платформы не сводится только к максимальному пространственному или спектральному разрешению.

Авторы считают перспективным совмещение HSI, MSI, RGB, TI, LiDAR и физиологических измерений. Разные сигналы позволяют одновременно анализировать химические, геометрические и функциональные изменения. Для предсказания биомассы и урожайности также могут использоваться метеорологические и почвенные параметры.

Трёхмерная реконструкция важна не только для расчёта геометрии, но и для изучения транспорта воды, газов и питательных веществ. CT и другие методы позволяют исследовать структурные пути транспорта на уровне органов и тканей и использовать 3D-модели в моделировании фотосинтеза, дыхания и переноса массы.

Перспективы связаны с анализом клеточных тканей, пыльцы, устьиц, сосудистых пучков, пористости плодов и локальных стрессовых реакций. Объединение микроскопии со спектральными методами предоставляет мост между фенотипом растения и его клеточными, физиологическими и генетическими механизмами. Это направление требует адаптации оборудования и проверки воспроизводимости спектральных измерений.

Миниатюризация сенсоров должна снизить барьер к фенотипированию в полевых и лабораторных условиях. Важны не только цена и масса, но и простая калибровка, единообразные процедуры измерения, стабильные алгоритмы и возможность совместить несколько датчиков в одном приборе.

Машинное обучение позволяет связывать нелинейные спектральные признаки с физиологическими и биохимическими параметрами, обрабатывать многомерные изображения и формировать прогностические модели. В перспективе авторы предлагают глубже соединять фенотипирование с геномикой, метаболомикой и системной биологией, обеспечивая устойчивую интерпретацию данных в меняющихся условиях.

Обзор подчёркивает, что выбор способа визуализации зависит от измеряемого фенотипического признака и масштаба исследования. HSI/MSI дают широкие возможности неразрушающего спектрального анализа, ChlF — функциональной диагностики фотосинтеза, TI — оценки температуры, LiDAR и CT — 3D-структуры. Наиболее перспективен согласованный мультимодальный анализ с автоматизированной обработкой, переносимыми протоколами съёмки и проверкой моделей по независимым измерениям.

Zhang, Q.; Luan, R.; Wang, M.; Zhang, J.; Yu, F.; Ping, Y.; Qiu, L. Research Progress of Spectral Imaging Techniques in Plant Phenotype Studies. Plants 2024, 13, 3088. https://doi.org/10.3390/plants13213088. Оригинальный обзор содержит подробные библиографические ссылки [1–136]; цитаты в тексте текущего изложения отсылают к оригинальной публикации.