Современное состояние гиперспектрального дистанционного зондирования для раннего выявления болезней растений: обзор

Аннотация

Развитие гиперспектральной аппаратуры позволило специалистам эффективно оценивать фитосанитарное состояние сельхозкультур. В обзоре рассмотрены современные достижения в сфере раннего выявления болезней растений посредством гиперспектрального дистанционного зондирования (HRS). Определены ключевые технологические и методологические ограничения, обозначены дальнейшие пути развития. Представлены систематизированные данные о спектральных признаках различных растений и заболеваниях, определяемых HRS.

1. Введение

Распространение инфекционных болезней растений, включая инвазивные виды патогенов, является одной из наиболее актуальных проблем современного сельского хозяйства, ведущей к значительным экономическим потерям и угрозе продовольственной безопасности. Традиционные методы визуального мониторинга и лабораторной диагностики часто являются трудоёмкими, запоздалыми и не позволяют осуществить превентивные меры защиты. В этом контексте технологии дистанционного зондирования Земли (ДЗЗ), особенно гиперспектральное зондирование, открывают новые возможности для неинвазивного, оперативного и масштабируемого мониторинга фитосанитарного состояния агроценозов.
Гиперспектральные датчики, в отличие от мультиспектральных, регистрируют отражённое излучение в сотнях узких, смежных спектральных каналах (обычно в диапазоне 400–2500 нм), формируя так называемый «спектральный портрет» объекта. Такое высокое спектральное разрешение позволяет детектировать тонкие изменения в биохимическом составе (содержание хлорофилла, воды, фенолов, лигнина) и физиологической структуре растительных тканей, которые происходят на ранних, часто бессимптомных стадиях заболевания. Эти изменения влияют на спектральную отражательную способность в определённых зонах спектра, например, в областях поглощения хлорофилла (красная область), в зоне красного края (red edge, 680–780 нм) и в ближнем инфракрасном диапазоне, связанном с клеточной структурой.

Общая схема получения и обработки гиперспектральных изображений представлена на рисунке 1. Свет, отраженный от листьев растений, улавливается гиперспектральной камерой (рис. 1А) [13]. С гиперспектральной камеры получается гиперспектральный куб данных (рис. 1B). Затем применяются различные алгоритмы нормализации данных (рис. 1 C) и извлечения признаков (рис. 1 D) для уменьшения размерности данных. Наконец, для автоматизации процесса классификации используются различные методы автоматизации (рис. 1E).

Таким образом, раннее выявление болезней с помощью гиперспектрального зондирования позволяет не только минимизировать потери урожая, но и оптимизировать применение средств защиты растений, снижая экологическую нагрузку и повышая рентабельность сельскохозяйственного производства в рамках концепции интегрированной защиты растений (IPM).

2. Принципы гиперспектральной съёмки

Гиперспектральные изображения представляют собой трёхмерные массивы данных (гиперкубы), где два измерения соответствуют пространственным координатам (x, y), а третье — спектральной оси (λ). Для съёмки используются различные типы сканеров: push-broom (построчное сканирование), whiskbroom (точечное) и snapshot (мгновенная съёмка всего кадра). В последние годы получили широкое распространение миниатюрные гиперспектральные камеры (Micro-Hyperspec, HySpex, FireflEYE), которые могут устанавливаться на беспилотные летательные аппараты (БПЛА), обеспечивая высокую гибкость и оперативность мониторинга.

3.Применение HRS для конкретных культур

Масличная пальма

Основное заболевание: Базальная стеблевая гниль (BSR), вызываемая грибом Ganoderma boninense. Заболевание приводит к деградации лигнина и целлюлозы в стволе, что в конечном итоге вызывает гибель дерева.

Ключевые исследования и результаты:

·         Lelong et al. (2010): Использование PLS-DA для дифференциации уровней заражения по данным кроны с точностью 92–98%.
·         Liaghat et al. (2014): Одно из первых исследований по раннему обнаружению BSR на листьях саженцев с использованием спектроскопии VIS-NIR и модели k-NN. Достигнута общая точность 97%.
·         Ahmadi et al. (2017) и Azmi et al. (2020): Применение искусственных нейронных сетей (ANN) и SVM позволило идентифицировать слабо инфицированные образцы без видимых симптомов с точностью до 100% в контролируемых условиях.
·         Shafri et al., Izzuddin et al.: Серия работ по оптимизации спектральных вегетационных индексов (SVI) для выявления BSR, показавшая, что методы, основанные на анализе «красного края», часто превосходят традиционные индексы.

Важные спектральные диапазоны: Наиболее информативными оказались области, связанные с изменением содержания пигментов и воды: 600–950 нм, с особым вниманием к зоне красного края (680–780 нм).

Цитрусовые

Основное заболевание: Позеленение цитрусовых (Huanglongbing, HLB), вызываемое бактерией Candidatus Liberibacter spp. Болезнь нарушает транспорт питательных веществ и приводит к гибели деревьев.

Ключевые исследования и результаты:

·         Sankaran et al. (2010–2013): Серия полевых исследований с использованием портативных спектрометров и SVM. Для устранения влияния переменного освещения применялись галогенные лампы. Достигнута средняя точность 87%.

·         Deng et al. (2016–2020): Комплексные исследования по ранней диагностике HLB. Использование PLS-DA на предобработанных спектрах позволило достичь точности классификации до 96.4%. Позднее авторы успешно применили алгоритмы машинного обучения (логистическая регрессия, SVM, ансамбли) для данных с БПЛА, достигнув точности >99% на уровне пикселей.

·         Weng et al. (2018): Исследование влияния сезона и сорта. Показана возможность переноса калибровочной модели между сортами Сацума и Понкан с точностью 93.5%.

·         Li et al. (2012): Сравнение лабораторных и полевых данных показало более высокую точность в контролируемых условиях (~95% против ~90%).

Важные спектральные диапазоны: Изменения наблюдались в широком диапазоне: 500–900 нм, включая области поглощения хлорофилла, красный край и часть ближнего ИК-диапазона. Конкретные значимые длины волн варьировались в зависимости от сорта и условий эксперимента.

. Растения семейства пасленовых

Основные заболевания: Широкий спектр болезней, включая фитофтороз (Phytophthora infestans), ранний фитофтороз (Alternaria solani), вирусы (TSWV, PVY, TMV, ToCV), бактериальные и целевые пятнистости.

Ключевые исследования и результаты:

·         Abdulridha et al. (2019–2020): Комплексное изучение бактериальной пятнистости, целевой пятнистости и вируса желтой курчавости листьев томата в полевых и лабораторных условиях. Использование специально подобранных вегетационных индексов позволило достичь точности различения болезней 94–100%, а дифференциации больных и здоровых растений — 98–100%.

·         Wang et al. (2020–2021): Раннее выявление вируса пятнистого увядания томатов (TSWV) на сладком перце с помощью усовершенствованной генеративно-состязательной сети (OR-AC-GAN) и CNN. Точность составила 96.25% на бессимптомной стадии.

·         Gold et al. (2020), Franceschini et al. (2019): Детальные исследования фитофтороза и раннего фитофтороза на картофеле и томатах с акцентом на влияние сортовых особенностей. Показано, что генотип хозяина значительно влияет на спектральный отклик. Использование RF и PLS-DA позволило обнаружить инфекцию за 2–4 дня до появления симптомов с точностью >80%.

·         Bienkowski et al. (2019): Исследование возможности дифференциации нескольких почвенных патогенов и фитофтороза на картофеле. Модели, обученные на данных из теплицы, показали точность 84.6%.

Важные спектральные диапазоны: Для различных заболеваний информативными оказывались диапазоны от видимого до ближнего ИК (400–1000 нм). Для вирусных инфекций часто ключевыми были каналы в ближнем ИК-области (780–1000 нм).

Пшеница

Основные заболевания: Фузариоз колоса (FHB, вызывается видами Fusarium spp.) и желтая ржавчина (YR, Puccinia striiformis).

Ключевые исследования и результаты (FHB):

·         Delwiche et al. (2011): Ранняя работа показала возможность обнаружения FHB с точностью 83–98%, но подчеркнула проблему переносимости моделей между сортами.

·         Mahlein et al. (2018): Использование SVM позволило не только выявлять заражение с точностью >76%, но и дифференцировать виды F. graminearum и F. culmorum.

·         Bauriegel et al. (2011): Исследование спектральных изменений на колосьях, связанных с содержанием каротиноидов (500–533 нм), хлорофиллов (560–733 нм) и воды (927–931 нм). Точность обнаружения на поздних стадиях составила 91%.
Ключевые исследования и результаты (YR):

·         Bohnenkamp et al. (2019): Успешное раннее обнаружение YR с использованием данных как с наземных платформ, так и с БПЛА. Применение SAM и SVM позволило провести масштабирование исследований.

·         Zheng et al. (2019): Оценка различных вегетационных индексов для мониторинга YR. Наилучшими для ранних-средних стадий оказался PRI (570, 525, 705 нм), а для средних-поздних — ARI (860, 790, 750 нм), с точностью классификации до 93.2%.

·         Guo et al. (2021): Комбинация спектральных и текстурных признаков с данных БПЛА позволила достичь точности выявления YR до 95.8%.

Важные спектральные диапазоны: Для обоих заболеваний ключевыми являются области, связанные с фотосинтетическими пигментами и водным статусом: 500–900 нм.

4.Обсуждение: выявленные пробелы и перспективы

Методологические проблемы:

·         Воспроизводимость: Отсутствие стандартизированных протоколов проведения экспериментов (условия освещения, этапы отбора проб, методы инокуляции) затрудняет прямое сравнение результатов разных исследований.

·         Влияние сорта и фона: Как показали работы по картофелю, пшенице и цитрусовым, генотипические различия между сортами могут существенно влиять на спектральный отклик, что требует либо создания сорто-специфичных моделей, либо разработки более универсальных признаков.

·         Дифференциация стрессов: Задача отделения симптомов биотического стресса (болезнь) от абиотического (дефицит питания, засуха, химический ожог) остаётся сложной и требует интеграции дополнительных данных (например, метеорологических).

5. Выводы и рекомендации

Для повышения качества диагностики и внедрения HRS необходимы:
·         Совместная работа специалистов разных областей (физиологи растений, ботаники, специалисты по обработке данных);
·         Стандартизация экспериментальных процедур и формирование единых рекомендаций по проведению анализов;
·         Повышение точности приборов и расширение возможностей мобильных платформ для постоянного мониторинга.

Заключение

Анализ литературы показывает огромный потенциал гиперспектрального дистанционного зондирования для эффективного мониторинга здоровья растений. Дальнейшие шаги должны быть направлены на устранение технологических ограничений и повышение надёжности и репликабельности экспериментов. Интеграция гиперспектрального мониторинга в системы поддержки принятия решений станет важным шагом на пути к экологически устойчивому и высокопродуктивному сельскому хозяйству.

Читать полную статью