Оставить заявку
Для заказа и получения более подробной информации оставьте заявку, наш менеджер свяжется с Вами!
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
Оставьте свой номер и мы с вами свяжемся!
Или Вы можете позвонить нам сами:
+7 902 934 71 72
Современное состояние гиперспектрального дистанционного зондирования для раннего выявления болезней растений: обзор
Антон Терентьев 1,*, Виктор Долженко 1, Александр Федотов 2,* и Данила Еременко 2
1 ФГБУ «Всероссийский институт защиты растений», ул. Подбельского, д. 3, г. Пушкин, 196608 Санкт-Петербург, Россия; vid@iczr.ru
2 Научно-исследовательский центр мирового уровня «Передовые цифровые технологии», Санкт-Петербургский политехнический университет Петра Великого
Университет, ул. Политехническая, д. 29, 195251 Санкт-Петербурге, Россия; danilaeremenko@mail.ru
* Корреспонденция: admin@vizr.spb.ru (А.Т.); afedotov@spbstu.ru (А.Ф.); Тел.: +7-921-937-1550 (А.Т.);
+7-921-741-6303 (А.Ф.)
1 ФГБУ «Всероссийский институт защиты растений», ул. Подбельского, д. 3, г. Пушкин, 196608 Санкт-Петербург, Россия; vid@iczr.ru
2 Научно-исследовательский центр мирового уровня «Передовые цифровые технологии», Санкт-Петербургский политехнический университет Петра Великого
Университет, ул. Политехническая, д. 29, 195251 Санкт-Петербурге, Россия; danilaeremenko@mail.ru
* Корреспонденция: admin@vizr.spb.ru (А.Т.); afedotov@spbstu.ru (А.Ф.); Тел.: +7-921-937-1550 (А.Т.);
+7-921-741-6303 (А.Ф.)
Аннотация: Развитие гиперспектральной аппаратуры дистанционного зондирования Земли, в последние годы, предоставило специалистам по защите растений новый механизм оценки фитосанитарного состояния сельскохозяйственных культур. Семантически насыщенные данные, поступающие с гиперспектральных датчиков, являются обязательным условием для своевременного и рационального проведения мероприятий по защите растений. В данном обзоре представлены современные достижения в области раннего выявления болезней растений на основе гиперспектрального дистанционного зондирования. В обзоре выявлены существующие пробелы в методиках проведения экспериментов. Обозначено дальнейшее направление экспериментально-методологического развития. Проведено сравнительное исследование имеющихся результатов и представлена систематизированная таблица выявления болезней различных растений методом гиперспектрального дистанционного зондирования, включающая важные диапазоны волн и информацию сенсорной модели.
Ключевые слова: дистанционное зондирование; гиперспектральный; болезни растений; раннее выявление; масличная пальма; цитрусовые; злаки; пасленовые
1. Введение
Распространение различных, в том числе инвазивных, болезней растений и вредителей является одной из важнейших проблем современного сельского хозяйства [1]. Поэтому для решения этих актуальных проблем необходим своевременный мониторинг болезней и вредителей растений. Методы дистанционного зондирования Земли имеют большие перспективы для решения этих проблем [2]. Данные дистанционного зондирования могут идентифицировать состояние посевов, включая болезни, и предоставить полезную информацию для конкретных методов управления сельским хозяйством [3,4].
Существует два типа технологий дистанционного зондирования: пассивное (например, оптическое) и активное дистанционное зондирование (например, лидар и радар). Пассивное оптическое дистанционное зондирование Земли принято делить на две группы в зависимости от спектрального разрешения используемых датчиков: мультиспектральное и гиперспектральное дистанционное зондирование [5]. Гиперспектральное зондирование имеет большой потенциал в качестве неинвазивного и неразрушающего инструмента мониторинга биотического и абиотического стресса растений среди пассивных методов дистанционного зондирования, измеряющих отраженную солнечную радиацию [6]. Этот метод получает и хранит информацию из спектроскопии объекта в спектральном кубе, который содержит пространственную информацию и сотни смежных длин волн в третьем измерении. Гиперспектральная визуализация открывает множество возможностей для раннего распознавания болезней растений, предоставляя предварительные индикаторы путем незначительных изменений спектральной отражательной способности из-за поглощения или отражения. Гиперспектральные изображения с сотнями спектральных каналов могут обеспечить детальный спектральный портрет, следовательно, они лучше обнаруживают тонкие изменения в почве, на кронах или отдельных листьях. Таким образом, гиперспектральные изображения могут быть использованы для решения более широкого класса задач по точному и своевременному определению физиологического состояния сельскохозяйственных культур. Раннее выявление распространения болезней и вспышек вредителей позволяет избежать не только значительных потерь урожая, но и сократить использование пестицидов и смягчить их негативное воздействие на здоровье человека и окружающую среду, тем самым улучшив существующую IPM [7,8].
В последние годы разработан широкий спектр миниатюрных гиперспектральных датчиков, доступных для коммерческого использования, таких как Micro- и Nano-Hyperspec (Headwall Photonics Inc., Бостон, Массачусетс, США), HySpex VNIR (HySpex, Skedsmo, Skjetten, Норвегия) и Fire-flEYE (Cubert GmbH, Ульм, Германия) [9]. Эти датчики могут быть установлены на пилотируемых или беспилотных воздушных платформах (например, самолетах, вертолетах и БПЛА) для получения гиперспектральных изображений и поддержки различных миссий мониторинга [10,11].
Существуют различные типы гиперспектральных камер, например, камеры с венчиком, камеры с метлой и фотоаппараты для моментальных снимков. Принцип измерения каждого типа сенсора зависит от его способности получать всю картинку (снимок) за один раз, одну линию изображения (метла-толкатель) или одну точку изображения (венчик) [12].
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).
Ключевые слова: дистанционное зондирование; гиперспектральный; болезни растений; раннее выявление; масличная пальма; цитрусовые; злаки; пасленовые
1. Введение
Распространение различных, в том числе инвазивных, болезней растений и вредителей является одной из важнейших проблем современного сельского хозяйства [1]. Поэтому для решения этих актуальных проблем необходим своевременный мониторинг болезней и вредителей растений. Методы дистанционного зондирования Земли имеют большие перспективы для решения этих проблем [2]. Данные дистанционного зондирования могут идентифицировать состояние посевов, включая болезни, и предоставить полезную информацию для конкретных методов управления сельским хозяйством [3,4].
Существует два типа технологий дистанционного зондирования: пассивное (например, оптическое) и активное дистанционное зондирование (например, лидар и радар). Пассивное оптическое дистанционное зондирование Земли принято делить на две группы в зависимости от спектрального разрешения используемых датчиков: мультиспектральное и гиперспектральное дистанционное зондирование [5]. Гиперспектральное зондирование имеет большой потенциал в качестве неинвазивного и неразрушающего инструмента мониторинга биотического и абиотического стресса растений среди пассивных методов дистанционного зондирования, измеряющих отраженную солнечную радиацию [6]. Этот метод получает и хранит информацию из спектроскопии объекта в спектральном кубе, который содержит пространственную информацию и сотни смежных длин волн в третьем измерении. Гиперспектральная визуализация открывает множество возможностей для раннего распознавания болезней растений, предоставляя предварительные индикаторы путем незначительных изменений спектральной отражательной способности из-за поглощения или отражения. Гиперспектральные изображения с сотнями спектральных каналов могут обеспечить детальный спектральный портрет, следовательно, они лучше обнаруживают тонкие изменения в почве, на кронах или отдельных листьях. Таким образом, гиперспектральные изображения могут быть использованы для решения более широкого класса задач по точному и своевременному определению физиологического состояния сельскохозяйственных культур. Раннее выявление распространения болезней и вспышек вредителей позволяет избежать не только значительных потерь урожая, но и сократить использование пестицидов и смягчить их негативное воздействие на здоровье человека и окружающую среду, тем самым улучшив существующую IPM [7,8].
В последние годы разработан широкий спектр миниатюрных гиперспектральных датчиков, доступных для коммерческого использования, таких как Micro- и Nano-Hyperspec (Headwall Photonics Inc., Бостон, Массачусетс, США), HySpex VNIR (HySpex, Skedsmo, Skjetten, Норвегия) и Fire-flEYE (Cubert GmbH, Ульм, Германия) [9]. Эти датчики могут быть установлены на пилотируемых или беспилотных воздушных платформах (например, самолетах, вертолетах и БПЛА) для получения гиперспектральных изображений и поддержки различных миссий мониторинга [10,11].
Существуют различные типы гиперспектральных камер, например, камеры с венчиком, камеры с метлой и фотоаппараты для моментальных снимков. Принцип измерения каждого типа сенсора зависит от его способности получать всю картинку (снимок) за один раз, одну линию изображения (метла-толкатель) или одну точку изображения (венчик) [12].
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).
Рисунок 1. Поиск и обработка гиперспектральных данных (ремастеринг из [14,15]). (A) Получение отраженного света гиперспектральной камерой, (B) куб гиперспектральных данных, (C) нормализация данных, (D) извлечение признаков, (E) автоматизация процесса классификации.
Гиперспектральное дистанционное зондирование позволяет получать изображения с очень высоким спектральным разрешением [16,17]. Такое высокое разрешение позволяет распознавать тонкие различия в состоянии растений. Такое многомерное пространство данных, генерируемое гиперспектральными сенсорами, породило новые подходы и методы анализа гиперспектральных данных [18,19].
В течение длительного времени использовались методы выделения признаков, позволяющие без потери (или с минимальной потерей) уменьшить размерность данных, на которой основана классификация гиперспектральных изображений [20]. Одним из наиболее широко используемых методов снижения размерности в HRS является анализ главных компонент (PCA). PCA вычисляет ортогональные проекции, которые максимизируют дисперсию данных, и выводит набор данных в новой, некоррелированной системе координат. К сожалению, информативность гиперспектральных изображений не всегда совпадает с такими проекциями [21]. Таким образом, для извлечения признаков используются и другие методы. К распространенным методам извлечения гиперспектральных данных, используемым в исследованиях, традиционно относятся PCA [22], производный анализ [23], вейвлет-методы и корреляционные графики [24]. Кроме того, данные гиперспектральных изображений могут быть обработаны на уровне изображения для извлечения либо только пространственного представления, либо объединенной пространственной спектральной информации. Если рассматривать только пространственные признаки, например, при изучении структурно-морфологических особенностей, то будут выделены пространственные закономерности между соседними пикселями по отношению к текущему пикселю на гиперспектральном изображении. Методы машинного зрения, такие как использование двумерной CNN с p x p фрагментом входных пиксельных данных, были реализованы для автоматической генерации высокоуровневых пространственных структур. Было показано, что извлечение пространственных характеристик в тандеме со спектральными элементами значительно повышает производительность модели. [25]. Использование пространственных спектральных характеристик может быть достигнуто с помощью двух подходов: (i) путем раздельного извлечения пространственных характеристик с помощью CNN [26,27] и объединения данных из спектрального экстрактора с использованием RNN или LSTM [27,28]; и (ii) путем использования трехмерных шаблонов в гиперспектральных кубах данных (p x p x b), связанных с
p x p пространственно смежных пикселей и b спектральных каналов, чтобы в полной мере использовать важные преимущества и характерные узоры. При подготовке данного обзора мы попытались определить, существует ли общий экспериментальный метод, с помощью которого можно добиться устойчивых результатов в выявлении болезней растений с помощью гиперспектрального дистанционного зондирования. Мы планировали выявить существующие пробелы и попытались найти решения для их устранения, проанализировав существующие публикации. Мы полагали, что основные пробелы могут быть связаны с биологическим аспектом экспериментов [29–31] и с неправильным определением и интерпретацией диапазонов волн, важных для выявления болезней растений, что также тесно связано с биологическими аспектами, а именно с физиологией и биохимией растений [31–34]. Рассматривая машинные методы анализа гиперспектральных данных, мы полагаем, что, несмотря на достижения таких методов, как ANN, SVM и других, их использование для выявления болезней растений с помощью HRS является лишь вопросом выбора методов автоматизации обработки данных. Таким образом, в данном обзоре мы не будем обсуждать преимущества или недостатки различных методов машинного обучения, тем более, что эти вопросы уже обсуждались другими авторами в [35–38] и других работах.
Теме обнаружения болезней растений с помощью HRS посвящено много работ, поэтому актуальной задачей является подготовка обзора гиперспектрального дистанционного зондирования Земли по тем статьям, авторы которых пытались решить проблему раннего выявления болезней растений как одну из ключевых задач совершенствования существующей IPM [39–42]. Раннее выявление болезней растений по ряду причин гораздо сложнее, чем их обнаружение на стадии видимых симптомов. Мы считаем, что знание методов выявления болезней растений на симптоматической стадии является основой для их раннего выявления на бессимптомной стадии. По этой причине мы включили эти статьи в обзор вместе со статьями о раннем выявлении болезней растений с помощью HRS.
Первичный поиск данных по теме раннего выявления болезней растений осуществлялся по следующим ключевым словам (гиперспектральный; болезни растений; вредители растений; ранний; обнаружение) в период с 2006 по 2021 гг. Наиболее важные данные, отобранные на основе анализа полученного опыта по теме, представлены в виде таблиц, завершающих каждый раздел обзора.
Выбор растительных культур, упомянутых в обзоре, был продиктован необходимостью достаточной выборки информации для анализа. Таким образом, проанализировав доступные статьи, мы остановили свой выбор на четырех культурах: масличная пальма, цитрусовые, растения семейства пасленовых и пшеница. Также будет упомянут ряд статей, посвященных раннему выявлению болезней различных сельскохозяйственных культур, но без детального анализа из-за отсутствия достаточной информации. Несмотря на то, что малое количество статей, посвященных культурам, отличным от масличной пальмы, цитрусовых, растений семейства пасленовых и пшеницы, сделало невозможным проведение глубокого изучения или выявление зависимостей в успешном или неудачном использовании HRS для раннего выявления болезней растений у других видов. Таким образом, целью статьи был анализ современного состояния гиперспектрального дистанционного зондирования Земли для раннего выявления болезней растений четырех различных типов культур: масличной пальмы, цитрусовых, растений семейства пасленовых и пшеницы. На наш взгляд, селекция этих видов растений представляет собой достаточно репрезентативную выборку для выявления основных преимуществ и недостатков HRS в отношении раннего выявления болезней растений с распространением на другие культуры.
Итак, основной задачей нашей статьи было доказать возможность раннего выявления болезней растений методом гиперспектрального дистанционного зондирования. Еще одно научное предположение, которое авторы пытались проверить, заключается в том, что спектральная отражательная способность (т.е. важные каналы) должна совпадать (возможно, с небольшими сдвигами) с теми же болезнями и растениями. Другой целью данного обзора была систематизация современных исследований, проводимых в области использования HRS для выявления, в первую очередь раннего выявления болезней растений. В рамках данного анализа обобщены имеющиеся результаты и выделены основные пробелы в области раннего выявления болезней растений с помощью HRS.
Остальная часть этого документа организована следующим образом. В разделе 2 подробно рассматривается современное состояние гиперспектрального дистанционного зондирования для раннего выявления болезней растений четырех типов растений ( раздел 2.1 для масличной пальмы, раздел 2.2 для цитрусовых, раздел 2.3 для семейства пасленовых, раздел 2.4 для пшеницы). Из-за недостатка информации для всестороннего анализа, все остальные культуры рассматриваются совместно в разделе 2.5. Раздел 2.6 является кратким изложением рецензируемых материалов. В разделе 3 обсуждаются найденные пробелы и проблемы, а выводы представлены в разделе 4.
2. Материалы и методы
1. Гиперспектральное дистанционное зондирование болезней масличной пальмы
Пальмовое масло используется по-разному и занимает лидирующие позиции среди других растительных масел на мировом рынке, поэтому очень важно бороться с вредителями и болезнями пальмового масла [43]. Их не так уж и много; тем не менее, они могут отрицательно сказаться на урожае пальмового масла [44]. В этом разделе выделены статьи по выявлению таких заболеваний с помощью HRS.
Наиболее важным заболеванием масличной пальмы является базальная стеблевая гниль (BSR), вызываемая Ganoderma boninense [45,46]. Это заболевание представляет собой серьезную угрозу устойчивому производству масличной пальмы, которая может снизить урожайность на 80% [47,48]. Ganoderma boninense способны разлагать лигнин до диоксида углерода и воды, а затем использовать целлюлозу в качестве питательных веществ для гриба, разрушая при этом растение-хозяина [49].
Lelong et al. изучили возможность различения нескольких уровней загрязнения грибом Ganoderma boninense по данным гиперспектральной отражательной способности кроны масличных пальм.
С помощью метода PLS-DA была достигнута глобальная точность исполнения 92–98% [50,51]. Shafri et al. исследовали возможность выявления болезней масличной пальмы с помощью HRS, а также применения различных вегетационных индексов к таким данным. Удалось достичь точности более 80% по различным показателям, однако был сделан вывод о том, что красные, реберные методы более эффективны, чем вегетационные индексы, в выявлении BSR-инфицированных масличных пальм [52–54]. В более поздних исследованиях была изучена возможность различения трех классов тяжести заболевания BSR (здоровые, легкие и тяжелые симптомы). Для различения тяжести BSR с переменной степенью успешности использовали набор данных гиперспектральных снимков различных расстояний [55]. В статье продолжена работа по разработке оптимального SVI для раннего выявления BSR в саженцах масличной пальмы. Авторы использовали наработки и опыт более ранних исследований; значимые и незначимые длины волн и индексы были выбраны из работ [52–55]. Затем длины волн были использованы для создания SVI для раннего обнаружения BSR. Результатом работы явилось определение наилучших показателей, предположительно наиболее подходящих для раннего выявления BSR у масличной пальмы [56]. В следующей статье авторы продолжили совершенствовать технологию, выполнив тщательный анализ гиперспектральных изображений с воздуха с использованием различных SVI, положения красных краев и удаления континуума [57].
Что касается раннего выявления BSR, то в 2014 г. Liaghat et al. впервые достигли этой цели. Авторы исследовали способность отражательной спектроскопии выявлять BSR на трех стадиях инфекции, и результаты подтвердили применимость спектроскопии VIS-NIR для классификации BSR-инфицированных листьев масличной пальмы из здоровых образцов на ранних стадиях инфекции. Целью работы являлась возможность выявления инфицированных масличных пальм на ранних стадиях, что было успешно достигнуто с общей точностью 97% (без ложноотрицательных результатов) при использовании классификационной модели на основе k-NN [58]. Ахмади и др. учитывали не только HRS, но и данные о погоде (температура, осадки и относительная влажность). Два набора данных были сгенерированы при разных погодных условиях, сухом и дождливом сезоне соответственно. Обработка данных осуществлялась с использованием различных ANN. Растения были разделены на четыре группы: здоровые и слабо-, средне- и тяжело зараженные. Удалось получить 100% точность классификации для слабо инфицированных образцов, у которых не проявлялись какие-либо видимые симптомы, тем самым достигнув цели раннего выявления BSR. Важным наблюдением является тот факт, что ANN показали лучшую эффективность в идентификации больных ладоней, чем здоровых, с замечанием, что, хотя исследуемые здоровые образцы не имели BSR, они, возможно, страдали от других заболеваний или стрессов, которые влияли на их спектральные свойства [59]. Azmi et al. использовали различные типы SVM для выявления симптомов заболевания. Следует отметить, что авторы изучили очень большое количество статей по теме и представили свои данные в виде сравнительной таблицы. В отличие от других исследований, где эксперименты проводились на плантации или питомнике масличных пальм, этот эксперимент проводился в теплице с искусственными, постоянными условиями. В этом исследовании коэффициент отражения в ближнем ИК-диапазоне показал значительные различия между привитыми Ganoderma boninense и здоровыми образцами. Инфекцию можно было обнаружить на ранней стадии даже при отсутствии физических симптомов заболевания с помощью SVM-классификаторов с разным числом диапазонов NIR. Было отмечено, что использование большого количества каналов обеспечивает высокую точность классификации, в то время как меньшее количество каналов дает несколько меньшую точность. Авторы предположили, что разработанный метод необходимо апробировать в открытой среде, чтобы подтвердить его надежность для использования в полевых условиях с учетом особенностей работы с углом солнечного света, тенью и погодными условиями [60].
Оранжевая пятнистость (OS) - еще одна болезнь масличной пальмы, вызываемая кокосом каданг-каданг-вироид (CCCV), который убил более 40 миллионов кокосовых пальм только на Филиппинах [61,62]. В настоящее время для масличных пальм это заболевание имеет второстепенное значение. Тем не менее, из-за его высокой вредоносности на кокосовых и других пальмах, он изучается для предотвращения эпифитотий масличной пальмы, которые CCCV может вызвать в будущем из-за возможных мутаций. Интересные результаты были получены Selvaraja et al., изучающими ОS на масличных пальмах. Используя набор данных HRS для различных SVI, авторы обнаружили, что ОS может быть обнаружен у симптоматических масличных пальм. В более раннем исследовании авторам удалось отличить масличные пальмы с калиевым стрессом от деревьев с ОS, что может быть полезно при управлении плантациями масличных пальм [63,64]. Другая группа авторов провела ряд исследований, в том числе опубликовала обзорную статью о различных ANN для выявления болезней растений с помощью HRS [36]. По тематике ОS авторами проведен и опубликован ряд исследований, посвященных выбору SVI и ANN для определения заболевания, а также содержанию хлорофилла в масштабе листьев пораженных растений. Гиперспектральные данные больных и здоровых сеянцев масличной пальмы были обработаны пятью различными ANN для оценки четырех индексов красных краев с последующим выделением спектральных каналов от красного края (680–780 нм), в результате чего точка перегиба красного края (на длине волны 700 нм) может служить хорошим индикатором стрессa растений, вызванный ОS, в проростках масличной пальмы [65,66]. Систематизация рассмотренных материалов представлена в таблице 1.
В течение длительного времени использовались методы выделения признаков, позволяющие без потери (или с минимальной потерей) уменьшить размерность данных, на которой основана классификация гиперспектральных изображений [20]. Одним из наиболее широко используемых методов снижения размерности в HRS является анализ главных компонент (PCA). PCA вычисляет ортогональные проекции, которые максимизируют дисперсию данных, и выводит набор данных в новой, некоррелированной системе координат. К сожалению, информативность гиперспектральных изображений не всегда совпадает с такими проекциями [21]. Таким образом, для извлечения признаков используются и другие методы. К распространенным методам извлечения гиперспектральных данных, используемым в исследованиях, традиционно относятся PCA [22], производный анализ [23], вейвлет-методы и корреляционные графики [24]. Кроме того, данные гиперспектральных изображений могут быть обработаны на уровне изображения для извлечения либо только пространственного представления, либо объединенной пространственной спектральной информации. Если рассматривать только пространственные признаки, например, при изучении структурно-морфологических особенностей, то будут выделены пространственные закономерности между соседними пикселями по отношению к текущему пикселю на гиперспектральном изображении. Методы машинного зрения, такие как использование двумерной CNN с p x p фрагментом входных пиксельных данных, были реализованы для автоматической генерации высокоуровневых пространственных структур. Было показано, что извлечение пространственных характеристик в тандеме со спектральными элементами значительно повышает производительность модели. [25]. Использование пространственных спектральных характеристик может быть достигнуто с помощью двух подходов: (i) путем раздельного извлечения пространственных характеристик с помощью CNN [26,27] и объединения данных из спектрального экстрактора с использованием RNN или LSTM [27,28]; и (ii) путем использования трехмерных шаблонов в гиперспектральных кубах данных (p x p x b), связанных с
p x p пространственно смежных пикселей и b спектральных каналов, чтобы в полной мере использовать важные преимущества и характерные узоры. При подготовке данного обзора мы попытались определить, существует ли общий экспериментальный метод, с помощью которого можно добиться устойчивых результатов в выявлении болезней растений с помощью гиперспектрального дистанционного зондирования. Мы планировали выявить существующие пробелы и попытались найти решения для их устранения, проанализировав существующие публикации. Мы полагали, что основные пробелы могут быть связаны с биологическим аспектом экспериментов [29–31] и с неправильным определением и интерпретацией диапазонов волн, важных для выявления болезней растений, что также тесно связано с биологическими аспектами, а именно с физиологией и биохимией растений [31–34]. Рассматривая машинные методы анализа гиперспектральных данных, мы полагаем, что, несмотря на достижения таких методов, как ANN, SVM и других, их использование для выявления болезней растений с помощью HRS является лишь вопросом выбора методов автоматизации обработки данных. Таким образом, в данном обзоре мы не будем обсуждать преимущества или недостатки различных методов машинного обучения, тем более, что эти вопросы уже обсуждались другими авторами в [35–38] и других работах.
Теме обнаружения болезней растений с помощью HRS посвящено много работ, поэтому актуальной задачей является подготовка обзора гиперспектрального дистанционного зондирования Земли по тем статьям, авторы которых пытались решить проблему раннего выявления болезней растений как одну из ключевых задач совершенствования существующей IPM [39–42]. Раннее выявление болезней растений по ряду причин гораздо сложнее, чем их обнаружение на стадии видимых симптомов. Мы считаем, что знание методов выявления болезней растений на симптоматической стадии является основой для их раннего выявления на бессимптомной стадии. По этой причине мы включили эти статьи в обзор вместе со статьями о раннем выявлении болезней растений с помощью HRS.
Первичный поиск данных по теме раннего выявления болезней растений осуществлялся по следующим ключевым словам (гиперспектральный; болезни растений; вредители растений; ранний; обнаружение) в период с 2006 по 2021 гг. Наиболее важные данные, отобранные на основе анализа полученного опыта по теме, представлены в виде таблиц, завершающих каждый раздел обзора.
Выбор растительных культур, упомянутых в обзоре, был продиктован необходимостью достаточной выборки информации для анализа. Таким образом, проанализировав доступные статьи, мы остановили свой выбор на четырех культурах: масличная пальма, цитрусовые, растения семейства пасленовых и пшеница. Также будет упомянут ряд статей, посвященных раннему выявлению болезней различных сельскохозяйственных культур, но без детального анализа из-за отсутствия достаточной информации. Несмотря на то, что малое количество статей, посвященных культурам, отличным от масличной пальмы, цитрусовых, растений семейства пасленовых и пшеницы, сделало невозможным проведение глубокого изучения или выявление зависимостей в успешном или неудачном использовании HRS для раннего выявления болезней растений у других видов. Таким образом, целью статьи был анализ современного состояния гиперспектрального дистанционного зондирования Земли для раннего выявления болезней растений четырех различных типов культур: масличной пальмы, цитрусовых, растений семейства пасленовых и пшеницы. На наш взгляд, селекция этих видов растений представляет собой достаточно репрезентативную выборку для выявления основных преимуществ и недостатков HRS в отношении раннего выявления болезней растений с распространением на другие культуры.
Итак, основной задачей нашей статьи было доказать возможность раннего выявления болезней растений методом гиперспектрального дистанционного зондирования. Еще одно научное предположение, которое авторы пытались проверить, заключается в том, что спектральная отражательная способность (т.е. важные каналы) должна совпадать (возможно, с небольшими сдвигами) с теми же болезнями и растениями. Другой целью данного обзора была систематизация современных исследований, проводимых в области использования HRS для выявления, в первую очередь раннего выявления болезней растений. В рамках данного анализа обобщены имеющиеся результаты и выделены основные пробелы в области раннего выявления болезней растений с помощью HRS.
Остальная часть этого документа организована следующим образом. В разделе 2 подробно рассматривается современное состояние гиперспектрального дистанционного зондирования для раннего выявления болезней растений четырех типов растений ( раздел 2.1 для масличной пальмы, раздел 2.2 для цитрусовых, раздел 2.3 для семейства пасленовых, раздел 2.4 для пшеницы). Из-за недостатка информации для всестороннего анализа, все остальные культуры рассматриваются совместно в разделе 2.5. Раздел 2.6 является кратким изложением рецензируемых материалов. В разделе 3 обсуждаются найденные пробелы и проблемы, а выводы представлены в разделе 4.
2. Материалы и методы
1. Гиперспектральное дистанционное зондирование болезней масличной пальмы
Пальмовое масло используется по-разному и занимает лидирующие позиции среди других растительных масел на мировом рынке, поэтому очень важно бороться с вредителями и болезнями пальмового масла [43]. Их не так уж и много; тем не менее, они могут отрицательно сказаться на урожае пальмового масла [44]. В этом разделе выделены статьи по выявлению таких заболеваний с помощью HRS.
Наиболее важным заболеванием масличной пальмы является базальная стеблевая гниль (BSR), вызываемая Ganoderma boninense [45,46]. Это заболевание представляет собой серьезную угрозу устойчивому производству масличной пальмы, которая может снизить урожайность на 80% [47,48]. Ganoderma boninense способны разлагать лигнин до диоксида углерода и воды, а затем использовать целлюлозу в качестве питательных веществ для гриба, разрушая при этом растение-хозяина [49].
Lelong et al. изучили возможность различения нескольких уровней загрязнения грибом Ganoderma boninense по данным гиперспектральной отражательной способности кроны масличных пальм.
С помощью метода PLS-DA была достигнута глобальная точность исполнения 92–98% [50,51]. Shafri et al. исследовали возможность выявления болезней масличной пальмы с помощью HRS, а также применения различных вегетационных индексов к таким данным. Удалось достичь точности более 80% по различным показателям, однако был сделан вывод о том, что красные, реберные методы более эффективны, чем вегетационные индексы, в выявлении BSR-инфицированных масличных пальм [52–54]. В более поздних исследованиях была изучена возможность различения трех классов тяжести заболевания BSR (здоровые, легкие и тяжелые симптомы). Для различения тяжести BSR с переменной степенью успешности использовали набор данных гиперспектральных снимков различных расстояний [55]. В статье продолжена работа по разработке оптимального SVI для раннего выявления BSR в саженцах масличной пальмы. Авторы использовали наработки и опыт более ранних исследований; значимые и незначимые длины волн и индексы были выбраны из работ [52–55]. Затем длины волн были использованы для создания SVI для раннего обнаружения BSR. Результатом работы явилось определение наилучших показателей, предположительно наиболее подходящих для раннего выявления BSR у масличной пальмы [56]. В следующей статье авторы продолжили совершенствовать технологию, выполнив тщательный анализ гиперспектральных изображений с воздуха с использованием различных SVI, положения красных краев и удаления континуума [57].
Что касается раннего выявления BSR, то в 2014 г. Liaghat et al. впервые достигли этой цели. Авторы исследовали способность отражательной спектроскопии выявлять BSR на трех стадиях инфекции, и результаты подтвердили применимость спектроскопии VIS-NIR для классификации BSR-инфицированных листьев масличной пальмы из здоровых образцов на ранних стадиях инфекции. Целью работы являлась возможность выявления инфицированных масличных пальм на ранних стадиях, что было успешно достигнуто с общей точностью 97% (без ложноотрицательных результатов) при использовании классификационной модели на основе k-NN [58]. Ахмади и др. учитывали не только HRS, но и данные о погоде (температура, осадки и относительная влажность). Два набора данных были сгенерированы при разных погодных условиях, сухом и дождливом сезоне соответственно. Обработка данных осуществлялась с использованием различных ANN. Растения были разделены на четыре группы: здоровые и слабо-, средне- и тяжело зараженные. Удалось получить 100% точность классификации для слабо инфицированных образцов, у которых не проявлялись какие-либо видимые симптомы, тем самым достигнув цели раннего выявления BSR. Важным наблюдением является тот факт, что ANN показали лучшую эффективность в идентификации больных ладоней, чем здоровых, с замечанием, что, хотя исследуемые здоровые образцы не имели BSR, они, возможно, страдали от других заболеваний или стрессов, которые влияли на их спектральные свойства [59]. Azmi et al. использовали различные типы SVM для выявления симптомов заболевания. Следует отметить, что авторы изучили очень большое количество статей по теме и представили свои данные в виде сравнительной таблицы. В отличие от других исследований, где эксперименты проводились на плантации или питомнике масличных пальм, этот эксперимент проводился в теплице с искусственными, постоянными условиями. В этом исследовании коэффициент отражения в ближнем ИК-диапазоне показал значительные различия между привитыми Ganoderma boninense и здоровыми образцами. Инфекцию можно было обнаружить на ранней стадии даже при отсутствии физических симптомов заболевания с помощью SVM-классификаторов с разным числом диапазонов NIR. Было отмечено, что использование большого количества каналов обеспечивает высокую точность классификации, в то время как меньшее количество каналов дает несколько меньшую точность. Авторы предположили, что разработанный метод необходимо апробировать в открытой среде, чтобы подтвердить его надежность для использования в полевых условиях с учетом особенностей работы с углом солнечного света, тенью и погодными условиями [60].
Оранжевая пятнистость (OS) - еще одна болезнь масличной пальмы, вызываемая кокосом каданг-каданг-вироид (CCCV), который убил более 40 миллионов кокосовых пальм только на Филиппинах [61,62]. В настоящее время для масличных пальм это заболевание имеет второстепенное значение. Тем не менее, из-за его высокой вредоносности на кокосовых и других пальмах, он изучается для предотвращения эпифитотий масличной пальмы, которые CCCV может вызвать в будущем из-за возможных мутаций. Интересные результаты были получены Selvaraja et al., изучающими ОS на масличных пальмах. Используя набор данных HRS для различных SVI, авторы обнаружили, что ОS может быть обнаружен у симптоматических масличных пальм. В более раннем исследовании авторам удалось отличить масличные пальмы с калиевым стрессом от деревьев с ОS, что может быть полезно при управлении плантациями масличных пальм [63,64]. Другая группа авторов провела ряд исследований, в том числе опубликовала обзорную статью о различных ANN для выявления болезней растений с помощью HRS [36]. По тематике ОS авторами проведен и опубликован ряд исследований, посвященных выбору SVI и ANN для определения заболевания, а также содержанию хлорофилла в масштабе листьев пораженных растений. Гиперспектральные данные больных и здоровых сеянцев масличной пальмы были обработаны пятью различными ANN для оценки четырех индексов красных краев с последующим выделением спектральных каналов от красного края (680–780 нм), в результате чего точка перегиба красного края (на длине волны 700 нм) может служить хорошим индикатором стрессa растений, вызванный ОS, в проростках масличной пальмы [65,66]. Систематизация рассмотренных материалов представлена в таблице 1.
Таблица 1. Раннее выявление болезни масличной пальмы с помощью HRS.
2. Гиперспектральное дистанционное зондирование болезней цитрусовых
Цитрусовые, которые выращиваются более чем в 75 странах мира, являются важной коммерческой культурой. Наиболее опасными заболеваниями в цитрусовой промышленности являются бактериальный рак цитрусовых (CBC), вызываемый Xanthomonas citri [67,68], и болезнь позеленения цитрусовых, также известная как Huanglongbing (HLB), в первую очередь вызываемая бактерией Candidatus liberibacter spp., распространяемой насекомыми [69]. Эти бактерии препятствуют снабжению цитрусовых деревьев питательными веществами до тех пор, пока зараженные деревья не погибнут. Методы диагностики HLB в основном основаны на генетических методологиях, таких как PCR. Эффективного и экологически чистого метода лечения пока не найдено, и единственной мерой замедления или уменьшения дальнейшего заражения является уничтожение пораженных деревьев [70–72].
Различными авторами опубликован ряд статей, посвященных определению HLB с помощью HRS. Sankaran et al. использовали портативные галогенные лампы, установленные на платформе, чтобы обеспечить дополнительное освещение листьев цитрусовых в исследованиях HLB на открытом воздухе [73,74]. После нескольких исследований авторы достигли средней общей точности классификации 87% при минимальном количестве ложноотрицательных результатов, используя SVM для анализа набора данных здоровых и больных образцов [75]. В качестве дополнительного фактора упоминалось влияние ветра и наличие в пологе листьев, инфицированных HLB, что приводило к некоторым спектральным вариациям [73]. Li et al. использовали положение красного края в полевых и лабораторных экспериментах на сортах апельсина Валенсия и Хэмлин, чтобы добиться заметной разницы между здоровыми и поврежденными HLB кронами. Набор данных в помещении достиг более высокой точности, чем набор данных на открытом воздухе (около 95% против примерно 90%) из-за лучшей среды и большего количества выборок. В целом, различные спектральные анализы различных наборов данных были достигнуты с точностью от 43 до 95% [76]. Kumar et al. получили более точные результаты при использовании мультиспектральной, а не гиперспектральной камеры (точность 87% против 80%). Метод MTMF оказался наиболее успешным для гиперспектральных изображений, как и метод SAM для мультиспектральных [77]. Weng et al. описали классификационные модели для здоровых, HLB-инфицированных (бессимптомных и симптоматических) и с дефицитом питательных веществ листьев цитрусовых сортов Unshiu и Ponkan, которые достигли точности 90,2%, 96,0% и 92,6% для прохладного сезона, жаркого сезона и всего периода соответственно с использованием LS-SVM. Авторами продемонстрирована возможность получения гиперспектральной отраженной визуализации в сочетании с анализом углеводного обмена цитрусовых для выявления HLB в разные сезоны и сорта. Классификационная модель, разработанная для набора данных сорта Сацума, была успешно использована для детектирования HLB сорта Понкан методом переноса калибровочной модели и позволила получить общую точность обнаружения 93,5% при низком уровне ложноотрицательных результатов [78].
Наибольших успехов в раннем выявлении HLB добились Deng et al., проведенные в исследовании по раннему недеструктивному выявлению и классификации HLB цитрусовых [79–83]. В ходе исследования удалось предоставить три модели ранней диагностики и классификации заболевания HLB с использованием метода PLS-DA, протестированного со стратегией перекрестной валидации. В третьей модели, созданной на основе предварительно обработанных данных спектрального отражения Савицкого-Голея, методы сглаживания и первой производной имели наилучшую дискриминацию, которая достигла точности предсказания не менее 92% на пяти видах образцов листьев и общей точности классификации 96,4%. В последующих работах авторы использовали несколько алгоритмов машинного обучения (логистическая регрессия, дерево решений, SVM, k-NN, LDA и ансамблевое обучение) для различения групп здоровых и HLB-инфицированных (симптоматических и бессимптомных) образцов на основе отражательной способности листьев. В классификации по трем группам (здоровые и симптоматические/бессимптомные листья HLB) точность SVM составила 90,8%, в то время как в классификации по двум группам (здоровые и симптоматические листья HLB) точность достигла 96%. Результаты показали, что малое количество каналов недостаточно для устойчивой классификации; при этом 13 характеристических каналов, выявленных предложенным методом, обеспечили наилучшие характеристики. Команда продолжила исследование, изучив возможность определения HLB с помощью двух разных гиперспектральных камер, установленных на БПЛА. Точность классификации HLB на уровне пикселей составила 99,33% для обучающей выборки и 99,72% для проверочной выборки.
Также есть два интересных исследования по успешному (с точностью 96–100%) раннему выявлению кариеса у цитрусовых с помощью HRS. Повреждение плодов, о котором идет речь в этих публикациях, было вызвано грибком Penicillium digitatum. Несмотря на то, что эта тема больше относится к послеуборочным хранениям урожая, чем к болезням растений, мы сочли нужным упомянуть эти статьи [84,85]. Систематизация рассмотренных материалов представлена в таблице 2.
3. Гиперспектральное дистанционное зондирование болезней растений пасленовых
Семейство пасленовых, в которое входят томаты, картофель, табак, перец и другие культуры, является одной из самых распространенных овощных культур, как в теплицах, так и в открытом грунте. Существует ряд заболеваний, поражающих эти культуры, таких как ранний и фитофтороз [86,87], различные вирусы [88,89], бактериальная и целевая пятнистость [90] и другие, которые могут привести к серьезным потерям урожая. В связи с высокой экономической вредоносностью этих заболеваний, очень важно выявлять их на ранних стадиях, чтобы применять своевременные и правильные меры борьбы. В этом разделе освещаются статьи по выявлению таких заболеваний с помощью HRS, в том числе по их раннему выявлению.
Цитрусовые, которые выращиваются более чем в 75 странах мира, являются важной коммерческой культурой. Наиболее опасными заболеваниями в цитрусовой промышленности являются бактериальный рак цитрусовых (CBC), вызываемый Xanthomonas citri [67,68], и болезнь позеленения цитрусовых, также известная как Huanglongbing (HLB), в первую очередь вызываемая бактерией Candidatus liberibacter spp., распространяемой насекомыми [69]. Эти бактерии препятствуют снабжению цитрусовых деревьев питательными веществами до тех пор, пока зараженные деревья не погибнут. Методы диагностики HLB в основном основаны на генетических методологиях, таких как PCR. Эффективного и экологически чистого метода лечения пока не найдено, и единственной мерой замедления или уменьшения дальнейшего заражения является уничтожение пораженных деревьев [70–72].
Различными авторами опубликован ряд статей, посвященных определению HLB с помощью HRS. Sankaran et al. использовали портативные галогенные лампы, установленные на платформе, чтобы обеспечить дополнительное освещение листьев цитрусовых в исследованиях HLB на открытом воздухе [73,74]. После нескольких исследований авторы достигли средней общей точности классификации 87% при минимальном количестве ложноотрицательных результатов, используя SVM для анализа набора данных здоровых и больных образцов [75]. В качестве дополнительного фактора упоминалось влияние ветра и наличие в пологе листьев, инфицированных HLB, что приводило к некоторым спектральным вариациям [73]. Li et al. использовали положение красного края в полевых и лабораторных экспериментах на сортах апельсина Валенсия и Хэмлин, чтобы добиться заметной разницы между здоровыми и поврежденными HLB кронами. Набор данных в помещении достиг более высокой точности, чем набор данных на открытом воздухе (около 95% против примерно 90%) из-за лучшей среды и большего количества выборок. В целом, различные спектральные анализы различных наборов данных были достигнуты с точностью от 43 до 95% [76]. Kumar et al. получили более точные результаты при использовании мультиспектральной, а не гиперспектральной камеры (точность 87% против 80%). Метод MTMF оказался наиболее успешным для гиперспектральных изображений, как и метод SAM для мультиспектральных [77]. Weng et al. описали классификационные модели для здоровых, HLB-инфицированных (бессимптомных и симптоматических) и с дефицитом питательных веществ листьев цитрусовых сортов Unshiu и Ponkan, которые достигли точности 90,2%, 96,0% и 92,6% для прохладного сезона, жаркого сезона и всего периода соответственно с использованием LS-SVM. Авторами продемонстрирована возможность получения гиперспектральной отраженной визуализации в сочетании с анализом углеводного обмена цитрусовых для выявления HLB в разные сезоны и сорта. Классификационная модель, разработанная для набора данных сорта Сацума, была успешно использована для детектирования HLB сорта Понкан методом переноса калибровочной модели и позволила получить общую точность обнаружения 93,5% при низком уровне ложноотрицательных результатов [78].
Наибольших успехов в раннем выявлении HLB добились Deng et al., проведенные в исследовании по раннему недеструктивному выявлению и классификации HLB цитрусовых [79–83]. В ходе исследования удалось предоставить три модели ранней диагностики и классификации заболевания HLB с использованием метода PLS-DA, протестированного со стратегией перекрестной валидации. В третьей модели, созданной на основе предварительно обработанных данных спектрального отражения Савицкого-Голея, методы сглаживания и первой производной имели наилучшую дискриминацию, которая достигла точности предсказания не менее 92% на пяти видах образцов листьев и общей точности классификации 96,4%. В последующих работах авторы использовали несколько алгоритмов машинного обучения (логистическая регрессия, дерево решений, SVM, k-NN, LDA и ансамблевое обучение) для различения групп здоровых и HLB-инфицированных (симптоматических и бессимптомных) образцов на основе отражательной способности листьев. В классификации по трем группам (здоровые и симптоматические/бессимптомные листья HLB) точность SVM составила 90,8%, в то время как в классификации по двум группам (здоровые и симптоматические листья HLB) точность достигла 96%. Результаты показали, что малое количество каналов недостаточно для устойчивой классификации; при этом 13 характеристических каналов, выявленных предложенным методом, обеспечили наилучшие характеристики. Команда продолжила исследование, изучив возможность определения HLB с помощью двух разных гиперспектральных камер, установленных на БПЛА. Точность классификации HLB на уровне пикселей составила 99,33% для обучающей выборки и 99,72% для проверочной выборки.
Также есть два интересных исследования по успешному (с точностью 96–100%) раннему выявлению кариеса у цитрусовых с помощью HRS. Повреждение плодов, о котором идет речь в этих публикациях, было вызвано грибком Penicillium digitatum. Несмотря на то, что эта тема больше относится к послеуборочным хранениям урожая, чем к болезням растений, мы сочли нужным упомянуть эти статьи [84,85]. Систематизация рассмотренных материалов представлена в таблице 2.
3. Гиперспектральное дистанционное зондирование болезней растений пасленовых
Семейство пасленовых, в которое входят томаты, картофель, табак, перец и другие культуры, является одной из самых распространенных овощных культур, как в теплицах, так и в открытом грунте. Существует ряд заболеваний, поражающих эти культуры, таких как ранний и фитофтороз [86,87], различные вирусы [88,89], бактериальная и целевая пятнистость [90] и другие, которые могут привести к серьезным потерям урожая. В связи с высокой экономической вредоносностью этих заболеваний, очень важно выявлять их на ранних стадиях, чтобы применять своевременные и правильные меры борьбы. В этом разделе освещаются статьи по выявлению таких заболеваний с помощью HRS, в том числе по их раннему выявлению.
Таблица 2. Раннее выявление болезней цитрусовых с помощью HRS.
Успешные исследования по определению патогенного состояния растений томата с помощью гиперспектрального зондирования были проведены рядом научных групп из разных стран. Lu et al. изучали вирус желтой курчавости листьев и фитофтороз, вызываемый Phytophthora infestans, целевую пятнистость, вызываемую Corynespora cassicola, и бактериальную пятнистость, вызываемую Xanthomonas perforans, на листьях томатов в лабораторных условиях, используя несколько спектральных вегетационных индексов, выбранных PCA, и достигли точности до 100%, включая раннее обнаружение [91,92]. Polder et al. исследовали возможность обнаружения вируса картофеля Y (PVY) методом CNN и достигли точности 75–92% [93]. Griffel et al. использовали метод классификации PLS-DA и SVM для достижения 89,9% точности детектирования PVY [94]. Van De Vijver et al. изучили ранний фитофтороз, вызванный Alternaria solani, у сорта картофеля Бинтье со спектральным анализом и достигли точности до 92% [95]. Abdulridha et al. изучили желтую курчавость листьев, целевую пятнистость и бактериальную пятнистость листьев томатов сортов Чарджер и FL-47 в полевых и лабораторных условиях, используя различные вегетационные индексы, и получили точность 94–100% для определения различных болезней друг от друга и 98–100% для определения здоровых растений от больных [96,97]. Zhang et al. исследовали фитофтороз на картофеле с помощью обработки изображений HS с помощью MNF и SAM и успешно обнаружили болезнь с неизвестной точностью [98]. Fernandez et al. изучали фитофтороз на картофеле сорта Shepody с различными спектральными индексами, примененными в диапазоне 400–900 нм, и достигли точности 85–91% [99], и использовали тот же метод в диапазонах с красным краем (660–780 нм) с точностью 89% [100]. Крежова и др. использовали методы статистического и производного анализа выявить вирус пятнистого увядания томатов (TSWV) на сорте табака Самсун NN. На бессимптомной стадии различия в спектрах отражения были статистически значимыми [101]. Xie et al. обнаружили ранний и поздний фитофтороз [102] и серую гниль [103] на листьях томатов сорта Жеза 809. Они использовали классификатор ELM для фитофтороза и модель k-NN для серой гнили, причем первая достигла точности от 94 до 100%, в то время как точность от 44 до 66% была достигнута для обнаружения бессимптомных листьев томатов, пораженных серой гнилью, через 1 день после инокуляции.
Всем авторам удалось добиться устойчивого определения симптомов заболеваний в видимых стадиях. Большая часть экспериментов проводилась в полевых условиях. Отдельно следует отметить статьи [96,97], так как полевые опыты в этих исследованиях дублировались лабораторными, как рекомендовано в [29–31], и мы полагаем, что именно поэтому авторы добились наилучших результатов в точности определения как различных заболеваний, так и различий между здоровыми и больными растениями.
Wang et al. представили два исследования по раннему выявлению TSWV на сладком перце с помощью анализа данных HRS, проведенного CNN. В первом исследовании авторы обрабатывали гиперспектральные снимки, сделанные камерой в диапазоне 400–1000 нм в лабораторных условиях с новой архитектурой GAN, получившей название OR-AC-GAN. Для классификации на уровне пикселей частота ложноположительных результатов составила 1,47% для здоровых растений [104,105]. Во втором исследовании OR-AC-GAN был усовершенствован и достиг результата с точностью 96,25% в раннем выявлении TSWV до появления видимых симптомов. Статистические результаты предложенной модели OR-AC-GAN превосходили результаты прямой модели CNN и модели AC-GAN [105]. Gu et al. также успешно обнаружили TSWV на табаке на ранних стадиях, используя три метода выбора длины волн (SPA, BRT и GA) и четыре метода машинного обучения (BRT, SVM, RF и CART). Среди выбранных каналов большинство было расположено в области ближнего ИК-диапазона (780–1000 нм). Модели, построенные по алгоритму БРТ с использованием длин волн, выбранных SPA, показали наилучшую общую точность 85,2% [106]. Zhu et al. изучали вирус табачной мозаики (TMV) на табаке сорта MS Yunyan 87. Показано, что выявление TMV в диапазоне длин волн от 450 до 1000 нм возможно с использованием различных алгоритмов машинного обучения: SVM, BPNN, ELM, LS-SVM, PLS-DA, LDA и RF. Большинство классификационных моделей показали приемлемые результаты, при этом уровень идентификации превысил 85%. Различие между здоровыми и больными табачными листьями привело к точности классификации до 95% с моделями BPNN и ELM. [107,108]. Morellos et al. изучали раннее выявление вируса хлороза томатов (ToCV) в растениях томатов сорта Белладонна. Алгоритм NCA был использован для эффективного выбора длин волн и наиболее важного выбора SVI. Сеть XY-F и MLP–ARD ANN выявили инфекцию ToCV и уровень ее тяжести, набрав общую точность более 85%, при этом MLP-ARD в целом работала лучше, чем XY-F [109].
Bienkowski et al. изучили возможность раннего выявления фитофтороза и черной ножки, а также различных болезней, передающихся через почву (R. solani, C. coccodes и S. subterranea ) на пяти различных сортах картофеля: Maris Piper, Estima, King Edward, Desiree и Mayan Gold, используя PLS и BPNN в тепличных и полевых экспериментах. К сожалению, авторы не уточнили фенотипические и генотипические различия сортов, а также наличие различий в важных длинах волн для каждого сорта. Модели выявляли и различали заболевания с явными симптомами, даже бессимптомными, правильно классифицируя спектры из тепличных экспериментов с точностью 84,6%. Когда болезни анализировались по отдельности, модели смогли различить здоровые и бессимптомные листья спектра, а также три вида фитофтороза с точностью 92%. Модели, построенные на основе данных об отражательной способности всего завода с поля, имели меньшую точность [110].
Franceschini et al. изучили раннюю и позднюю диагностику фитофтороза у трех различных сортов томатов, Raja, Connect и Carolus, с разной степенью устойчивости к фитофторозу. Использовались как данные БПЛА, так и наземные данные, в том числе анализ содержания хлорофилла в листьях и высоты кроны. Важные каналы были выбраны в связи с их важностью для описания изменений биохимических и биофизических признаков растительности на уровне листьев и полога.
Установлено, что взаимосвязь содержания пигмента в листьях и растительности менее важна, чем изменения, связанные со структурными особенностями. Выявлены значительные спектральные изменения, связанные с фитофторозом на ранних стадиях, на 2,5-5,0% площади пораженного листа. Авторы отметили, что характеристики различных сортов картофеля потенциально могут влиять на спектральный отклик, и рекомендуют учитывать это в будущих исследованиях [111].
Голд и др. исследовали досимптоматическое выявление и дифференциацию фитофтороза и раннего фитофтороза картофеля на четырех различных сортах картофеля: Катадин, Сноуден, SP951 и красновато-коричневый Бербанк. Авторы отмечают, что особенности сорта оказывают сильное влияние на спектральную отражательную способность, но не только на видимый диапазон отражения. Сорта отличались биохимическими и физиологическими показателями на разных временных стадиях заболевания. Спектральная реакция четырех сортов картофеля на инфекцию была очень различной, но у них были важные общие черты, облегчающие различение. Используя подходы RF, PLS-DA, PCoA и NDSI, авторы смогли различить зараженные растения с точностью более 80% за два–четыре дня до появления видимых симптомов. Отдельные стадии развития заболевания для каждого возбудителя можно было выделить из соответствующих контрольных образцов с точностью 89–95%. Авторы сообщили, что они могут отличить латентную инфессию Phytophthora infestans как от латентной, так и от симптоматической инфекции Alternaria solani с точностью более 75%. Спектральные характеристики, важные для выявления фитофтороза, изменялись во время заражения, в то время как спектральные характеристики, важные для детекции раннего фитофтороза, оставались неизменными, отражая различные биологические характеристики соответствующих патогенов. Авторы отметили, что концентрация фенольных соединений может быть важна для выявления симптоматических поздних и ранних инфекций фитофтороза. Наконец, авторы сообщили, что, по их мнению, это исследование устанавливает, что генотип хозяина оказывает значительное влияние на спектральную отражательную способность и, следовательно, на биохимические и физиологические характеристики растений, подверженных заражению патогенами. [112,113]. Систематизация рассмотренных материалов представлена в таблице 3.
Всем авторам удалось добиться устойчивого определения симптомов заболеваний в видимых стадиях. Большая часть экспериментов проводилась в полевых условиях. Отдельно следует отметить статьи [96,97], так как полевые опыты в этих исследованиях дублировались лабораторными, как рекомендовано в [29–31], и мы полагаем, что именно поэтому авторы добились наилучших результатов в точности определения как различных заболеваний, так и различий между здоровыми и больными растениями.
Wang et al. представили два исследования по раннему выявлению TSWV на сладком перце с помощью анализа данных HRS, проведенного CNN. В первом исследовании авторы обрабатывали гиперспектральные снимки, сделанные камерой в диапазоне 400–1000 нм в лабораторных условиях с новой архитектурой GAN, получившей название OR-AC-GAN. Для классификации на уровне пикселей частота ложноположительных результатов составила 1,47% для здоровых растений [104,105]. Во втором исследовании OR-AC-GAN был усовершенствован и достиг результата с точностью 96,25% в раннем выявлении TSWV до появления видимых симптомов. Статистические результаты предложенной модели OR-AC-GAN превосходили результаты прямой модели CNN и модели AC-GAN [105]. Gu et al. также успешно обнаружили TSWV на табаке на ранних стадиях, используя три метода выбора длины волн (SPA, BRT и GA) и четыре метода машинного обучения (BRT, SVM, RF и CART). Среди выбранных каналов большинство было расположено в области ближнего ИК-диапазона (780–1000 нм). Модели, построенные по алгоритму БРТ с использованием длин волн, выбранных SPA, показали наилучшую общую точность 85,2% [106]. Zhu et al. изучали вирус табачной мозаики (TMV) на табаке сорта MS Yunyan 87. Показано, что выявление TMV в диапазоне длин волн от 450 до 1000 нм возможно с использованием различных алгоритмов машинного обучения: SVM, BPNN, ELM, LS-SVM, PLS-DA, LDA и RF. Большинство классификационных моделей показали приемлемые результаты, при этом уровень идентификации превысил 85%. Различие между здоровыми и больными табачными листьями привело к точности классификации до 95% с моделями BPNN и ELM. [107,108]. Morellos et al. изучали раннее выявление вируса хлороза томатов (ToCV) в растениях томатов сорта Белладонна. Алгоритм NCA был использован для эффективного выбора длин волн и наиболее важного выбора SVI. Сеть XY-F и MLP–ARD ANN выявили инфекцию ToCV и уровень ее тяжести, набрав общую точность более 85%, при этом MLP-ARD в целом работала лучше, чем XY-F [109].
Bienkowski et al. изучили возможность раннего выявления фитофтороза и черной ножки, а также различных болезней, передающихся через почву (R. solani, C. coccodes и S. subterranea ) на пяти различных сортах картофеля: Maris Piper, Estima, King Edward, Desiree и Mayan Gold, используя PLS и BPNN в тепличных и полевых экспериментах. К сожалению, авторы не уточнили фенотипические и генотипические различия сортов, а также наличие различий в важных длинах волн для каждого сорта. Модели выявляли и различали заболевания с явными симптомами, даже бессимптомными, правильно классифицируя спектры из тепличных экспериментов с точностью 84,6%. Когда болезни анализировались по отдельности, модели смогли различить здоровые и бессимптомные листья спектра, а также три вида фитофтороза с точностью 92%. Модели, построенные на основе данных об отражательной способности всего завода с поля, имели меньшую точность [110].
Franceschini et al. изучили раннюю и позднюю диагностику фитофтороза у трех различных сортов томатов, Raja, Connect и Carolus, с разной степенью устойчивости к фитофторозу. Использовались как данные БПЛА, так и наземные данные, в том числе анализ содержания хлорофилла в листьях и высоты кроны. Важные каналы были выбраны в связи с их важностью для описания изменений биохимических и биофизических признаков растительности на уровне листьев и полога.
Установлено, что взаимосвязь содержания пигмента в листьях и растительности менее важна, чем изменения, связанные со структурными особенностями. Выявлены значительные спектральные изменения, связанные с фитофторозом на ранних стадиях, на 2,5-5,0% площади пораженного листа. Авторы отметили, что характеристики различных сортов картофеля потенциально могут влиять на спектральный отклик, и рекомендуют учитывать это в будущих исследованиях [111].
Голд и др. исследовали досимптоматическое выявление и дифференциацию фитофтороза и раннего фитофтороза картофеля на четырех различных сортах картофеля: Катадин, Сноуден, SP951 и красновато-коричневый Бербанк. Авторы отмечают, что особенности сорта оказывают сильное влияние на спектральную отражательную способность, но не только на видимый диапазон отражения. Сорта отличались биохимическими и физиологическими показателями на разных временных стадиях заболевания. Спектральная реакция четырех сортов картофеля на инфекцию была очень различной, но у них были важные общие черты, облегчающие различение. Используя подходы RF, PLS-DA, PCoA и NDSI, авторы смогли различить зараженные растения с точностью более 80% за два–четыре дня до появления видимых симптомов. Отдельные стадии развития заболевания для каждого возбудителя можно было выделить из соответствующих контрольных образцов с точностью 89–95%. Авторы сообщили, что они могут отличить латентную инфессию Phytophthora infestans как от латентной, так и от симптоматической инфекции Alternaria solani с точностью более 75%. Спектральные характеристики, важные для выявления фитофтороза, изменялись во время заражения, в то время как спектральные характеристики, важные для детекции раннего фитофтороза, оставались неизменными, отражая различные биологические характеристики соответствующих патогенов. Авторы отметили, что концентрация фенольных соединений может быть важна для выявления симптоматических поздних и ранних инфекций фитофтороза. Наконец, авторы сообщили, что, по их мнению, это исследование устанавливает, что генотип хозяина оказывает значительное влияние на спектральную отражательную способность и, следовательно, на биохимические и физиологические характеристики растений, подверженных заражению патогенами. [112,113]. Систематизация рассмотренных материалов представлена в таблице 3.
Таблица 3. Раннее выявление болезни пасленовых с помощью HRS.
4. Гиперспектральное дистанционное зондирование болезней пшеницы
В мировом сельском хозяйстве пшеница занимает ведущее место, она возделывается почти повсеместно и имеет большое значение для населения всего земного шара. Существует ряд вредоносных заболеваний, в основном микромицетарного происхождения, поражающих эту культуру, таких как парша, вызываемая Fusarium graminearum и другими видами Fusarium spp., желтая ржавчина, вызываемая Puccinia striiformis, бурая ржавчина, вызываемая Puccinia triticina, мучнистая роса, вызываемая Blumeria graminis f. сп. tritici и другие, что может привести к серьезным потерям урожая [114–116]. В связи с важностью пшеницы существует множество статей, посвященных выявлению ее болезней с помощью HRS. В этом обзоре мы сосредоточимся на статьях, описывающих наиболее изученные болезни одной культуры, а именно фузариоз колоса пшеницы (FHB) и желтую ржавчину пшеницы (YR).
FHB или парша является серьезным заболеванием зерновых культур, таких как пшеница, рожь, ячмень и овес, которое может поражать и другие культуры [117,118]. Пораженные зерна быстро теряют массу и сжимаются, что приводит к большим потерям урожая и снижению качества [119–121]. Грибы рода Fusarium могут продуцировать опасные микотоксины, вредные для человека и животных. Эти микотоксины накапливаются в живых организмах и могут попадать в рацион человека по пищевой цепи [122,123]. В связи с высокой экономической и медицинской вредностью данного заболевания, очень важно выявить его на ранних стадиях, чтобы применить своевременный и правильный контроль системы однородных пластов. В роде Fusarium много видов, и их влияние на растения-хозяева существенно различается в разных средах, что усложняет задачу их определения. Исследования по определению FHB на пшенице с помощью HRS были проведены рядом научных групп из разных стран. Delwiche et al. впервые изучили обнаружение FHB у трех различных сортов пшеницы: Грандин, Ганнер и др, достигнув точности обнаружения 83–98%. Модели, разработанные только для одного сорта, оказались бесполезными при применении к другим сортам [124]. Barbedo et al. определили FHB (F. graminearum и F. meridionale) на зернах пшеницы с точностью более 91% [125]. Mahlein et al. изучили заражение F. graminearum, изолятом S.19 и изолятом F. culmorum 3.37 на семи различных сортах пшеницы, которые имели различную устойчивость к заболеванию: Thasos, Triso, Passat, Scirocco, Chamsin, Taifun и Sonett (Описательный список сортов, Bundessortenamt, Германия, 2017 г.). С помощью SVM удалось не только дифференцировать здоровые и инфицированные образцы с точностью более 76%, но и дифференцировать F. graminearum и F. culmorum. Авторы сочли возможным использовать HRS для фенотипирования устойчивости пшеницы к FHB [126,127]. Ma et al. применили CWA для обнаружения F. graminearum и получили общую точность 88,7% [128]. Huang et al. получили точность обнаружения 75% с помощью SVM, оптимизированной с помощью генетического алгоритма, используя корреляционный анализ и вейвлет-преобразование для выбора важных каналов, вегетационных индексов и вейвлет-признаков [24]. Zhang et al. разработали новый индекс фузариозной болезни (FDI) после определения наилучшего индекса из существующих индексов с помощью регрессии PLS, достигнув точности 89,8 при обнаружении F. graminearum [129,130]. Whetton et al. изучали FHB в лаборатории и в полевых условиях на сорте пшеницы Solstice, используя
PLSR для определения FHB по желтой ржавчине пшеницы и ячменя [131,132].
Baurigel et al. определили F. culmorum на ранних стадиях на сорте пшеницы Taifun. Спектры больных и здоровых тканей колоса пшеницы дифференцировали с помощью РСА. Авторы заметили, что спектральные изменения в процессе развития заболевания обусловлены различиями в содержании каротиноидов (500–533 нм) и, особенно, хлорофиллов (560–675 нм и 682–733 нм). Кроме того, спектральные вариации в диапазоне 927–931 нм отражали различия в содержании воды в тканях здоровых и больных тканей растений. Было отмечено, что выявление FHB на самых ранних стадиях невозможно из-за отсутствия симптомов. Тем не менее, на более поздних стадиях удалось обнаружить FHB методом SAM с точностью 91%. Средняя точность обнаружения составила 67% за весь период исследования (BBCH 65–89) [133].
Желтая ржавчина зерновых культур является опасным заболеванием, которое может привести к снижению урожайности более чем на 60% из-за вспышек. Возбудителем YR является гриб Puccinia striiformis west, который поражает более 20 видов культурных и дикорастущих злаков, в том числе пшеницу, рожь, тритикале, ячмень и другие. До недавнего времени заболевание имело региональное значение во всем мире. В 2000 г. ареал возбудителя расширился, а его вредоносность возросла [134–137]. В настоящее время эпидемии YR могут привести к чрезвычайно серьезным потерям урожая. Очень важно выявлять YR на ранних стадиях, чтобы своевременно и правильно применять меры борьбы [138,139].
Существует множество исследований, посвященных определению YR пшеницы с помощью HRS, которые были проведены рядом исследовательских групп из разных стран. Huang et al. использовали PRI для обнаружения желтой ржавчины у трех различных сортов пшеницы, Jing 411, 98–100 и Xuezao, все они по-разному устойчивы к желтой ржавчине [140]. Zhang et al. изучили еще три сорта, Jingdong8, Jing9428 и Zhongyou9507, и проанализировали взаимосвязь между питательным стрессом и повреждением желтой ржавчиной, в результате чего PhRI является единственным индексом, чувствительным к желтой ржавчине на всех стадиях роста [141]. Кришна и др. использовали PLS, ANOVA и MLR для определения важных каналов и обнаружения желтой ржавчины с точностью 92–96%. Показано, что посевы пшеницы, пораженные желтой ржавчиной, имеют различные симптомы и различные спектры по сравнению со здоровыми [142]. Zhang et al. применили DCNN и RF к данным БПЛА, при этом идентификация больных и здоровых растений осуществлялась путем оценки данных NDVI с общей точностью 85% [143]. Guo et al. использовали SVI (NRI, PHRI, GI и ARI), а также спектральные и текстурные особенности гиперспектральных изображений для обнаружения YR у сорта пшеницы Mingxian 169, который умеренно восприимчив к YR. Были выбраны важные группы со SPA. При исследовании YR пшеницы с помощью БПЛА пространственное разрешение оказывало меньшее влияние на методы SVI, но существенно влияло на методы, основанные на TF. Суммарная точность выявления YR в обоих исследованиях составила до 95,8% [144,145]. Whetton et al. изучали YR в лаборатории и в полевых условиях на сорте пшеницы Solstice с использованием PLSR для определения FHB по желтой ржавчине пшеницы и ячменя [131,132].
Раннее обнаружение пшеницы YR было достигнуто Bohnenkamp et al., которые использовали две платформы с двумя разными гиперспектральными камерами: наземным аппаратом (высота 1–2 м) и БПЛА (высота 20 м). Данные по сорту JB Asano, восприимчивому к YR, и сорту Bussard были проанализированы с помощью SAM и SVM для определения YR пшеницы. Наиболее интересным моментом в данном исследовании стало сопоставление гиперспектральных данных полога пшеницы в масштабах земли и БПЛА [146]. В другом исследовании Bohnenkamp et al. рассмотрели интерпретируемое разложение смеси спектрального отражения в контролируемых лабораторных условиях, изучая метод обнаружения и различения коричневой ржавчины и желтой ржавчины на листьях сортов пшеницы Taifun и Catargo. В данном исследовании авторы применили очень интересный подход к выявлению спектральных портретов самих возбудителей, изучив возможность обнаружения YR uredinium на поверхности листа пшеницы, что позволило обнаружить заболевание на ранней стадии [147].
Zheng et al. также смогли решить проблему раннего обнаружения YR, продолжив исследования из [140] на сортах Jing 411, 98–100 и Xuezao, каждый из которых по-разному устойчив к желтой ржавчине, путем оценки нескольких различных SVI с LDA. Среди этих показателей SIPI, PRI, NDVI, PSRI, ARI, MSR, GI и NRI показали большой потенциал для распознавания желтой ржавчины на разных стадиях роста, а PRI (диапазоны 570-, 525-, 705 нм) для ранней-средней стадии и ARI (диапазоны 860-, 790-, 750 нм) для средне-поздней стадии роста были выбраны в качестве лучших спектральных индексов для мониторинга болезни желтой ржавчины пшеницы. с точностью классификации до 93,2% [148]. Систематизация рассмотренных материалов представлена в таблице 4.
В мировом сельском хозяйстве пшеница занимает ведущее место, она возделывается почти повсеместно и имеет большое значение для населения всего земного шара. Существует ряд вредоносных заболеваний, в основном микромицетарного происхождения, поражающих эту культуру, таких как парша, вызываемая Fusarium graminearum и другими видами Fusarium spp., желтая ржавчина, вызываемая Puccinia striiformis, бурая ржавчина, вызываемая Puccinia triticina, мучнистая роса, вызываемая Blumeria graminis f. сп. tritici и другие, что может привести к серьезным потерям урожая [114–116]. В связи с важностью пшеницы существует множество статей, посвященных выявлению ее болезней с помощью HRS. В этом обзоре мы сосредоточимся на статьях, описывающих наиболее изученные болезни одной культуры, а именно фузариоз колоса пшеницы (FHB) и желтую ржавчину пшеницы (YR).
FHB или парша является серьезным заболеванием зерновых культур, таких как пшеница, рожь, ячмень и овес, которое может поражать и другие культуры [117,118]. Пораженные зерна быстро теряют массу и сжимаются, что приводит к большим потерям урожая и снижению качества [119–121]. Грибы рода Fusarium могут продуцировать опасные микотоксины, вредные для человека и животных. Эти микотоксины накапливаются в живых организмах и могут попадать в рацион человека по пищевой цепи [122,123]. В связи с высокой экономической и медицинской вредностью данного заболевания, очень важно выявить его на ранних стадиях, чтобы применить своевременный и правильный контроль системы однородных пластов. В роде Fusarium много видов, и их влияние на растения-хозяева существенно различается в разных средах, что усложняет задачу их определения. Исследования по определению FHB на пшенице с помощью HRS были проведены рядом научных групп из разных стран. Delwiche et al. впервые изучили обнаружение FHB у трех различных сортов пшеницы: Грандин, Ганнер и др, достигнув точности обнаружения 83–98%. Модели, разработанные только для одного сорта, оказались бесполезными при применении к другим сортам [124]. Barbedo et al. определили FHB (F. graminearum и F. meridionale) на зернах пшеницы с точностью более 91% [125]. Mahlein et al. изучили заражение F. graminearum, изолятом S.19 и изолятом F. culmorum 3.37 на семи различных сортах пшеницы, которые имели различную устойчивость к заболеванию: Thasos, Triso, Passat, Scirocco, Chamsin, Taifun и Sonett (Описательный список сортов, Bundessortenamt, Германия, 2017 г.). С помощью SVM удалось не только дифференцировать здоровые и инфицированные образцы с точностью более 76%, но и дифференцировать F. graminearum и F. culmorum. Авторы сочли возможным использовать HRS для фенотипирования устойчивости пшеницы к FHB [126,127]. Ma et al. применили CWA для обнаружения F. graminearum и получили общую точность 88,7% [128]. Huang et al. получили точность обнаружения 75% с помощью SVM, оптимизированной с помощью генетического алгоритма, используя корреляционный анализ и вейвлет-преобразование для выбора важных каналов, вегетационных индексов и вейвлет-признаков [24]. Zhang et al. разработали новый индекс фузариозной болезни (FDI) после определения наилучшего индекса из существующих индексов с помощью регрессии PLS, достигнув точности 89,8 при обнаружении F. graminearum [129,130]. Whetton et al. изучали FHB в лаборатории и в полевых условиях на сорте пшеницы Solstice, используя
PLSR для определения FHB по желтой ржавчине пшеницы и ячменя [131,132].
Baurigel et al. определили F. culmorum на ранних стадиях на сорте пшеницы Taifun. Спектры больных и здоровых тканей колоса пшеницы дифференцировали с помощью РСА. Авторы заметили, что спектральные изменения в процессе развития заболевания обусловлены различиями в содержании каротиноидов (500–533 нм) и, особенно, хлорофиллов (560–675 нм и 682–733 нм). Кроме того, спектральные вариации в диапазоне 927–931 нм отражали различия в содержании воды в тканях здоровых и больных тканей растений. Было отмечено, что выявление FHB на самых ранних стадиях невозможно из-за отсутствия симптомов. Тем не менее, на более поздних стадиях удалось обнаружить FHB методом SAM с точностью 91%. Средняя точность обнаружения составила 67% за весь период исследования (BBCH 65–89) [133].
Желтая ржавчина зерновых культур является опасным заболеванием, которое может привести к снижению урожайности более чем на 60% из-за вспышек. Возбудителем YR является гриб Puccinia striiformis west, который поражает более 20 видов культурных и дикорастущих злаков, в том числе пшеницу, рожь, тритикале, ячмень и другие. До недавнего времени заболевание имело региональное значение во всем мире. В 2000 г. ареал возбудителя расширился, а его вредоносность возросла [134–137]. В настоящее время эпидемии YR могут привести к чрезвычайно серьезным потерям урожая. Очень важно выявлять YR на ранних стадиях, чтобы своевременно и правильно применять меры борьбы [138,139].
Существует множество исследований, посвященных определению YR пшеницы с помощью HRS, которые были проведены рядом исследовательских групп из разных стран. Huang et al. использовали PRI для обнаружения желтой ржавчины у трех различных сортов пшеницы, Jing 411, 98–100 и Xuezao, все они по-разному устойчивы к желтой ржавчине [140]. Zhang et al. изучили еще три сорта, Jingdong8, Jing9428 и Zhongyou9507, и проанализировали взаимосвязь между питательным стрессом и повреждением желтой ржавчиной, в результате чего PhRI является единственным индексом, чувствительным к желтой ржавчине на всех стадиях роста [141]. Кришна и др. использовали PLS, ANOVA и MLR для определения важных каналов и обнаружения желтой ржавчины с точностью 92–96%. Показано, что посевы пшеницы, пораженные желтой ржавчиной, имеют различные симптомы и различные спектры по сравнению со здоровыми [142]. Zhang et al. применили DCNN и RF к данным БПЛА, при этом идентификация больных и здоровых растений осуществлялась путем оценки данных NDVI с общей точностью 85% [143]. Guo et al. использовали SVI (NRI, PHRI, GI и ARI), а также спектральные и текстурные особенности гиперспектральных изображений для обнаружения YR у сорта пшеницы Mingxian 169, который умеренно восприимчив к YR. Были выбраны важные группы со SPA. При исследовании YR пшеницы с помощью БПЛА пространственное разрешение оказывало меньшее влияние на методы SVI, но существенно влияло на методы, основанные на TF. Суммарная точность выявления YR в обоих исследованиях составила до 95,8% [144,145]. Whetton et al. изучали YR в лаборатории и в полевых условиях на сорте пшеницы Solstice с использованием PLSR для определения FHB по желтой ржавчине пшеницы и ячменя [131,132].
Раннее обнаружение пшеницы YR было достигнуто Bohnenkamp et al., которые использовали две платформы с двумя разными гиперспектральными камерами: наземным аппаратом (высота 1–2 м) и БПЛА (высота 20 м). Данные по сорту JB Asano, восприимчивому к YR, и сорту Bussard были проанализированы с помощью SAM и SVM для определения YR пшеницы. Наиболее интересным моментом в данном исследовании стало сопоставление гиперспектральных данных полога пшеницы в масштабах земли и БПЛА [146]. В другом исследовании Bohnenkamp et al. рассмотрели интерпретируемое разложение смеси спектрального отражения в контролируемых лабораторных условиях, изучая метод обнаружения и различения коричневой ржавчины и желтой ржавчины на листьях сортов пшеницы Taifun и Catargo. В данном исследовании авторы применили очень интересный подход к выявлению спектральных портретов самих возбудителей, изучив возможность обнаружения YR uredinium на поверхности листа пшеницы, что позволило обнаружить заболевание на ранней стадии [147].
Zheng et al. также смогли решить проблему раннего обнаружения YR, продолжив исследования из [140] на сортах Jing 411, 98–100 и Xuezao, каждый из которых по-разному устойчив к желтой ржавчине, путем оценки нескольких различных SVI с LDA. Среди этих показателей SIPI, PRI, NDVI, PSRI, ARI, MSR, GI и NRI показали большой потенциал для распознавания желтой ржавчины на разных стадиях роста, а PRI (диапазоны 570-, 525-, 705 нм) для ранней-средней стадии и ARI (диапазоны 860-, 790-, 750 нм) для средне-поздней стадии роста были выбраны в качестве лучших спектральных индексов для мониторинга болезни желтой ржавчины пшеницы. с точностью классификации до 93,2% [148]. Систематизация рассмотренных материалов представлена в таблице 4.
Таблица 4. Раннее выявление болезней пшеницы с помощью HRS.
5. Гиперспектральное дистанционное зондирование других сельскохозяйственных культур и их болезней
Следует упомянуть и ряд статей, посвященных раннему выявлению болезней у различных сельскохозяйственных культур, хотя и без детального анализа. В этих статьях описывается защита от таких заболеваний, как: красная пятнистость листьев миндаля, вызванная Polystigma amygdalinum [149]; черная сигатока на бананах, вызванная Mycosphaerella fijiensis [150,151]; взрыв ячменя, вызванный Magnaporthe oryzae [152]; каналова листьев виноградной лозы [153]; скручивание листьев виноградной лозы, вызванное вирус, ассоциированный с скручиванием листьев виноградной лозы 3 [154]; вертициллезное увядание оливы, вызванное Verticillium dahliae [155,156]; болезнь Xylella fastidiosa на оливковых деревьях [157]; ранняя пятнистость листьев арахиса, вызванная Cercospora arachidicola S. Hori, и поздняя пятнистость листьев, вызванная Cercosporidium personatum [158]; бактериальное увядание арахиса, вызванное Ralstonia solanacearum [159]; угольная гниль на сое, вызванная Macrophomina phaseolina (Tassi) Goid [160]] и пятнистость листьев кукурузы, вызванная Phaeosphaeria maydis (Henn.) [161].
Следует упомянуть и ряд статей, посвященных раннему выявлению болезней у различных сельскохозяйственных культур, хотя и без детального анализа. В этих статьях описывается защита от таких заболеваний, как: красная пятнистость листьев миндаля, вызванная Polystigma amygdalinum [149]; черная сигатока на бананах, вызванная Mycosphaerella fijiensis [150,151]; взрыв ячменя, вызванный Magnaporthe oryzae [152]; каналова листьев виноградной лозы [153]; скручивание листьев виноградной лозы, вызванное вирус, ассоциированный с скручиванием листьев виноградной лозы 3 [154]; вертициллезное увядание оливы, вызванное Verticillium dahliae [155,156]; болезнь Xylella fastidiosa на оливковых деревьях [157]; ранняя пятнистость листьев арахиса, вызванная Cercospora arachidicola S. Hori, и поздняя пятнистость листьев, вызванная Cercosporidium personatum [158]; бактериальное увядание арахиса, вызванное Ralstonia solanacearum [159]; угольная гниль на сое, вызванная Macrophomina phaseolina (Tassi) Goid [160]] и пятнистость листьев кукурузы, вызванная Phaeosphaeria maydis (Henn.) [161].
6. Итог
Рассмотренные работы доказывают возможность обнаружения заболеваний масличной пальмы [36,50–57,63–66], цитрусовых [73–78], культур семейства пасленовых [91–103] и пшеницы [24,124–132,140–145], используя HRS.
Также доказана возможность выявления болезней масличной пальмы [58–60], цитрусовых [79–82], культур семейства пасленовых [104–113] и пшеницы [133,146–148] на бессимптомных, ранних стадиях.
Из-за особенностей масличной пальмы и цитрусовых культур большинство опытов по этим культурам проводилось в полевых условиях, за исключением исследований Azmi et al. [60], которые проводились в теплице в постоянных условиях, и Li et al. [76] и Weng et al. [78], которые проводили лабораторные исследования.
Из таблицы 1 и цитируемых статей [56,57,60] можно сделать вывод, что наиболее удобным диапазоном для выявления болезней масличной пальмы является интервал от 600 до 950 нм, в котором большинство авторов смогли уверенно определить симптомы болезней масличной пальмы, в том числе на ранних стадиях. Однако сильный разброс в определении важных волн в различных работах позволяет сделать вывод о существовании неучтенных факторов, влияющих на их проявление и, следовательно, отбор. Специфическое течение заболевания BSR и методы борьбы с ним также могут повлиять на направление исследований. Поэтому было бы интересно получить больше данных о саженцах масличной пальмы в питомниках, лабораториях и теплицах, чтобы избежать посадки больных саженцев.
Из таблицы 2 видно, что распространение важных волн для определения болезней цитрусовых растений даже больше, чем в случае масличной пальмы. Причиной может быть физиологическая разница, обусловленная сортовым разнообразием цитрусовых культур и различными абиотическими факторами, о которых говорится в [76,78]. В работе [78] описаны различия в спектральных портретах разных цитрусовых культур и возможность использования классификационной модели, разработанной для сорта Сацума для обнаружения HLB в сорте Понкан путем переноса калибровочной модели. Было бы интересно применить подобные технологии и к другим сортам цитрусовых и другим культурам, для которых можно выявить болезни с помощью HRS. Также было бы интересно провести исследования, сравнивая спектральные портреты разных сортов и видов цитрусовых и выявляя их абиотические стрессы с помощью гиперспектральной камеры. Изучение не только крон цитрусовых деревьев, но и самих цитрусовых, как в работе Qin et al. [162], возможно, также является интересным и перспективным направлением.
Из таблицы 3 можно сделать вывод, что на данный момент трудно выделить универсальные диапазоны каналов, связанные с определенными болезнями растений семейства пасленовых, даже в одной культуре. Это может быть связано с наблюдениями, упомянутыми в [112,113], о том, что спектральные отклики разных сортов сильно вариабельны и что генотип хозяина оказывает существенное влияние на спектральную отражательную способность и, следовательно, на биохимические и физиологические признаки растений, подвергающихся заражению патогеном. Примечательно, что в исследовании [110] авторы не упомянули о различиях между спектральными откликами разных сортов, которые они описывают. Между тем, судя по данным [163], описанные сорта имеют фенотипические различия, которые, теоретически, должны повлечь за собой различие в типах хлорозов, вызванных изучаемыми болезнями, и, соответственно, в их спектральных реакциях. Эти факты открывают большое поле для дальнейших исследований болезней культур пасленовых с использованием HRS. Вероятно, необходимо уделять больше внимания изучению фенотипирования растений и разнообразия абиотического стресса с помощью HRS, чтобы впоследствии облегчить задачу выявления тех диапазонов каналов, которые важны для раннего выявления болезней, инфицирующих пасленовые. Мы также полагаем, что поиск закономерностей в спектральных откликах разных сортов следует начинать с наиболее сходных по генотипу и фенотипу, а затем изучать более различные. Вероятно, удастся создать алгоритмы обработки данных для адаптации ANN, обученных на определенных сортах культур пасленовых культур, к другим сортам, отличным от них, о чем говорилось в [78]. Целесообразно было бы сосредоточить усилия на лабораторных исследованиях и промышленных теплицах, так как это позволит исключить или существенно снизить влияние абиотических факторов на эксперименты, что в дальнейшем создаст основу для получения стабильных, воспроизводимых результатов в полевых экспериментах.
Из таблицы 4 видно, что на данный момент, как и в случае с пасленовыми, трудно выделить универсальные диапазоны, связанные с определенными болезнями пшеницы. Следует отметить, что в статьях, посвященных выявлению болезней пшеницы HRS от всех других культур, авторы уделяют наибольшее внимание не только разнообразию сортов изучаемой культуры, но и факторам устойчивости растений и разнообразию патогенов и учитывают их возможное влияние на результаты своих опытов [124–127, 131–133,140,141,145–148]. Также хочется отметить интересный подход к детектированию спектральных портретов самих возбудителей YA, описанный в работе [147]. В целом, анализ статей, посвященных болезням пшеницы — как наиболее изученной культуры — позволил окончательно выявить основные пробелы в области раннего выявления болезней растений с помощью HRS.
3. Обсуждение
Мы полагаем, что из-за отсутствия взаимодействия между специалистами в области техники и биологии существует существенный пробел в научной базе планирования эксперимента по использованию данных дистанционного зондирования Земли при определении состояния растений. Несмотря на то, что приведенный выше обзор демонстрирует практическую возможность позднего и раннего выявления болезней растений с помощью HRS, он также выявляет различия в технических результатах (диапазоне важных каналов) между исследователями, что свидетельствует о недостаточной изученности экспериментальной методики, что видно из таблиц 1–4.
В результате гиперспектрального дистанционного зондирования для каждого пикселя сцены мы получаем случайный вектор, который можно считать результатом случайного эксперимента. Исход случайного эксперимента может быть благоприятным или неблагоприятным, что связано с обнаружением или необнаружением заболевания в пространстве, отраженном тем или иным пикселем. Соответственно, эти векторы могут быть обработаны методами, разработанными в теории вероятностей и в математической статистике, которая позволяет эффективно определять характеристики случайного эксперимента. В этом случае могут быть решены задачи нормализации данных и выделения тех каналов частот (важных каналов), которые вносят наибольший вклад в исход экспериментов (благоприятный или неблагоприятный) и, соответственно, являются наиболее информативными для выявления заболеваний. Выбор важных каналов является критическим этапом в выявлении болезней растений с помощью HRS. Как правило, нормализация данных проводится в первую очередь, чтобы избавиться от шума. Затем применяются различные алгоритмы для идентификации важных каналов, такие как фильтрация Савицкого–Голея [50,51,58,81–83,99,100,109,131,132,147]; U-критерий Манна–Уитни [52,54]; коэффициент вариации [60]; РСА [74,76,79,92,95,99,109,133]; СПА [78,102,106–108,144]; GA и BRT [106]; СЭМ [112,113,129,146].
Перечисленные алгоритмы позволяют добиться определения важных каналов. Различные методы машинного обучения позволяют добиться достаточно высокой точности в выявлении заболеваний (от 60 до 95% точности) на основе этих данных. Однако из таблиц 1–4 можно сделать вывод, что даже при очень похожих экспериментальных условиях — например, при изучении масличных пальм — на выходе получаются разные наборы важных каналов, часто с разбросом более 100 нм [52–60]. Xie et al. в работе [103] использовали пять различных алгоритмов для выбора важных каналов, взятых из пяти различных исследований: t-критерий [164], дивергенция Кульбака-Лейблера [165], граница Чернова [166], рабочие характеристики приемника [167] и критерий Вилкоксона [168]]. Примечательно, что в 4 тестах из 5 только 1 частота из 15 совпала близко. При этом разброс диапазонов всех изначально выбранных важных каналов находился в диапазоне от 400 до 850 нм, (400, 402, 403, 411, 413, 418, 419, 420, 422, 473, 642, 690, 722, 756 и 850 нм), т.е. практически во всем диапазоне используемого датчика (380–1020 нм).
Исходя из данных таблиц 1–4, мы предполагаем, что в опытах на одном и том же участке поля, повторяющихся в разные годы или сезоны, при использовании методов автоматического отбора, вероятно, будут выделяться разные важные каналы. К сожалению, на данный момент проверить эту теорию не представляется возможным, так как существует очень мало статей, в которых были бы описаны подобные эксперименты.
Резюмируя тему выбора важных каналов для выявления болезней растений, мы предполагаем, что логично было бы сосредоточиться на изучении каналов биохимических изменений, происходящих в больных растениях, и отсеивании каналов, не связанных с данным заболеванием, а не на использовании машинного обучения.
Для успешного проведения биологической составляющей экспериментов по HRS болезней растений необходимо понимать, что болезни растений являются частным случаем стресса растений. Болезни растений – это процессы, протекающие в растениях под влиянием различных причин и приводящие к их угнетению и снижению урожайности. Болезни растений делятся на две основные группы: инфекционные и неинфекционные [29,30]. Инфекционные болезни растений вызываются микроорганизмами (в основном грибками, бактериями, вирусами и нематодами) или растениями-паразитами. Неинфекционные заболевания могут быть вызваны генетическими нарушениями или физиологическими нарушениями обмена веществ, возникающими в результате неблагоприятных условий окружающей среды [29,30]. Болезни растений практически всегда имеют видимые симптомы, которые мы можем наблюдать в определенном спектральном диапазоне. На ранних стадиях такие симптомы проявляются в виде различных хлорозов или, реже, некрозов или пустул, с огромным разнообразием проявлений [169,170]. В случае бессимптомного течения болезни на ранних стадиях, например, ячменной болезни Ramularia, вызванной Ramularia collocygni [171], фузариоз колоса различных злаковых культур, вызванный Fusarium culmorum [133] или внезапная смерть сои, вызванная Fusarium virguliforme [172], раннее обнаружение которой с помощью дистанционного зондирования может быть сложной задачей.
Рассмотренные работы доказывают возможность обнаружения заболеваний масличной пальмы [36,50–57,63–66], цитрусовых [73–78], культур семейства пасленовых [91–103] и пшеницы [24,124–132,140–145], используя HRS.
Также доказана возможность выявления болезней масличной пальмы [58–60], цитрусовых [79–82], культур семейства пасленовых [104–113] и пшеницы [133,146–148] на бессимптомных, ранних стадиях.
Из-за особенностей масличной пальмы и цитрусовых культур большинство опытов по этим культурам проводилось в полевых условиях, за исключением исследований Azmi et al. [60], которые проводились в теплице в постоянных условиях, и Li et al. [76] и Weng et al. [78], которые проводили лабораторные исследования.
Из таблицы 1 и цитируемых статей [56,57,60] можно сделать вывод, что наиболее удобным диапазоном для выявления болезней масличной пальмы является интервал от 600 до 950 нм, в котором большинство авторов смогли уверенно определить симптомы болезней масличной пальмы, в том числе на ранних стадиях. Однако сильный разброс в определении важных волн в различных работах позволяет сделать вывод о существовании неучтенных факторов, влияющих на их проявление и, следовательно, отбор. Специфическое течение заболевания BSR и методы борьбы с ним также могут повлиять на направление исследований. Поэтому было бы интересно получить больше данных о саженцах масличной пальмы в питомниках, лабораториях и теплицах, чтобы избежать посадки больных саженцев.
Из таблицы 2 видно, что распространение важных волн для определения болезней цитрусовых растений даже больше, чем в случае масличной пальмы. Причиной может быть физиологическая разница, обусловленная сортовым разнообразием цитрусовых культур и различными абиотическими факторами, о которых говорится в [76,78]. В работе [78] описаны различия в спектральных портретах разных цитрусовых культур и возможность использования классификационной модели, разработанной для сорта Сацума для обнаружения HLB в сорте Понкан путем переноса калибровочной модели. Было бы интересно применить подобные технологии и к другим сортам цитрусовых и другим культурам, для которых можно выявить болезни с помощью HRS. Также было бы интересно провести исследования, сравнивая спектральные портреты разных сортов и видов цитрусовых и выявляя их абиотические стрессы с помощью гиперспектральной камеры. Изучение не только крон цитрусовых деревьев, но и самих цитрусовых, как в работе Qin et al. [162], возможно, также является интересным и перспективным направлением.
Из таблицы 3 можно сделать вывод, что на данный момент трудно выделить универсальные диапазоны каналов, связанные с определенными болезнями растений семейства пасленовых, даже в одной культуре. Это может быть связано с наблюдениями, упомянутыми в [112,113], о том, что спектральные отклики разных сортов сильно вариабельны и что генотип хозяина оказывает существенное влияние на спектральную отражательную способность и, следовательно, на биохимические и физиологические признаки растений, подвергающихся заражению патогеном. Примечательно, что в исследовании [110] авторы не упомянули о различиях между спектральными откликами разных сортов, которые они описывают. Между тем, судя по данным [163], описанные сорта имеют фенотипические различия, которые, теоретически, должны повлечь за собой различие в типах хлорозов, вызванных изучаемыми болезнями, и, соответственно, в их спектральных реакциях. Эти факты открывают большое поле для дальнейших исследований болезней культур пасленовых с использованием HRS. Вероятно, необходимо уделять больше внимания изучению фенотипирования растений и разнообразия абиотического стресса с помощью HRS, чтобы впоследствии облегчить задачу выявления тех диапазонов каналов, которые важны для раннего выявления болезней, инфицирующих пасленовые. Мы также полагаем, что поиск закономерностей в спектральных откликах разных сортов следует начинать с наиболее сходных по генотипу и фенотипу, а затем изучать более различные. Вероятно, удастся создать алгоритмы обработки данных для адаптации ANN, обученных на определенных сортах культур пасленовых культур, к другим сортам, отличным от них, о чем говорилось в [78]. Целесообразно было бы сосредоточить усилия на лабораторных исследованиях и промышленных теплицах, так как это позволит исключить или существенно снизить влияние абиотических факторов на эксперименты, что в дальнейшем создаст основу для получения стабильных, воспроизводимых результатов в полевых экспериментах.
Из таблицы 4 видно, что на данный момент, как и в случае с пасленовыми, трудно выделить универсальные диапазоны, связанные с определенными болезнями пшеницы. Следует отметить, что в статьях, посвященных выявлению болезней пшеницы HRS от всех других культур, авторы уделяют наибольшее внимание не только разнообразию сортов изучаемой культуры, но и факторам устойчивости растений и разнообразию патогенов и учитывают их возможное влияние на результаты своих опытов [124–127, 131–133,140,141,145–148]. Также хочется отметить интересный подход к детектированию спектральных портретов самих возбудителей YA, описанный в работе [147]. В целом, анализ статей, посвященных болезням пшеницы — как наиболее изученной культуры — позволил окончательно выявить основные пробелы в области раннего выявления болезней растений с помощью HRS.
3. Обсуждение
Мы полагаем, что из-за отсутствия взаимодействия между специалистами в области техники и биологии существует существенный пробел в научной базе планирования эксперимента по использованию данных дистанционного зондирования Земли при определении состояния растений. Несмотря на то, что приведенный выше обзор демонстрирует практическую возможность позднего и раннего выявления болезней растений с помощью HRS, он также выявляет различия в технических результатах (диапазоне важных каналов) между исследователями, что свидетельствует о недостаточной изученности экспериментальной методики, что видно из таблиц 1–4.
В результате гиперспектрального дистанционного зондирования для каждого пикселя сцены мы получаем случайный вектор, который можно считать результатом случайного эксперимента. Исход случайного эксперимента может быть благоприятным или неблагоприятным, что связано с обнаружением или необнаружением заболевания в пространстве, отраженном тем или иным пикселем. Соответственно, эти векторы могут быть обработаны методами, разработанными в теории вероятностей и в математической статистике, которая позволяет эффективно определять характеристики случайного эксперимента. В этом случае могут быть решены задачи нормализации данных и выделения тех каналов частот (важных каналов), которые вносят наибольший вклад в исход экспериментов (благоприятный или неблагоприятный) и, соответственно, являются наиболее информативными для выявления заболеваний. Выбор важных каналов является критическим этапом в выявлении болезней растений с помощью HRS. Как правило, нормализация данных проводится в первую очередь, чтобы избавиться от шума. Затем применяются различные алгоритмы для идентификации важных каналов, такие как фильтрация Савицкого–Голея [50,51,58,81–83,99,100,109,131,132,147]; U-критерий Манна–Уитни [52,54]; коэффициент вариации [60]; РСА [74,76,79,92,95,99,109,133]; СПА [78,102,106–108,144]; GA и BRT [106]; СЭМ [112,113,129,146].
Перечисленные алгоритмы позволяют добиться определения важных каналов. Различные методы машинного обучения позволяют добиться достаточно высокой точности в выявлении заболеваний (от 60 до 95% точности) на основе этих данных. Однако из таблиц 1–4 можно сделать вывод, что даже при очень похожих экспериментальных условиях — например, при изучении масличных пальм — на выходе получаются разные наборы важных каналов, часто с разбросом более 100 нм [52–60]. Xie et al. в работе [103] использовали пять различных алгоритмов для выбора важных каналов, взятых из пяти различных исследований: t-критерий [164], дивергенция Кульбака-Лейблера [165], граница Чернова [166], рабочие характеристики приемника [167] и критерий Вилкоксона [168]]. Примечательно, что в 4 тестах из 5 только 1 частота из 15 совпала близко. При этом разброс диапазонов всех изначально выбранных важных каналов находился в диапазоне от 400 до 850 нм, (400, 402, 403, 411, 413, 418, 419, 420, 422, 473, 642, 690, 722, 756 и 850 нм), т.е. практически во всем диапазоне используемого датчика (380–1020 нм).
Исходя из данных таблиц 1–4, мы предполагаем, что в опытах на одном и том же участке поля, повторяющихся в разные годы или сезоны, при использовании методов автоматического отбора, вероятно, будут выделяться разные важные каналы. К сожалению, на данный момент проверить эту теорию не представляется возможным, так как существует очень мало статей, в которых были бы описаны подобные эксперименты.
Резюмируя тему выбора важных каналов для выявления болезней растений, мы предполагаем, что логично было бы сосредоточиться на изучении каналов биохимических изменений, происходящих в больных растениях, и отсеивании каналов, не связанных с данным заболеванием, а не на использовании машинного обучения.
Для успешного проведения биологической составляющей экспериментов по HRS болезней растений необходимо понимать, что болезни растений являются частным случаем стресса растений. Болезни растений – это процессы, протекающие в растениях под влиянием различных причин и приводящие к их угнетению и снижению урожайности. Болезни растений делятся на две основные группы: инфекционные и неинфекционные [29,30]. Инфекционные болезни растений вызываются микроорганизмами (в основном грибками, бактериями, вирусами и нематодами) или растениями-паразитами. Неинфекционные заболевания могут быть вызваны генетическими нарушениями или физиологическими нарушениями обмена веществ, возникающими в результате неблагоприятных условий окружающей среды [29,30]. Болезни растений практически всегда имеют видимые симптомы, которые мы можем наблюдать в определенном спектральном диапазоне. На ранних стадиях такие симптомы проявляются в виде различных хлорозов или, реже, некрозов или пустул, с огромным разнообразием проявлений [169,170]. В случае бессимптомного течения болезни на ранних стадиях, например, ячменной болезни Ramularia, вызванной Ramularia collocygni [171], фузариоз колоса различных злаковых культур, вызванный Fusarium culmorum [133] или внезапная смерть сои, вызванная Fusarium virguliforme [172], раннее обнаружение которой с помощью дистанционного зондирования может быть сложной задачей.
Стресс растений – это состояние растения, при котором на него влияют неблагоприятные абиотические (свет, тепло, воздух, влажность, состав почвы и условия рельефа) и биотические факторы (фитогенные, зоогенные, микробогенные и микогенные). Реакция растений как на абиотический, так и на биотический стресс обычно комплексна и включает как неспецифические (общие для разных стрессоров), так и специфические компоненты. В состоянии стресса растения останавливают свой рост, резко снижают активность корневой системы и снижают интенсивность фотосинтеза и синтеза белка [173–175]. В значительном количестве стрессовых ситуаций иммунный ответ вызывает увеличение содержания некоторых метаболитов, таких как жасмонаты или салицилаты [175–180]. Эти реакции могут быть обнаружены с помощью гиперспектральных сенсоров [181–188]. Исследование стресса растений с помощью гиперспектральных сенсоров представлено в ряде работ [189–191], в том числе сравнивающих спектральные портреты растений, одновременно подверженных воздействию биотического и абиотического стресса [192–195]. Для точного определения причин проявления стресса необходимо учитывать множество абиотических факторов, помимо возможного влияния возбудителей [59,60,63,73,78,92,98,112,113,124,126,127 ,133,141]. Проведенный анализ свидетельствует об отсутствии единой методики проведения гиперспектральных исследований болезней растений, учитывающей влияние абиотических факторов. Именно поэтому мы считаем, что лучше всего проводить эксперименты в лабораторных условиях или в промышленных теплицах, чтобы частично или полностью исключить абиотические факторы. Попытки создания различных мобильных аппаратов, работающих на уровне земли, целью которых является замена естественных источников света искусственным при использовании гиперспектральных сенсоров в полевых экспериментах, описаны в работах [73–75,92,94,123]. Это решает одну из главных проблем, связанных с неоднородностью солнечного спектра из-за меняющихся погодных условий. Тем не менее, такой подход не может полностью решить проблему влияния абиотических факторов.
Было бы также интересно продолжить исследования, описывающие определение фенотипа и/или генотипа растения и его влияние на изменение его спектрального портрета [196–201]. В нескольких рассмотренных исследованиях описывается, что генотип растения-хозяина оказывает существенное влияние на спектральную отражательную способность, а также на биохимические и физиологические признаки растений, подвергающихся патогенной инфекции [76,78,110–113,124,126,127,140,141,147,148]. Поэтому очень важно указать культуру и сорт изучаемых растений. Также очень важно точное указание возбудителей, используемых для прививки. Мы полагаем, что сравнение спектральных портретов растений разных сортов одной и той же культуры является первостепенной задачей при создании общей методологии выявления болезней растений с помощью гиперспектральных сенсоров. Не исключено, что существенным вкладом в решение этой проблемы может стать влияние флуоресценции хлорофилла на спектральные портреты растений и связанные с ними SVI [155,202–205]. Успехи в этой области могут позволить создать закономерности для определения фенотипов и сортов растений в пределах одной культуры, которые станут основой для базы данных гиперспектральных портретов растений.
Если мы можем уверенно выявлять различные типы стрессов растений и отличать растения, зараженные патогенами, от здоровых и/или пораженных абиотическими стрессами, мы можем изучить влияние генотипических характеристик патогена на спектральный профиль зараженного растения. Для этого необходимо выявить различия между растениями одного и того же фенотипа, как пораженными возбудителями с разными генотипами. Поскольку для многих возбудителей, в первую очередь микромицетов, внутриродовое и даже внутривидовое разнообразие чрезвычайно велико, необходимо исследовать возможные различия в спектральных многообразиях симптомов, например, между разными видами грибов рода Fusarium
или между разными расами возбудителя бурой ржавчины (Puccinia triticina). Целью такого эксперимента будет изучение влияния фенотипического и генотипического разнообразия возбудителей на изменчивость спектральных портретов растений-хозяев. Визуальные проявления симптомов желтой ржавчины (Puccinia striiformis), вызванной разными расами или разными штаммами Fusarium graminearum, часто очень похожи. На ранних стадиях заболевания хлороз, вызванный возбудителями разных видов, может иметь сходные спектральные портреты, которые становятся более различимыми на более поздних стадиях заболевания, и, таким образом, также является важным направлением исследований [91,92,96,97,102,103,110–112,125–127,131,132]. Влияние устойчивости растений
на симптоматику патогенеза и работах, описывающих разницу в данных, получаемых в таких случаях, также стоит упомянуть [110–113,126,127,132,140,141,144–146,148].Определение устойчивых сортов с помощью гиперспектрального зондирования также является перспективным направлением исследований с большим прикладным потенциалом [126].
Еще одним направлением, которое важно для раннего выявления болезней растений с помощью HRS, является изучение спектральных портретов самих возбудителей. К сожалению, это возможно только при небольшом количестве заболеваний, таких как пшеничная мучнистая роса, вызываемая Blumeria graminis и пшеничная желтая ржавчина пшеницы, вызываемая Puccinia striiformis, которая проявляет характерные внешние симптомы на ранних стадиях. Обычно это заболевания грибкового происхождения, где объектом обнаружения является мицелий микромицета или споры на поверхности листьев больного растения. Выявление болезней этим методом рассмотрено на примере желтой ржавчины пшеницы с использованием в качестве эталона спектров чистых спор грибов [147].
Борьба с вредителями также является важным аспектом защиты растений. Мы предполагаем, что HRS также может быть использован для раннего обнаружения таких опасных вредителей, как колорадский жук (Leptinotarsa decemlineata), солнечный вредитель (Eurygaster integriceps) [206] или западный кукурузный корневой червь (Diabrotica virgifera virgifera), используя спектральные портреты имаго и разновозрастные личинки. В настоящее время опубликовано небольшое количество работ по данной теме [191,206–210], но мы считаем это направление очень перспективным, особенно для использования в промышленных теплицах. Другим возможным направлением исследований является выявление локальных вспышек вредителей вне сельскохозяйственных угодий, например, саранчи (Acridoidea) или свекловичной паутинной черви (Loxostege sticticalis), с целью их ранней ликвидации до того, как эти вредители смогут нанести ущерб урожаю.
Мы считаем, что влияние биохимических изменений в тканях растений имеет решающее значение для раннего выявления болезней растений с помощью пассивных датчиков. Коэффициент отражения света от листьев растений зависит от множества биофизических и биохимических взаимодействий. Диапазон VIS (400–700 нм) зависит от содержания пигмента. Ближний ИК-диапазон (700–1100 нм) зависит от структуры листьев, процессов внутреннего рассеяния и поглощения света листовой водой. Диапазон SWIR (1100–2500) зависит от химических веществ и состава воды [196,211–216]. Наиболее изученными направлениями в данной теме являются определение изменений содержания воды, азота (N) в растениях, а также хлорофилла или каротиноидов с использованием различных SVI, которые могут быть использованы для выявления болезней растений. Эти методы могут быть использованы для определения содержания азота в растениях [217–219] и для выявления стрессов и болезней растений [56,57,78,220–222], включая раннее выявление болезней и вредителей растений заражения [147,154,156,157,223].
Тема обнаружения отдельных химических элементов или химических соединений, в том числе летучих веществ, в растениях является менее изученной проблемой. В физиологии растений большое значение имеют такие элементы, как азот (N), один из ключевых компонентов хлорофилла; фосфор (в одновалентной ортофосфатной форме H2PO4−), ключевой макроэлемент; калий (K+), влияющий на цвет листьев; кальций (Ca2+), играющий фундаментальную физиологическую роль в строении листьев и передаче сигналов; магний (Mg2+), необходимый макроэлемент для фотосинтеза (так как является центральным атомом хлорофилла); сера (S), в виде сульфата; железо (Fe2+ или Fe3+), медь (Cu2+), марганец (Mn2+) и цинк (Zn2+), которые являются важнейшими элементами для роста растений и компонентами многих ферментов; и ионы, ответственные за засоление: Na+, K+, Ca2+, Mg2+ и Cl− [216]. Обнаружение этих элементов с помощью HRS может быть ключевым фактором для выявления болезней растений на ранней стадии, поскольку болезни растений сопровождаются дефицитом некоторых из перечисленных элементов, что является причиной хлоротических и некротических изменений в тканях растений [216]. К сожалению, эта задача сложна и малоизучена, но следующие работы доказывают возможность определения химического состава растений в диапазонах VIS, NIR и SWIR. Pandey et al. обнаружили в растениях кукурузы и сои широкий спектр макроэлементов, а именно N, P, K, Mg, Ca и S, а также микроэлементы, а именно Fe, Mn, Cu и Zn [224]. Zhou et al. обнаружили концентрацию кадмия (Cd) в коричневом рисе перед сбором урожая [225]. Ge et al. попытались проанализировать содержание хлорофилла (CHL), содержание воды в листьях (LWC), удельную площадь листьев (SLA), азот (N), фосфор (P) и калий (K) в кукурузе с использованием различных SVI, но преуспели только с CHL и N [226]. Доказано, что Hu et al. определяют содержание Ca, Mg, Mo и Zn в зернах пшеницы [227].
Наиболее сложным и интересным направлением является обнаружение содержания не отдельных элементов, а более сложных химических соединений с помощью HRS. В качестве примера таких работ можно привести статьи Gold et al., в которых рассматривались механизмы физиологических изменений растений картофеля при инокуляции возбудителями Alternaria solani и Phytophthora infestans в аналитическом примере содержания листового азота, общих фенолов, сахара и крахмала [112,113]. Fuentes et al. провели мониторинг химических отпечатков различных образцов листьев и изучили корреляцию численности тли в растениях пшеницы с присутствием и количеством спирта, метана, перекиси водорода, ароматических соединений и соединения амидных функциональных групп [228]. В работе [228] представлены результаты по реализации SWIR HRS (1596–2396 нм) и недорогого электронного носа (e-nose) в сочетании с машинным обучением. Авторы считают, что такое изучение моделей физиологии растений открывает их применение для оценки моделей других биотических и абиотических стрессовых эффектов на растения. Таким образом, поиск болезней растений на ранних стадиях с помощью пассивных сенсоров, в том числе гиперспектральных, должен осуществляться в трех основных направлениях: поиск характерного иммунного ответа растения-хозяина на возбудителя, поиск характерных симптомов поражения растений возбудителем или поиск спектральных портретов возбудителя или самого вредителя. Всегда необходимо учитывать и другие стрессовые факторы, влияющие на спектральный портрет больного растения, что позволит точно определить болезни растений с помощью пассивного дистанционного зондирования.
Следует рассмотреть дальнейшее развитие планирования эксперимента, желательно с использованием общей методологии, чтобы была возможность адекватно сравнить результаты. Должно быть спроектировано дерево экспериментов, которое будет учитывать физиологические параметры растения [229]. Все фазы эксперимента должны быть продуманы и спланированы заранее, на основе науки планирования эксперимента, достаточно хорошо развитой для прикладных физических исследований, основанных на методах теории вероятностей и математической статистики. Для каждого типа датчиков должны быть разработаны следующие этапы исследований: лабораторные исследования в детерминированных условиях детерминированных параметров; выделение спектральных каналов, отвечающих за определенные параметры растений (в том числе за болезни) в лабораторных экспериментах; повторение (возможно, многократное) лабораторного эксперимента для сбора статистики и валидации; перевод эксперимента в полевые условия для проверки правильности выбранных спектральных каналов. Такое планирование экспериментов и создание методики их проведения заполняет пробелы, связанные с недостаточным учетом таких факторов, как: различные фенотипы растений и их различные спектральные отклики; различные заболевания, а также их различные спектральные реакции; необходимость создания и учета модели распространения света от облучающего источника для нормализации данных гиперспектральных снимков [229–232].
Было бы интересно увидеть больше данных, сравнивающих наборы данных, полученные с одних и тех же культур, с разными моделями гиперспектральных датчиков. Есть несколько статей, в которых упоминается использование двух разных датчиков в одном и том же эксперименте [76,80,147], но нет данных о том, как сенсорная модель может влиять на изменчивость данных. Различные типы гиперспектральных датчиков, т.е. спектрорадиометры и гиперспектральные камеры, имеют свои сильные и слабые стороны, и для сравнения результатов, полученных при их использовании, необходимы эксперименты. Отмечается, что спектрометрический прибор имеет ограничение по сравнению с камерой, где он может снимать только одно показание за раз для небольшой точки выборки, что требует большей продолжительности получения данных [60], но это не должно влиять на результаты экспериментов. Предполагается, что спектральные портреты растений должны быть одинаковыми вне зависимости от модели и типа датчика, что должно позволить разработать единую платформу для раннего выявления болезней растений. Мы полагаем, что возможно также совместное использование гиперспектральных сенсоров в лабораторных исследованиях активных сенсоров, которые успешно применяются для определения болезней растений, например, спектрометры комбинационного рассеяния света [233,234]. Сравнение спектральных портретов, полученных из одних и тех же образцов с использованием двух разных типов сенсоров, может помочь понять, какие факторы сильнее всего влияют на гиперспектральные портреты, и либо внести соответствующие изменения в эксперименты, либо создать алгоритмы коррекции гиперспектральных портретов. Такой подход был использован Mahlein et al. в работе [127], где данные HRS сравниваются с данными флуоресценции хлорофилла и тепловых датчиков, а также Fuentes et al. в работе [228], в которой для определения содержания некоторых летучих химических соединений для уточнения данных HRS в диапазоне SWIR использовался электронный нос.
Мы обобщили имеющиеся данные в сводную таблицу (табл. 5), из которой можно сделать следующие выводы. Спектрометры, применяемые без подключения к фотоаппарату, имеют наименьшую эффективность, как при получении высокого процента обнаружения больных растений, так и при определении ранних стадий заболеваний. Однако при использовании совместно с фотоаппаратом их эффективность значительно возрастает. Гиперспектральные камеры имеют самый высокий процент использования для раннего выявления и хорошие результаты в получении высокого процента обнаружения больных растений. Можно сделать вывод, что эти результаты свидетельствуют о том, что для изучения болезней растений на ранних стадиях лучше использовать гиперспектральные камеры или комбинацию фотоаппарата и спектрографа. В дальнейшем возможен переход на использование комбинации фотоаппарата и спектрографа в практических целях, так как такое решение экономически более выгодно.
Было бы также интересно продолжить исследования, описывающие определение фенотипа и/или генотипа растения и его влияние на изменение его спектрального портрета [196–201]. В нескольких рассмотренных исследованиях описывается, что генотип растения-хозяина оказывает существенное влияние на спектральную отражательную способность, а также на биохимические и физиологические признаки растений, подвергающихся патогенной инфекции [76,78,110–113,124,126,127,140,141,147,148]. Поэтому очень важно указать культуру и сорт изучаемых растений. Также очень важно точное указание возбудителей, используемых для прививки. Мы полагаем, что сравнение спектральных портретов растений разных сортов одной и той же культуры является первостепенной задачей при создании общей методологии выявления болезней растений с помощью гиперспектральных сенсоров. Не исключено, что существенным вкладом в решение этой проблемы может стать влияние флуоресценции хлорофилла на спектральные портреты растений и связанные с ними SVI [155,202–205]. Успехи в этой области могут позволить создать закономерности для определения фенотипов и сортов растений в пределах одной культуры, которые станут основой для базы данных гиперспектральных портретов растений.
Если мы можем уверенно выявлять различные типы стрессов растений и отличать растения, зараженные патогенами, от здоровых и/или пораженных абиотическими стрессами, мы можем изучить влияние генотипических характеристик патогена на спектральный профиль зараженного растения. Для этого необходимо выявить различия между растениями одного и того же фенотипа, как пораженными возбудителями с разными генотипами. Поскольку для многих возбудителей, в первую очередь микромицетов, внутриродовое и даже внутривидовое разнообразие чрезвычайно велико, необходимо исследовать возможные различия в спектральных многообразиях симптомов, например, между разными видами грибов рода Fusarium
или между разными расами возбудителя бурой ржавчины (Puccinia triticina). Целью такого эксперимента будет изучение влияния фенотипического и генотипического разнообразия возбудителей на изменчивость спектральных портретов растений-хозяев. Визуальные проявления симптомов желтой ржавчины (Puccinia striiformis), вызванной разными расами или разными штаммами Fusarium graminearum, часто очень похожи. На ранних стадиях заболевания хлороз, вызванный возбудителями разных видов, может иметь сходные спектральные портреты, которые становятся более различимыми на более поздних стадиях заболевания, и, таким образом, также является важным направлением исследований [91,92,96,97,102,103,110–112,125–127,131,132]. Влияние устойчивости растений
на симптоматику патогенеза и работах, описывающих разницу в данных, получаемых в таких случаях, также стоит упомянуть [110–113,126,127,132,140,141,144–146,148].Определение устойчивых сортов с помощью гиперспектрального зондирования также является перспективным направлением исследований с большим прикладным потенциалом [126].
Еще одним направлением, которое важно для раннего выявления болезней растений с помощью HRS, является изучение спектральных портретов самих возбудителей. К сожалению, это возможно только при небольшом количестве заболеваний, таких как пшеничная мучнистая роса, вызываемая Blumeria graminis и пшеничная желтая ржавчина пшеницы, вызываемая Puccinia striiformis, которая проявляет характерные внешние симптомы на ранних стадиях. Обычно это заболевания грибкового происхождения, где объектом обнаружения является мицелий микромицета или споры на поверхности листьев больного растения. Выявление болезней этим методом рассмотрено на примере желтой ржавчины пшеницы с использованием в качестве эталона спектров чистых спор грибов [147].
Борьба с вредителями также является важным аспектом защиты растений. Мы предполагаем, что HRS также может быть использован для раннего обнаружения таких опасных вредителей, как колорадский жук (Leptinotarsa decemlineata), солнечный вредитель (Eurygaster integriceps) [206] или западный кукурузный корневой червь (Diabrotica virgifera virgifera), используя спектральные портреты имаго и разновозрастные личинки. В настоящее время опубликовано небольшое количество работ по данной теме [191,206–210], но мы считаем это направление очень перспективным, особенно для использования в промышленных теплицах. Другим возможным направлением исследований является выявление локальных вспышек вредителей вне сельскохозяйственных угодий, например, саранчи (Acridoidea) или свекловичной паутинной черви (Loxostege sticticalis), с целью их ранней ликвидации до того, как эти вредители смогут нанести ущерб урожаю.
Мы считаем, что влияние биохимических изменений в тканях растений имеет решающее значение для раннего выявления болезней растений с помощью пассивных датчиков. Коэффициент отражения света от листьев растений зависит от множества биофизических и биохимических взаимодействий. Диапазон VIS (400–700 нм) зависит от содержания пигмента. Ближний ИК-диапазон (700–1100 нм) зависит от структуры листьев, процессов внутреннего рассеяния и поглощения света листовой водой. Диапазон SWIR (1100–2500) зависит от химических веществ и состава воды [196,211–216]. Наиболее изученными направлениями в данной теме являются определение изменений содержания воды, азота (N) в растениях, а также хлорофилла или каротиноидов с использованием различных SVI, которые могут быть использованы для выявления болезней растений. Эти методы могут быть использованы для определения содержания азота в растениях [217–219] и для выявления стрессов и болезней растений [56,57,78,220–222], включая раннее выявление болезней и вредителей растений заражения [147,154,156,157,223].
Тема обнаружения отдельных химических элементов или химических соединений, в том числе летучих веществ, в растениях является менее изученной проблемой. В физиологии растений большое значение имеют такие элементы, как азот (N), один из ключевых компонентов хлорофилла; фосфор (в одновалентной ортофосфатной форме H2PO4−), ключевой макроэлемент; калий (K+), влияющий на цвет листьев; кальций (Ca2+), играющий фундаментальную физиологическую роль в строении листьев и передаче сигналов; магний (Mg2+), необходимый макроэлемент для фотосинтеза (так как является центральным атомом хлорофилла); сера (S), в виде сульфата; железо (Fe2+ или Fe3+), медь (Cu2+), марганец (Mn2+) и цинк (Zn2+), которые являются важнейшими элементами для роста растений и компонентами многих ферментов; и ионы, ответственные за засоление: Na+, K+, Ca2+, Mg2+ и Cl− [216]. Обнаружение этих элементов с помощью HRS может быть ключевым фактором для выявления болезней растений на ранней стадии, поскольку болезни растений сопровождаются дефицитом некоторых из перечисленных элементов, что является причиной хлоротических и некротических изменений в тканях растений [216]. К сожалению, эта задача сложна и малоизучена, но следующие работы доказывают возможность определения химического состава растений в диапазонах VIS, NIR и SWIR. Pandey et al. обнаружили в растениях кукурузы и сои широкий спектр макроэлементов, а именно N, P, K, Mg, Ca и S, а также микроэлементы, а именно Fe, Mn, Cu и Zn [224]. Zhou et al. обнаружили концентрацию кадмия (Cd) в коричневом рисе перед сбором урожая [225]. Ge et al. попытались проанализировать содержание хлорофилла (CHL), содержание воды в листьях (LWC), удельную площадь листьев (SLA), азот (N), фосфор (P) и калий (K) в кукурузе с использованием различных SVI, но преуспели только с CHL и N [226]. Доказано, что Hu et al. определяют содержание Ca, Mg, Mo и Zn в зернах пшеницы [227].
Наиболее сложным и интересным направлением является обнаружение содержания не отдельных элементов, а более сложных химических соединений с помощью HRS. В качестве примера таких работ можно привести статьи Gold et al., в которых рассматривались механизмы физиологических изменений растений картофеля при инокуляции возбудителями Alternaria solani и Phytophthora infestans в аналитическом примере содержания листового азота, общих фенолов, сахара и крахмала [112,113]. Fuentes et al. провели мониторинг химических отпечатков различных образцов листьев и изучили корреляцию численности тли в растениях пшеницы с присутствием и количеством спирта, метана, перекиси водорода, ароматических соединений и соединения амидных функциональных групп [228]. В работе [228] представлены результаты по реализации SWIR HRS (1596–2396 нм) и недорогого электронного носа (e-nose) в сочетании с машинным обучением. Авторы считают, что такое изучение моделей физиологии растений открывает их применение для оценки моделей других биотических и абиотических стрессовых эффектов на растения. Таким образом, поиск болезней растений на ранних стадиях с помощью пассивных сенсоров, в том числе гиперспектральных, должен осуществляться в трех основных направлениях: поиск характерного иммунного ответа растения-хозяина на возбудителя, поиск характерных симптомов поражения растений возбудителем или поиск спектральных портретов возбудителя или самого вредителя. Всегда необходимо учитывать и другие стрессовые факторы, влияющие на спектральный портрет больного растения, что позволит точно определить болезни растений с помощью пассивного дистанционного зондирования.
Следует рассмотреть дальнейшее развитие планирования эксперимента, желательно с использованием общей методологии, чтобы была возможность адекватно сравнить результаты. Должно быть спроектировано дерево экспериментов, которое будет учитывать физиологические параметры растения [229]. Все фазы эксперимента должны быть продуманы и спланированы заранее, на основе науки планирования эксперимента, достаточно хорошо развитой для прикладных физических исследований, основанных на методах теории вероятностей и математической статистики. Для каждого типа датчиков должны быть разработаны следующие этапы исследований: лабораторные исследования в детерминированных условиях детерминированных параметров; выделение спектральных каналов, отвечающих за определенные параметры растений (в том числе за болезни) в лабораторных экспериментах; повторение (возможно, многократное) лабораторного эксперимента для сбора статистики и валидации; перевод эксперимента в полевые условия для проверки правильности выбранных спектральных каналов. Такое планирование экспериментов и создание методики их проведения заполняет пробелы, связанные с недостаточным учетом таких факторов, как: различные фенотипы растений и их различные спектральные отклики; различные заболевания, а также их различные спектральные реакции; необходимость создания и учета модели распространения света от облучающего источника для нормализации данных гиперспектральных снимков [229–232].
Было бы интересно увидеть больше данных, сравнивающих наборы данных, полученные с одних и тех же культур, с разными моделями гиперспектральных датчиков. Есть несколько статей, в которых упоминается использование двух разных датчиков в одном и том же эксперименте [76,80,147], но нет данных о том, как сенсорная модель может влиять на изменчивость данных. Различные типы гиперспектральных датчиков, т.е. спектрорадиометры и гиперспектральные камеры, имеют свои сильные и слабые стороны, и для сравнения результатов, полученных при их использовании, необходимы эксперименты. Отмечается, что спектрометрический прибор имеет ограничение по сравнению с камерой, где он может снимать только одно показание за раз для небольшой точки выборки, что требует большей продолжительности получения данных [60], но это не должно влиять на результаты экспериментов. Предполагается, что спектральные портреты растений должны быть одинаковыми вне зависимости от модели и типа датчика, что должно позволить разработать единую платформу для раннего выявления болезней растений. Мы полагаем, что возможно также совместное использование гиперспектральных сенсоров в лабораторных исследованиях активных сенсоров, которые успешно применяются для определения болезней растений, например, спектрометры комбинационного рассеяния света [233,234]. Сравнение спектральных портретов, полученных из одних и тех же образцов с использованием двух разных типов сенсоров, может помочь понять, какие факторы сильнее всего влияют на гиперспектральные портреты, и либо внести соответствующие изменения в эксперименты, либо создать алгоритмы коррекции гиперспектральных портретов. Такой подход был использован Mahlein et al. в работе [127], где данные HRS сравниваются с данными флуоресценции хлорофилла и тепловых датчиков, а также Fuentes et al. в работе [228], в которой для определения содержания некоторых летучих химических соединений для уточнения данных HRS в диапазоне SWIR использовался электронный нос.
Мы обобщили имеющиеся данные в сводную таблицу (табл. 5), из которой можно сделать следующие выводы. Спектрометры, применяемые без подключения к фотоаппарату, имеют наименьшую эффективность, как при получении высокого процента обнаружения больных растений, так и при определении ранних стадий заболеваний. Однако при использовании совместно с фотоаппаратом их эффективность значительно возрастает. Гиперспектральные камеры имеют самый высокий процент использования для раннего выявления и хорошие результаты в получении высокого процента обнаружения больных растений. Можно сделать вывод, что эти результаты свидетельствуют о том, что для изучения болезней растений на ранних стадиях лучше использовать гиперспектральные камеры или комбинацию фотоаппарата и спектрографа. В дальнейшем возможен переход на использование комбинации фотоаппарата и спектрографа в практических целях, так как такое решение экономически более выгодно.
Таблица 5. Сравнительный анализ использования гиперспектральных средств дистанционного зондирования Земли.
Рассматриваемая тема HRS является достаточно новой, поэтому мы не добавили в эту таблицу сравнительного анализа (табл. 5) данные о количестве статей, в которых, с нашей точки зрения, правильно изложены техническая и физическая части эксперимента, что является предметом отдельного обсуждения.
Мы надеемся, что проведенный в этом обзоре анализ основных ошибок и пробелов поможет решить проблемы, связанные с планированием и проведением эксперимента.
Основным недостатком (о котором следует упомянуть отдельно, так как он присутствует практически во всех рассматриваемых статьях) является отсутствие повторяемости в проводимых экспериментах. Для научной обоснованности крайне важно провести эксперимент по крайней мере дважды. Если речь идет о полевом опыте, то повторный опыт проводится, как правило, в следующий вегетационный период. В лабораторных условиях эксперимент проводится не менее двух раз, а проверку эффективности обучения любых алгоритмов ИИ, используемых исследователями, следует проводить на втором датасете без дополнительного обучения. Только в случае успеха такого эксперимента можно говорить о научном характере его результатов и его успешности в выявлении болезней растений. Мы также хотим повторить важность понимания физиологии процессов, происходящих в больном растении, так как, с нашей точки зрения, химический состав тканей больных растений имеет первостепенное значение для выбора диапазонов важных каналов для определения болезни. Эти диапазоны должны быть очень близки для фенотипически сходных растений одного вида, однако из таблиц 1–4 видно, что точных совпадений важных каналов практически нет. Во всяком случае, мы считаем, что таких совпадений недостаточно.
Кроме того, как мы уже упоминали ранее, методы анализа полученных данных (машинное обучение, нейронные сети, статистический анализ, ручной анализ), на наш взгляд, являются лишь методами автоматизации, не вносящими существенного вклада в решение задачи раннего выявления болезней растений с помощью HRS [90–94,97,105,142,143].
Определение болезней растений с помощью дистанционного зондирования не может рассматриваться в отрыве от других параметров и связанных с ними факторов, таких как фаза развития растений, фенотип, множественные внешние факторы. Поэтому основной задачей, которую необходимо решить при использовании гиперспектральной съемки для раннего выявления болезней растений, на наш взгляд, является применение системного подхода. То есть определение места в сложной природно-технической системе, при котором необходимо проанализировать элементы системы и их взаимосвязи в рамках конкретной организационной структуры для выявления нарушений этой структуры (то есть нарушений параметров растений в процессе развития).
Подводя итоги нашего обзора, хотелось бы отметить статьи, которые, на наш взгляд, лучше всего описывают те или иные аспекты данной проблемы применительно к различным растительным культурам [35,60,76,78–80,104,105,109,110,113,126,127, 133,146,147,192,203,213].
Особенно хотелось бы отметить работу коллектива авторов из Института растениеводства и ресурсосбережения (INRES) по болезням растений и защите растений Боннского университета [2,35,126,127,146,147,182,196,197]. Мы считаем, что эти работы наиболее актуальные, наиболее широко раскрывающие тему и предлагающие наибольшее количество интересных решений и новых подходов.
4. Выводы
На данный момент имеется достаточное количество статей в области использования HRS для проведения успешных экспериментов по раннему выявлению болезней растений. Из рассмотренных статей также ясно, что использование методов машинного обучения для раннего выявления требует значительных исходных данных HRS о болезнях растений.
Сделан ряд предположений о возможных пробелах в знаниях, препятствующих успешному тиражированию экспериментов по выявлению болезней растений с помощью HRS. Различия в спектральных портретах могут быть вызваны различными абиотическими и биотическими факторами, вызывающими стресс растений. На проявление болезни также может влиять фенотип или генотип растения-хозяина, которые определяют уровень устойчивости растений. Наличие смешанной инфекции также может быть важным фактором, влияющим на спектральный портрет. Наконец, последнее, но не менее важное: стоит понимать, какие биохимические изменения происходят внутри растения во время стресса, в каком волновом диапазоне они проявляются и как могут влиять на спектральный портрет растения.
С точки зрения технических и физических аспектов необходимо учитывать модель распространения солнечного света при проведении полевых экспериментов или учитывать характеристики искусственных источников света, используемых при проведении лабораторных экспериментов, т.к. HRS является пассивным методом дистанционного зондирования, зависящим от условий внешнего источника света. Другие технические проблемы могут включать неправильное использование оборудования. Для правильного получения данных необходима правильная калибровка гиперспектрального датчика или камеры. Такая калибровка зависит от температуры гиперспектрального датчика; таким образом, оборудование должно быть откалибровано после некоторого непрерывного периода работы из-за его нагрева во время работы. Лучше всего, если в описание эксперимента будет включена информация о времени суток, когда были получены данные HRS.
Мы достигли основной цели нашего исследования, доказав возможность раннего выявления болезней растений методом гиперспектрального дистанционного зондирования. Наше предположение о совпадении важных каналов для одних и тех же болезней и растений частично подтверждается результатами рассмотренных статей. С другой стороны, во многих рецензируемых статьях демонстрируется несовпадение таких каналов, что подчеркивает один из найденных методологических пробелов — необходимость разработки модели распространения света в различных условиях для нормализации полученных при этом данных.
Систематизация современных актуальных работ по раннему выявлению болезней растений представлена в Обсуждении и в таблицах 1–5.
На наш взгляд, направление дальнейших исследований должно быть следующим. Для успешного решения задачи раннего выявления болезней растений с помощью HRS требуется совместная работа специалистов в области физиологии растений, фитопатологии, устойчивости растений, феномики, биоинформатики, информационных технологий, системного анализа и оптики или фотоники. Мы также считаем, что на данном этапе развития исследований логичнее проводить эксперименты в лабораторных условиях или в промышленных теплицах последнего поколения, где изменчивость абиотических факторов сведена к минимуму. Создание баз данных гиперспектральных портретов растений различных культур и сортов, подверженных влиянию различных возбудителей, вероятно, следует отложить до тех пор, пока не будут разработаны общие принципы дистанционного зондирования болезней растений с помощью HRS, чтобы избежать возможной путаницы.
Вклад авторов: Концептуализация, A.F. и A.T.; курирование данных, A.T. и D.E.; формальный анализ, A.T., V.D. и A.F.; методология, A.F. и A.T.; супервизия, V.D.; написание — первоначальный черновик, A.T.; написание — рецензирование и редактирование, A.T., A.F., V.D. и D.E. Все авторы ознакомились и согласились с опубликованной версией рукописи.
Финансирование: Исследование частично финансируется Министерством науки и высшего образования Российской Федерации в рамках программы Научного центра мирового уровня «Передовые цифровые технологии» (договор No 075-15-2020-934 от 17 ноября 2020 г.).
Заявление Наблюдательного совета учреждения: Не применяется.
Заявление об информированном согласии: Не применяется.
Заявление о доступности данных: Неприменимо.
Благодарности: Мы очень благодарны научным сотрудникам Всероссийского института защиты растений
Афанасенко О.С.; Т.Ю. Кузьмина Гагкаева; Ганнибал; Е.И. Гультяева; Ю.С. Токареву и А.Н. Фролову за помощь и консультации. Мы очень благодарны научному сотруднику Санкт-Петербургского политехнического университета Петра Великого В.Л. Баденко за помощь и консультации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Аббревиатуры
В данной рукописи используются следующие аббревиатуры:
ANN Искусственная нейронная сеть
ANOVA Дисперсионный анализ
ARI Антоциановый индекс отражения BPNN Нейронная сеть обратного распространения
BRT Дерево регрессии
BSR Прикорневая стеблевая гниль
CART Классификации и регрессии деревьев
CBC Бактериальный стоматит цитрусовых
CCCV Кокос cadang-cadang viroid
CNN Сверточная нейронная сеть
CWA Непрерывный вейвлет-анализ
CWT Непрерывное вейвлет-преобразование
DCNN Глубокая сверточная нейронная сеть
ELM Экстремальная обучающая машина
FDI Индекс фузариозной болезни
FHB Фузариоз колоса
GA Генетический алгоритм
GAN Генеративно-состязательные сети
GI Индекс зелености
GPR Регрессия по Гауссову процессу
HLB Хуанлунбин (зеленение цитрусовых)
HRS Гиперспектральное дистанционное зондирование
HIS Оттенок, насыщенность, интенсивность
IPM Комплексная борьба с вредителями
k-NN Алгоритм k-ближайших соседей
LDA Линейный дискриминантный анализ
LRDSI Индекс вредоносности листовой ржавчины
LSM Метод наименьших квадратов
LS-SVM Метод наименьших квадратов – метод опорных векторов
LSTM Долговременная кратковременная память
MLP–ARD Многослойный персептрон с автоматическим определением релевантности
MLR Множественная линейная регрессия
MNF Минимальная доля шума
MSR Модифицированное простое соотношение
MTMF Согласованная фильтрация по смеси
NBNDVI Узкоканаловный нормализованный разностный вегетационный индекс
NCA Анализ компонентов окрестности
NDSI Нормализованный разностный спектральный показатель
NDVI Нормализованный разностный вегетационный индекс,
NIR Диапазон длин волн ближнего инфракрасного диапазона
NRI Индекс отражения азота
OR-AC-GAN Удаление выбросов, вспомогательный классификатор, генеративно-состязательные сети
OS Оранжевая пятнистость
PCA Анализ главных компонент
PCoA Анализ главных координат
PCR Полимеразная цепная реакция
PhRI Физиологический показатель отражения
PLS-DA Частичный дискриминационный анализ методом наименьших квадратов
PLSR Частичная регрессия по методу наименьших квадратов
RNN Рекуррентная нейронная сеть
PRI Индекс фотохимического отражения
PSRI Индекс отражения старения растений
PVY Картофельный вирус y
REP Положение крайнего красного диапазона или точка крайнего красного диапазона
RWP Точка red-well
RF Случайный лес
RVSI Индекс стресса растительности в диапазоне крайнем красном
SAM Спектральное угловое отображение
SID Спектральная дивергенция информации
SIPI Индекс структурно-независимого пигмента
SMA Спектральный анализ смеси
SPA Алгоритм последовательных проекций
SVI Спектральный вегетационный индекс
SVM Метод опорных векторов
SVR Регрессия опорного вектора
SWIR Коротковолновая инфракрасная область
ToCV Вирус хлороза томатов
TMV Мозаичный вирус табака
TSWV Вирус пятнистого увядания томатов
UAV Беспилотный летательный аппарат
VIS Диапазон длин волн видимого диапазона
VIS-NIR Диапазон длин волн в видимом и ближнем инфракрасном диапазонах
ν-SVR ν Регрессия опорного вектора
XY-F Сеть XY-Fusion
YR Желтая ржавчина
Мы надеемся, что проведенный в этом обзоре анализ основных ошибок и пробелов поможет решить проблемы, связанные с планированием и проведением эксперимента.
Основным недостатком (о котором следует упомянуть отдельно, так как он присутствует практически во всех рассматриваемых статьях) является отсутствие повторяемости в проводимых экспериментах. Для научной обоснованности крайне важно провести эксперимент по крайней мере дважды. Если речь идет о полевом опыте, то повторный опыт проводится, как правило, в следующий вегетационный период. В лабораторных условиях эксперимент проводится не менее двух раз, а проверку эффективности обучения любых алгоритмов ИИ, используемых исследователями, следует проводить на втором датасете без дополнительного обучения. Только в случае успеха такого эксперимента можно говорить о научном характере его результатов и его успешности в выявлении болезней растений. Мы также хотим повторить важность понимания физиологии процессов, происходящих в больном растении, так как, с нашей точки зрения, химический состав тканей больных растений имеет первостепенное значение для выбора диапазонов важных каналов для определения болезни. Эти диапазоны должны быть очень близки для фенотипически сходных растений одного вида, однако из таблиц 1–4 видно, что точных совпадений важных каналов практически нет. Во всяком случае, мы считаем, что таких совпадений недостаточно.
Кроме того, как мы уже упоминали ранее, методы анализа полученных данных (машинное обучение, нейронные сети, статистический анализ, ручной анализ), на наш взгляд, являются лишь методами автоматизации, не вносящими существенного вклада в решение задачи раннего выявления болезней растений с помощью HRS [90–94,97,105,142,143].
Определение болезней растений с помощью дистанционного зондирования не может рассматриваться в отрыве от других параметров и связанных с ними факторов, таких как фаза развития растений, фенотип, множественные внешние факторы. Поэтому основной задачей, которую необходимо решить при использовании гиперспектральной съемки для раннего выявления болезней растений, на наш взгляд, является применение системного подхода. То есть определение места в сложной природно-технической системе, при котором необходимо проанализировать элементы системы и их взаимосвязи в рамках конкретной организационной структуры для выявления нарушений этой структуры (то есть нарушений параметров растений в процессе развития).
Подводя итоги нашего обзора, хотелось бы отметить статьи, которые, на наш взгляд, лучше всего описывают те или иные аспекты данной проблемы применительно к различным растительным культурам [35,60,76,78–80,104,105,109,110,113,126,127, 133,146,147,192,203,213].
Особенно хотелось бы отметить работу коллектива авторов из Института растениеводства и ресурсосбережения (INRES) по болезням растений и защите растений Боннского университета [2,35,126,127,146,147,182,196,197]. Мы считаем, что эти работы наиболее актуальные, наиболее широко раскрывающие тему и предлагающие наибольшее количество интересных решений и новых подходов.
4. Выводы
На данный момент имеется достаточное количество статей в области использования HRS для проведения успешных экспериментов по раннему выявлению болезней растений. Из рассмотренных статей также ясно, что использование методов машинного обучения для раннего выявления требует значительных исходных данных HRS о болезнях растений.
Сделан ряд предположений о возможных пробелах в знаниях, препятствующих успешному тиражированию экспериментов по выявлению болезней растений с помощью HRS. Различия в спектральных портретах могут быть вызваны различными абиотическими и биотическими факторами, вызывающими стресс растений. На проявление болезни также может влиять фенотип или генотип растения-хозяина, которые определяют уровень устойчивости растений. Наличие смешанной инфекции также может быть важным фактором, влияющим на спектральный портрет. Наконец, последнее, но не менее важное: стоит понимать, какие биохимические изменения происходят внутри растения во время стресса, в каком волновом диапазоне они проявляются и как могут влиять на спектральный портрет растения.
С точки зрения технических и физических аспектов необходимо учитывать модель распространения солнечного света при проведении полевых экспериментов или учитывать характеристики искусственных источников света, используемых при проведении лабораторных экспериментов, т.к. HRS является пассивным методом дистанционного зондирования, зависящим от условий внешнего источника света. Другие технические проблемы могут включать неправильное использование оборудования. Для правильного получения данных необходима правильная калибровка гиперспектрального датчика или камеры. Такая калибровка зависит от температуры гиперспектрального датчика; таким образом, оборудование должно быть откалибровано после некоторого непрерывного периода работы из-за его нагрева во время работы. Лучше всего, если в описание эксперимента будет включена информация о времени суток, когда были получены данные HRS.
Мы достигли основной цели нашего исследования, доказав возможность раннего выявления болезней растений методом гиперспектрального дистанционного зондирования. Наше предположение о совпадении важных каналов для одних и тех же болезней и растений частично подтверждается результатами рассмотренных статей. С другой стороны, во многих рецензируемых статьях демонстрируется несовпадение таких каналов, что подчеркивает один из найденных методологических пробелов — необходимость разработки модели распространения света в различных условиях для нормализации полученных при этом данных.
Систематизация современных актуальных работ по раннему выявлению болезней растений представлена в Обсуждении и в таблицах 1–5.
На наш взгляд, направление дальнейших исследований должно быть следующим. Для успешного решения задачи раннего выявления болезней растений с помощью HRS требуется совместная работа специалистов в области физиологии растений, фитопатологии, устойчивости растений, феномики, биоинформатики, информационных технологий, системного анализа и оптики или фотоники. Мы также считаем, что на данном этапе развития исследований логичнее проводить эксперименты в лабораторных условиях или в промышленных теплицах последнего поколения, где изменчивость абиотических факторов сведена к минимуму. Создание баз данных гиперспектральных портретов растений различных культур и сортов, подверженных влиянию различных возбудителей, вероятно, следует отложить до тех пор, пока не будут разработаны общие принципы дистанционного зондирования болезней растений с помощью HRS, чтобы избежать возможной путаницы.
Вклад авторов: Концептуализация, A.F. и A.T.; курирование данных, A.T. и D.E.; формальный анализ, A.T., V.D. и A.F.; методология, A.F. и A.T.; супервизия, V.D.; написание — первоначальный черновик, A.T.; написание — рецензирование и редактирование, A.T., A.F., V.D. и D.E. Все авторы ознакомились и согласились с опубликованной версией рукописи.
Финансирование: Исследование частично финансируется Министерством науки и высшего образования Российской Федерации в рамках программы Научного центра мирового уровня «Передовые цифровые технологии» (договор No 075-15-2020-934 от 17 ноября 2020 г.).
Заявление Наблюдательного совета учреждения: Не применяется.
Заявление об информированном согласии: Не применяется.
Заявление о доступности данных: Неприменимо.
Благодарности: Мы очень благодарны научным сотрудникам Всероссийского института защиты растений
Афанасенко О.С.; Т.Ю. Кузьмина Гагкаева; Ганнибал; Е.И. Гультяева; Ю.С. Токареву и А.Н. Фролову за помощь и консультации. Мы очень благодарны научному сотруднику Санкт-Петербургского политехнического университета Петра Великого В.Л. Баденко за помощь и консультации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Аббревиатуры
В данной рукописи используются следующие аббревиатуры:
ANN Искусственная нейронная сеть
ANOVA Дисперсионный анализ
ARI Антоциановый индекс отражения BPNN Нейронная сеть обратного распространения
BRT Дерево регрессии
BSR Прикорневая стеблевая гниль
CART Классификации и регрессии деревьев
CBC Бактериальный стоматит цитрусовых
CCCV Кокос cadang-cadang viroid
CNN Сверточная нейронная сеть
CWA Непрерывный вейвлет-анализ
CWT Непрерывное вейвлет-преобразование
DCNN Глубокая сверточная нейронная сеть
ELM Экстремальная обучающая машина
FDI Индекс фузариозной болезни
FHB Фузариоз колоса
GA Генетический алгоритм
GAN Генеративно-состязательные сети
GI Индекс зелености
GPR Регрессия по Гауссову процессу
HLB Хуанлунбин (зеленение цитрусовых)
HRS Гиперспектральное дистанционное зондирование
HIS Оттенок, насыщенность, интенсивность
IPM Комплексная борьба с вредителями
k-NN Алгоритм k-ближайших соседей
LDA Линейный дискриминантный анализ
LRDSI Индекс вредоносности листовой ржавчины
LSM Метод наименьших квадратов
LS-SVM Метод наименьших квадратов – метод опорных векторов
LSTM Долговременная кратковременная память
MLP–ARD Многослойный персептрон с автоматическим определением релевантности
MLR Множественная линейная регрессия
MNF Минимальная доля шума
MSR Модифицированное простое соотношение
MTMF Согласованная фильтрация по смеси
NBNDVI Узкоканаловный нормализованный разностный вегетационный индекс
NCA Анализ компонентов окрестности
NDSI Нормализованный разностный спектральный показатель
NDVI Нормализованный разностный вегетационный индекс,
NIR Диапазон длин волн ближнего инфракрасного диапазона
NRI Индекс отражения азота
OR-AC-GAN Удаление выбросов, вспомогательный классификатор, генеративно-состязательные сети
OS Оранжевая пятнистость
PCA Анализ главных компонент
PCoA Анализ главных координат
PCR Полимеразная цепная реакция
PhRI Физиологический показатель отражения
PLS-DA Частичный дискриминационный анализ методом наименьших квадратов
PLSR Частичная регрессия по методу наименьших квадратов
RNN Рекуррентная нейронная сеть
PRI Индекс фотохимического отражения
PSRI Индекс отражения старения растений
PVY Картофельный вирус y
REP Положение крайнего красного диапазона или точка крайнего красного диапазона
RWP Точка red-well
RF Случайный лес
RVSI Индекс стресса растительности в диапазоне крайнем красном
SAM Спектральное угловое отображение
SID Спектральная дивергенция информации
SIPI Индекс структурно-независимого пигмента
SMA Спектральный анализ смеси
SPA Алгоритм последовательных проекций
SVI Спектральный вегетационный индекс
SVM Метод опорных векторов
SVR Регрессия опорного вектора
SWIR Коротковолновая инфракрасная область
ToCV Вирус хлороза томатов
TMV Мозаичный вирус табака
TSWV Вирус пятнистого увядания томатов
UAV Беспилотный летательный аппарат
VIS Диапазон длин волн видимого диапазона
VIS-NIR Диапазон длин волн в видимом и ближнем инфракрасном диапазонах
ν-SVR ν Регрессия опорного вектора
XY-F Сеть XY-Fusion
YR Желтая ржавчина
Ссылки
1. Элад, Ю.; Перто И. Влияние изменения климата на патогены и болезни растений. Ж. Импровизация. 2014, 28, 99–139. [Перекрестная ссылка]
2. Малейн, А.К.; Куска, М.Т.; Бехманн, Дж.; Польдер, Г.; Уолтер А. Гиперспектральные сенсоры и технологии визуализации в фитопатологии: современное состояние.Annu. Rev. Phytopathol. 2018, 56, 535–558. [Перекрестная ссылка]
3. Вайс, М.; Джейкоб, Ф.; Дювейе Г. Дистанционное зондирование в сельском хозяйстве: мета-обзор. Удаленные датчики окружающей среды. 2020 г.,
4. 236, 111402. [Перекрестная ссылка]
5. Лю, Дж.; Миллер, Дж.Р.; Хабудан, Д.; Патти, Э.; Нолин М.С. Изменчивость сезонных продуктов данных изображений CASI и потенциальноеприменение для разграничения зон управления для точного земледелия. Can. J. Remote Sens. 2005, 31, 400–411. [Перекрестная ссылка]
6. Дженсен, Дж.Р. Дистанционное зондирование окружающей среды: взгляд на ресурсы Земли; Прентис Холл: Аппер-Сэддл-Ривер, Нью-Джерси, США, 2006.
7. Джонс, Х.Г.; Воган Р.А. Дистанционное зондирование растительности: принципы, методы и приложения; Издательство Оксфордского университета: Оксфорд, Великобритания, 2010.
8. Lucieer, A.; Маленовский, З.; Венесс, Т.; Уоллес Л. HyperUAS-спектроскопия с мультироторной беспилотной авиационной системы.
9. Д. Полевой робот. 2014, 31, 571–590. [Перекрестная ссылка]
10. Гонсалес-Дуго, В.; Эрнандес,.; Солис, И.; Зарко-Техада. Использование гиперспектральных и тепловых аэрофотоснимков высокого разрешениядля оценки физиологического состояния в контексте фенотипирования пшеницы. Remote Sens. 2015, 7, 13586–13605. [Перекрестная ссылка]
11. Адао, Т.; Грушка, Й.; Pádua, L.; Бесса, Дж.; Перес, Э.; Мораис, Р.; Соуза, Д. Гиперспектральная визуализация: обзор датчиков на основе БПЛА, обработки данных и приложений для сельского и лесного хозяйства.2017, 9, 1110. [Перекрестная ссылка]
12. Меттернихт Г. Вегетационные индексы, полученные на основе аэрофотосъемки высокого разрешения для точного управления посевами. Int. J. Remote Sens. 2003,24, 2855–2877. [Перекрестная ссылка]
13. Шелл, Дж.; Диринг Д. Мониторинг растительных систем на Великих равнинах с помощью ERTS. Изд-во НАСА 1973, 351, 309.
14. Томас, С.; Куска, М.Т.; Боненкамп, Д.; Брюггер, А.; Алисаак, Э.; Вахабзаде, М.; Бехманн, Дж.; Малейн А.К. Преимущества гиперспектральной визуализации для обнаружения болезней растений и защиты растений: техническая перспектива. JPDP 2018, 125, 5–20. [Перекрестная ссылка]
15. Де Йонг, С.М.; Ван дер Меер, Ф.Д.; Клеверс, Дж.Г. Основы дистанционного зондирования Земли. Анализ изображений дистанционного зондирования Земли: в том числе в пространственной области; Springer: Dordrecht, The Netherlands, 2004.
16. Мишра,.; Асаари, М.С.М.; Эрреро-Лангрео, А.; Лохуми, С.; Диезма, Б.; Шюндерс. Гиперспектральная визуализация растений с близкого расстояния: Обзор.Biosyst. Eng. 2017, 164, 49–67. [Перекрестная ссылка]
17. Чэнь, Ю.; Линь, З.; Чжао, X.; Ван, Г.; Гу Ю. Классификация гиперспектральных данных на основе глубокого обучения. IEEE J. Sel. Top. Appl. 2014 г.,
18. 7, 2094–2107. [Перекрестная ссылка]
19. Ландгребе, Д.А. Методы теории сигналов в мультиспектральном дистанционном зондировании; John Wiley & Sons: Хобокен, Нью-Джерси, США, 2003.
20. Грин, Р.О.; Иствуд, М.Л.; Сартур, К.М.; Криен, Т.Г.; Аронссон, М.; Чиппендейл, Б.Дж.; Фауст, Дж.А.; Паври, Б.Э.; Човит, С.Дж.; Солис, М.; и др. Спектроскопия изображений и спектрометр в видимом/инфракрасном диапазонах (AVIRIS). Удаленные датчики окружающей среды.1998, 65, 227–248. [Перекрестная ссылка]
21. Чанг, К.-И. Гиперспектральная визуализация: методы спектрального детектирования и классификации; Kluwer/Plenum: Нью-Йорк, Нью-Йорк, США, 2003.
22. Цзя, X.; Ричардс, Дж.А.; Рикен, Д.Э. Анализ цифровых изображений дистанционного зондирования: введение; Springer: Berlin/Heidelberg, Ger- many, 1999.
23. Serpico, S.B.; Д'Инка, М.; Мелгани, Ф.; Мозер Г. Сравнение методов редукции признаков для классификации гиперспектральных данных дистанционного зондирования Земли. В области обработки изображений и сигналов для дистанционного зондирования Земли VIII; Международное общество оптики и фотоники: Беллингем, штат Вашингтон, США, 2003 г.; Том 4885, стр. 347–358.
24. Каевпиджит, С.; Ле Муань, Ж.; Эль-Газави Т. Автоматическое сокращение гиперспектральных изображений с помощью вейвлет-спектрального анализа. IEEE Trans. Geosci. Remote Sens.2003, 41, 863–871. [Перекрестная ссылка]
25. Се, К.; Хе Ю. Анализ спектра и текстуры изображения для выявления раннего фитофтороза на листьях баклажанов. Датчики 2016,
26. 16, 676. [Перекрестная ссылка]
27. Баррето, А.; Паулюс, С.; Варрельманн, М.; Малейн А.К. Гиперспектральная визуализация симптомов, индуцированных Rhizoctonia solani всахарной свекле: сравнение входных данных и различных алгоритмов машинного обучения. J. Plant Dis. Prot. 2020, 127, 441–451. [Перекрестная ссылка]
28. Хуан, Л.; Чжан, Х.; Жуан, К.; Хуан, В.; Ху, Т.; Чжао Д. Обнаружение парши в колосьях пшеницы с использованием гиперспектральных данных in situ и метода опорных векторов, оптимизированного генетическим алгоритмом.Int. J. Agric. Biol. Eng. 2020, 13, 182–188. [Перекрестная ссылка]
29. Нгуен, К.; Саган, В.; Maimaitiyiming, M.; Маймайтицзян, М.; Бхадра, С.; Квасьневский, М.Т. Раннее выявление вирусных заболеваний растенийс помощью гиперспектральной визуализации и глубокого обучения. Датчики 2021, 21, 742. [Перекрестная ссылка] [PubMed]
30. Лю, Ф.; Сяо З. Идентификация очагов болезней листьев картофеля в гиперспектральном режиме на основе локально адаптивного 1D-CNN. В материалах Международной конференции IEEE по искусственному интеллекту и компьютерным приложениям (ICAICA) 2020 года, Далянь, Китай, 27–29 июня 2020 г.
31. Цзинь, X.; Цзе, Л.; Ван, С.; Ци, Х.Дж.; Ли С.В. Классификация гиперспектральных пикселей здоровых кочанов пшеницы и фузариоза кочана с использованием глубокой нейронной сети в диком поле.Remote Sens. 2018, 10, 395. [Перекрестная ссылка]
32. Грушка, Й.; Адам, Т.; Падуя, Л.; Маркес,.; Перес, Э.; Соуза, А.; Мораис, Р.; Соуза, Дж.Дж.
33. Подход к раннему выявлению болезней виноградников с использованием гиперспектральных данных. В материалах Международного симпозиума по геонаукам и дистанционному зондированию IGARSS 2018-2018, Валенсия, Испания, 22–27 июля 2018 г.
34. Ван дер Планк, Дж. Болезни растений: эпидемии и борьба; Академический: Нью-Йорк, Нью-Йорк, США, 1963.
35. Уилер, Б.Э.Дж. Введение в болезни растений; Джон Уайли: Лондон, Великобритания, 1969.
36. Кранц, Дж.; Ротем, Дж. Экспериментальные методы в эпидемиологии болезней растений; Springer Science and Business Media: Берлин/Гейдельберг, Германия, 2012.
37. Ван, Ф.-М.; Хуанг, Ж.-Ф.; Ван, X.-Z. Идентификация оптимальных гиперспектральных каналов для оценки биофизических параметров риса. Ж. Интегр. Завод Биол. 2008, 50, 291–299. [Перекрестная ссылка] [PubMed]
38. Монтейро, ПФК; Ангуло Фильо, Р.; Ксавье, А.С.; Монтейро, Р.О.К. Оценка биофизических переменных параметров бобовых культур с помощью гиперспектральных измерений.Наука сельскохозяйственных. 2012, 69, 87–94. [Перекрестная ссылка]
39. Касас, А.; Riaño, D.; Устин, С.Л.; Деннисон,.; Салас Д. Оценка биохимических и биофизических свойств растительности, связанных с водой, с использованием разновременных аэроспектральных данных и их сравнение со спектральным откликом MODIS. Удаленные датчики окружающей среды.2014, 148, 28–41. [Перекрестная ссылка]
40. Румпф, Т.; Малейн, А.-К.; Штайнер, У.; Эрке, Э.-К.; Дене, Х.-В.; Плюмер, Л. Раннее выявление и классификация болезней растений с помощью метода опорных векторов на основе гиперспектральной отражательной способности.Вычислительная техника. Электрон. Агрик. 2010, 74, 91–99. [Перекрестная ссылка]
41. Голхани, К.; Баласундрам, С.К.; Вадамалаи, Г.; Прадхан, Б. Обзор нейронных сетей в обнаружении болезней растений с использованием гиперспектральных данных. Инф. Процесс. Сельскохозяйственный. 2018, 5, 354–371. [Перекрестная ссылка]
42. Нагараджу, М.; Чавла. Систематический обзор методов глубокого обучения в обнаружении болезней растений. Int. J. Syst. Assur. 2020, 11,
43. 547–560. [Перекрестная ссылка]
44. Лу, Дж.; Тан, Л.; Цзян Х. Обзор сверточной нейронной сети (CNN) применительно к классификации болезней листьев растений. Сельское хозяйство
45. 2021 г., 11, 707. [Перекрестная ссылка]
46. Он, Ю.; Цзэн, Х.; Фань, Ю.; Цзи, С.; Ву Д. Применение глубокого обучения в интегрированной борьбе с вредителями: система в режиме реального времени для обнаружения и диагностики вредителей масличного рапса. Моб. Инф. Сист. 2019, 2019, 1–14. [Перекрестная ссылка]
47. Буассар,.; Мартин, В.; Мойсан, С. Когнитивный подход к раннему обнаружению вредителей в тепличных культурах. Вычислительная техника. Электрон. Агрик. 2008, 62, 81–93. [Перекрестная ссылка]
48. Ламичан, Дж.Р.; Оберто, Ж.-Н.; Бегг, Г.; Берч, А.Н.Е.; Бунекамп,.; Дахбродт-Саайдех, С.; Хансен, Дж.Г.; Ховмоллер, М.С.; Дженсен, Дж.Э.; Йоргенсен, Л.Н.; и др. Объединение в сеть интегрированной борьбы с вредителями: эффективный подход к решению общих проблем в сельском хозяйстве.Обрезка прот. 2016, 89, 139–151. [Перекрестная ссылка]
49. Цусима, С. Интегрированный контроль и интегрированная борьба с вредителями в Японии: необходимость различных стратегий в ответ на сельскохозяйственное разнообразие.Д. Генерал Плант Патол. 2014, 80, 389–400. [Перекрестная ссылка]
50. Корли, Р.Х.В.; Тинкер,.Б. Масличная пальма, 4-е изд.; Blackwell Science: Оксфорд, Великобритания, 2003; С. 25–26.
51. Адерунгбойе Ф.О. Болезни масличной пальмы. Int. J. Pest. Манаг. 1977, 23, 305–326. [Перекрестная ссылка]
52. Тернер,.Д. Заболеваемость ганодермой масличных пальм в Малайе и ее связь с предшествующей культурой. Ann. Appl. Biol. 1965 г.г.,
53. 55, 417–423. [Перекрестная ссылка]
54. Сингх, Г. Ганодерма – Бич масличных пальм в прибрежных районах. В материалах семинара по ганодерме, Банги, Селангор, Малайзия, 11 сентября 1990 г.; Дарус, А., Сукайми, Дж., ред.; Научно-исследовательский институт пальмового масла Малайзии: Куала-Лумпур, Малайзия, 1991 г.;Том 67, с. 421–444.
55. Пилотти К.А. Стеблевые гнили масличной пальмы, вызванные Ganoderma boninense: биология патогенов и эпидемиология. Микопатология 2005,
56. 159, 129–137. [Перекрестная ссылка]
57. Ариффин, Д.; Идрис, А.С.; Сингх Г. Состояние ганодермы в масличной пальме. В ганодерме. Болезни многолетних культур, 1-е изд.; Флад, Дж., Бридж,.Д., Холдернесс, М., ред.; CABI Bioscience: Egham, Великобритания, 2000; Том 1, с. 49–68.
58. Патерсон, Р.Р.М. Ганодермическая болезнь масличной пальмы — перспектива белой гнили, необходимая для комплексной борьбы. Обрезка прот. 2007, 26, 1369–1376. [Перекрестная ссылка]
59. Лелонг, C.C.D.; Роджер, Ж.-М.; Бреганд, С.; Дюбертре, Ф.; Ланор, М.; Ситорус, Н.А.; Рахарджо, Д.А.; Калиман, Ж.-. Различение зараженности грибковыми заболеваниями в данных гиперспектральной отражательной способности полога масличной пальмы. В материалах первого семинара по гиперспектральной обработке изображений и сигналов: эволюция в дистанционном зондировании, Гренобль, Франция, 26–28 августа 2009 г.
60. Лелонг, C.C.D.; Роджер, Ж.-М.; Бреганд, С.; Дюбертре, Ф.; Ланор, М.; Ситорус, Н.; Рахарджо, Д.А.; Калиман, Ж.-. Оценка зараженности грибков масличной пальмы данными гиперспектральной отражательной способности полога.Датчики 2010, 10, 734–747. [Перекрестная ссылка]
61. Шафри, Х.З.М.; Ануар М.И. Гиперспектральный анализ сигналов для выявления инфекции болезней у масличных пальм. В материалах Международной конференции по компьютерной и электротехнической технике, Пхукет, Таиланд, 20–22 декабря 2008 г.
62. Шафри, Х.З.М.; Хамдан Н. Гиперспектральные изображения для картирования инфекции болезней на плантациях масличных пальм с использованием вегетационных индексов и методов красных краев.Am. J. Appl. Sci. 2009, 6, 1031–1035.
63. Ануар М.И. Модифицированные вегетационные индексы для выявления болезни ганодермы у масличной пальмы по данным полевых спектрорадиометров. J. Appl. Remote Sens.2009, 3, 033556. [Перекрестная ссылка]
64. Шафри, Х.З.М.; Ануар, М.И.; Семан, И.А.; Нур Н.М. Спектральная дискриминация здоровых и зараженных ганодермой масличных пальм по гиперспектральным данным.Int. J. Remote Sens. 2011, 32, 7111–7129. [Перекрестная ссылка]
65. Ануар, М.И.; Абу, С.И.; Нисфариза, М.Н.; Нордиана, А.А.; Шафри, Х.З.М.; Эззати, Б. Разработка спектральных показателей для раннего выявления заболевания ганодермой у сеянцев масличной пальмы.Int. J. Remote Sens. 2017, 38, 6505–6527.
66. Ануар, М.И.; Нисфариза, М.Н.; Эззати, Б.; Идрис, А.С.; Стивен, доктор медицины; Бойд Д. Анализ гиперспектрального изображения в воздухе с использованием вегетационных индексов, положения красных краев и удаления континуума для выявления ганодермы у масличной пальмы. J. Масличная пальма Res.2018, 30, 416–428.
67. Лиагат, С.; Эхсани, Р.; Мансор, С.; Шафри, Х.З.М.; Меон, С.; Шанкаран, С.; Азам, S.H.M.N. Раннее выявление болезни базальной стеблевой гнили (ганодермы) у масличных пальм на основе данных гиперспектрального отражения с использованием алгоритмов распознавания образов. Int. J. Remote Sens.2014, 35, 3427–3439. [Перекрестная ссылка]
68. Ахмади,.; Мухарам, Ф.М.; Ахмад, К.; Мансор, С.; Абу, С.И. Раннее выявление прикорневой стеблевой гнили ганодермы масличных пальм с помощью искусственного нейросетевого спектрального анализа.Завод Дис. 2017, 101, 1009–1016. [Перекрестная ссылка] [PubMed]
69. Азми, А.Н.Н.; Bejo, S.K.; Джахари, М.; Мухарам, Ф.М.; Юль, И.; Хусин Н.А. Раннее выявление Ganoderma boninense в проростках масличной пальмы с помощью машин опорных векторов.Дистанционные датчики 2020, 12, 3920. [Перекрестная ссылка]
70. Ханольд, Д.; Рэндлс, Д.В. Обнаружение вироидных последовательностей Coconut cadangcadang в масле и кокосовой пальме и других однодольных в юго-западной части Тихого океана.Ann. Appl. Biol. 1991, 118, 139–151. [Перекрестная ссылка]
71. Ву, Ю.Х.; Чонг, Л.С.; Меон, С.; Лау, В.Х.; Конг, Л.Л.; Джозеф, Х.; Вададалай, Г. Характеристика вариантов вироида Coconut cadang-cadang из масличной пальмы, пораженной болезнью оранжевой пятнистости в Малайзии.Арх. 2013, 158, 1407–1410. [Перекрестная ссылка]
72. Selvaraja, S.; Баласундрам, С.К.; Вадамалаи, Г.; Хусни, М.Х.А. Использование спектральной отражательной способности для различения симптомов дефицита калия и оранжевой пятнистости у масличной пальмы (Elaeis guineensis). Наука о жизни J. 2013, 10, 947–951.
73. Selvaraja, S.; Баласундрам, С.К.; Вадамалаи, Г.; Хусни, M.H.A.; Хосла Р. Дистанционное зондирование как инструмент оценки оранжевой пятнистости у масличной пальмы (Elaeis guineensis). Рукавица. Klosterneubg. 2014, 64, 12–26.
74. Голхани, К.; Баласундрам, С.К.; Вадамалаи, Г.; Прадхан Б. Использование спектроскопии отражения в качестве инструмента для скрининга инокулированных вироидами саженцев масличной пальмы.OAJAR 2017, 2, 1–4.
75. Голхани, К.; Баласундрам, С.К.; Вадамалаи, Г.; Прадхан Б. Выбор спектрального индекса для выявления оранжевой пятнистости у масличной пальмы (Elaeis guineensis jacq.) с использованием методов красного края и нейронных сетей. J. Indian Soc. Remote Sens. 2019, 47, 639–646. [Перекрестная ссылка]
76. Шуберт, Т.С.; Rizvi, S.A.; Сан, Х.А.; Готвальд, Т.Р.; Грэхем, Дж.Х.; Диксон, В.Н. Решение проблемы искоренения язвы цитрусовых во Флориде — снова.Завод Дис. 2001, 85, 340–356. [Перекрестная ссылка] [PubMed]
77. Дас, А.К. Рак цитрусовых — Обзор. J. Appl. Hortic. 2003, 5, 52–60. [Перекрестная ссылка]
78. Дэн Сяопин; Танг, В. Исследования по выявлению возбудителя цитрусовых Хуанлунбин методом полимеразной цепной реакции. J. South China Agric.Унив. 1996, 17, 119–120.
79. Жагуэкс, С.; Bové, J.M.; Гамье М. Методы специфического обнаружения двух видов либеробактеров Huanglongbing (Greening): гибридизация ДНК/ДНК и амплификация ДНК методом ПЦР. В материалах конференции Международной организации вирусологов цитрусовых; Кафедра патологии растений, Калифорнийский университет: Риверсайд, Калифорния, США, 1996 г.; Том 13.
80. Фан, Г.; Лю, Б.; Ву, Р. Тридцать лет исследований цитрусовых Хуанлунбин в Китае. Fujian J. Agric. Sci. 2009, 24, 183–190.
81. Мишра, А.Р.; Карими, Д.; Эхсани, Р.; Ли В.С. Идентификация позеленения цитрусовых (HLB) с использованием метода спектроскопии VIS-NIR.
82. Trans. ASABE 2012, 55, 711–720. [Перекрестная ссылка]
83. Шанкаран, С.; Мишра, А.; Майя, Дж.М.; Эхсани Р. Спектроскопия видимого ближнего инфракрасного диапазона для обнаружения HLB в Хуанлунбине с использованием метода спектроскопии VIS-NIR.Вычислительная техника. Электрон. Агрик. 2011, 77, 127–134. [Перекрестная ссылка]
84. Шанкаран, С.; Эхсани, Р. Обнаружение позеленения цитрусовых на основе спектроскопии в видимом ближнем инфракрасном диапазоне: оценка методов выделения спектральных признаков.Обрезка прот. 2011, 30, 1508–1513. [Перекрестная ссылка]
85. Шанкаран, С.; Майя, Дж.; Буханон, С.; Эхсани, Р. Хуанлунбин (позеленение цитрусовых) Обнаружение с использованием методов видимого, ближнего инфракрасного и тепловизионного диапазона.Датчики 2013, 13, 2117–2130. [Перекрестная ссылка]
86. Ли, X.; Ли, В.С.; Ли, М.; Эхсани, Р.; Мишра, А.Р.; Янг, К.; Манган Р.Л. Спектрально-разностный анализ и аэрофотосъемка зараженных деревьев цитрусовых.Вычислительная техника. Электрон. Агрик. 2012, 83, 32–46. [Перекрестная ссылка]
87. Кумар, А.; Ли, В.С.; Эхсани, Р.Дж.; Альбриго, Л.Г.; Янг, К.; Марганец Р.Л. Выявление болезней позеленения цитрусовых с использованием методов аэрогиперспектральной и мультиспектральной визуализации.J. Appl. Remote Sens. 2012, 6, 063542.
88. Венг, Х.; Лу, Дж.; Цен, Х.; Он, М.; Цзэн, Ю.; Хуа, С.; Ли, Х.; Мэн, Ю.; Фанг, Х.; Хэ Ю. Гиперспектральная отражательная визуализация в сочетании с анализом углеводного обмена для диагностики цитрусовых Хуанлунбин в разные сезоны и сорта. Приводы Sens.B Chem. 2018, 275, 50–60. [Перекрестная ссылка]
89. Дэн Сяопин; Хуанг, З.; Чжэн, З.; Лань, Ю.; Дай Ф. Обнаружение и классификация цитрусовых Хуанлунбин на основе гиперспектральной отражательной способности.Вычислительная техника. Электрон. Агрик. 2019, 167, 105006. [Перекрестная ссылка]
90. Дэн Сяопин; Чжу, З.; Янг, Дж.; Чжэн, З.; Хуанг, З.; Инь, X.; Вэй, С.; Лань Ю. Обнаружение цитрусовых хуанлунбин на основе многовходовой нейросетевой модели БПЛА HRS. 2020, 12, 2678. [Перекрестная ссылка]
91. Лань, Ю.; Чжу, З.; Дэн Сяопин; Лиан, Б.; Хуан, Дж.; Хуанг, З.; Ху Д. Мониторинг и классификация растений цитрусовых Хуанлунбин на основе БПЛА HRS.Trans. Chin. Soc. Agric. Eng. 2019, 35, 92–100.
92. Лань, Ю.; Хуанг, З.; Дэн Сяопин; Чжу, З.; Хуан, Х.; Чжэн, З.; Лиан, Б.; Цзэн, Г.; Тонг, З. Сравнение методов машинного обучения для обнаружения позеленения цитрусовых на мультиспектральных изображениях БПЛА.Вычислительная техника. Электрон. Агрик. 2020, 171, 105234. [Перекрестная ссылка]
93. Мэй, Х.; Дэн Сяопин; Хонг, Т.; Ло, Х.; Дэн Сяопин. Раннее обнаружение и классификация цитрусовых хуанлунбин с использованием метода гиперспектральной визуализации.Trans. Chin. Soc. Agric. Eng. 2014, 30, 140–147.
94. Ли, Дж.; Хуан, В.; Тянь, X.; Ван, К.; Фан, С.; Чжао, К. Быстрое обнаружение и визуализация раннего распада цитрусовых с помощью гиперспектральной визуализации Vis-NIR.Вычислительная техника. Электрон. Агрик. 2016, 127, 582–592. [Перекрестная ссылка]
95. Тянь, X.; Фан, С.; Хуан, В.; Ван, З.; Ли, Д. Обнаружение раннего распада цитрусовых с использованием технологии гиперспектральной визуализации коэффициента пропускания в сочетании с анализом главных компонент и улучшенными алгоритмами сегментации водосборных бассейнов. Послеуборочная биол. технол.2020, 161, 111071. [Перекрестная ссылка]
96. Фулад, М.Р.; Мерк, Х.Л.; Ашрафи Х. Генетика, геномика и селекция устойчивости к фитофторозу и раннему фитофторозу у томатов. Crit. Rev. Plant Sci.2008, 27, 75–107. [Перекрестная ссылка]
97. Акино, С.; Такемото, Д.; Хосака, К. Phytophthora infestans: обзор прошлых и текущих исследований фитофтороза картофеля. Д. Генерал Плант Патол.2013, 80, 24–37. [Перекрестная ссылка]
98. Розелло, С.; Диес, М.Х.; Нуэс Ф. Вирусные болезни, наносящие наибольшие экономические потери урожаю томатов. I. Вирус пятнистого увядания томатов— обзор. наук. 1996, 67, 117–150. [Перекрестная ссылка]
99. Карасев, А.В.; Грей С.М. Непрерывные и новые вызовы вируса Y в картофеле. Annu. Rev. Phytopathol. 2013, 51, 571–586. [Перекрестная ссылка]
100. Хардвик Н.В. Прогнозирование заболеваний. В книге «Эпидемиология болезней растений», 2-е изд.; Кук, Б.М., Джонс, Д.Г., Кэй, Б., ред.; Springer: Dordrecht, Нидерланды, 2006; С. 239–267.
1. Элад, Ю.; Перто И. Влияние изменения климата на патогены и болезни растений. Ж. Импровизация. 2014, 28, 99–139. [Перекрестная ссылка]
2. Малейн, А.К.; Куска, М.Т.; Бехманн, Дж.; Польдер, Г.; Уолтер А. Гиперспектральные сенсоры и технологии визуализации в фитопатологии: современное состояние.Annu. Rev. Phytopathol. 2018, 56, 535–558. [Перекрестная ссылка]
3. Вайс, М.; Джейкоб, Ф.; Дювейе Г. Дистанционное зондирование в сельском хозяйстве: мета-обзор. Удаленные датчики окружающей среды. 2020 г.,
4. 236, 111402. [Перекрестная ссылка]
5. Лю, Дж.; Миллер, Дж.Р.; Хабудан, Д.; Патти, Э.; Нолин М.С. Изменчивость сезонных продуктов данных изображений CASI и потенциальноеприменение для разграничения зон управления для точного земледелия. Can. J. Remote Sens. 2005, 31, 400–411. [Перекрестная ссылка]
6. Дженсен, Дж.Р. Дистанционное зондирование окружающей среды: взгляд на ресурсы Земли; Прентис Холл: Аппер-Сэддл-Ривер, Нью-Джерси, США, 2006.
7. Джонс, Х.Г.; Воган Р.А. Дистанционное зондирование растительности: принципы, методы и приложения; Издательство Оксфордского университета: Оксфорд, Великобритания, 2010.
8. Lucieer, A.; Маленовский, З.; Венесс, Т.; Уоллес Л. HyperUAS-спектроскопия с мультироторной беспилотной авиационной системы.
9. Д. Полевой робот. 2014, 31, 571–590. [Перекрестная ссылка]
10. Гонсалес-Дуго, В.; Эрнандес,.; Солис, И.; Зарко-Техада. Использование гиперспектральных и тепловых аэрофотоснимков высокого разрешениядля оценки физиологического состояния в контексте фенотипирования пшеницы. Remote Sens. 2015, 7, 13586–13605. [Перекрестная ссылка]
11. Адао, Т.; Грушка, Й.; Pádua, L.; Бесса, Дж.; Перес, Э.; Мораис, Р.; Соуза, Д. Гиперспектральная визуализация: обзор датчиков на основе БПЛА, обработки данных и приложений для сельского и лесного хозяйства.2017, 9, 1110. [Перекрестная ссылка]
12. Меттернихт Г. Вегетационные индексы, полученные на основе аэрофотосъемки высокого разрешения для точного управления посевами. Int. J. Remote Sens. 2003,24, 2855–2877. [Перекрестная ссылка]
13. Шелл, Дж.; Диринг Д. Мониторинг растительных систем на Великих равнинах с помощью ERTS. Изд-во НАСА 1973, 351, 309.
14. Томас, С.; Куска, М.Т.; Боненкамп, Д.; Брюггер, А.; Алисаак, Э.; Вахабзаде, М.; Бехманн, Дж.; Малейн А.К. Преимущества гиперспектральной визуализации для обнаружения болезней растений и защиты растений: техническая перспектива. JPDP 2018, 125, 5–20. [Перекрестная ссылка]
15. Де Йонг, С.М.; Ван дер Меер, Ф.Д.; Клеверс, Дж.Г. Основы дистанционного зондирования Земли. Анализ изображений дистанционного зондирования Земли: в том числе в пространственной области; Springer: Dordrecht, The Netherlands, 2004.
16. Мишра,.; Асаари, М.С.М.; Эрреро-Лангрео, А.; Лохуми, С.; Диезма, Б.; Шюндерс. Гиперспектральная визуализация растений с близкого расстояния: Обзор.Biosyst. Eng. 2017, 164, 49–67. [Перекрестная ссылка]
17. Чэнь, Ю.; Линь, З.; Чжао, X.; Ван, Г.; Гу Ю. Классификация гиперспектральных данных на основе глубокого обучения. IEEE J. Sel. Top. Appl. 2014 г.,
18. 7, 2094–2107. [Перекрестная ссылка]
19. Ландгребе, Д.А. Методы теории сигналов в мультиспектральном дистанционном зондировании; John Wiley & Sons: Хобокен, Нью-Джерси, США, 2003.
20. Грин, Р.О.; Иствуд, М.Л.; Сартур, К.М.; Криен, Т.Г.; Аронссон, М.; Чиппендейл, Б.Дж.; Фауст, Дж.А.; Паври, Б.Э.; Човит, С.Дж.; Солис, М.; и др. Спектроскопия изображений и спектрометр в видимом/инфракрасном диапазонах (AVIRIS). Удаленные датчики окружающей среды.1998, 65, 227–248. [Перекрестная ссылка]
21. Чанг, К.-И. Гиперспектральная визуализация: методы спектрального детектирования и классификации; Kluwer/Plenum: Нью-Йорк, Нью-Йорк, США, 2003.
22. Цзя, X.; Ричардс, Дж.А.; Рикен, Д.Э. Анализ цифровых изображений дистанционного зондирования: введение; Springer: Berlin/Heidelberg, Ger- many, 1999.
23. Serpico, S.B.; Д'Инка, М.; Мелгани, Ф.; Мозер Г. Сравнение методов редукции признаков для классификации гиперспектральных данных дистанционного зондирования Земли. В области обработки изображений и сигналов для дистанционного зондирования Земли VIII; Международное общество оптики и фотоники: Беллингем, штат Вашингтон, США, 2003 г.; Том 4885, стр. 347–358.
24. Каевпиджит, С.; Ле Муань, Ж.; Эль-Газави Т. Автоматическое сокращение гиперспектральных изображений с помощью вейвлет-спектрального анализа. IEEE Trans. Geosci. Remote Sens.2003, 41, 863–871. [Перекрестная ссылка]
25. Се, К.; Хе Ю. Анализ спектра и текстуры изображения для выявления раннего фитофтороза на листьях баклажанов. Датчики 2016,
26. 16, 676. [Перекрестная ссылка]
27. Баррето, А.; Паулюс, С.; Варрельманн, М.; Малейн А.К. Гиперспектральная визуализация симптомов, индуцированных Rhizoctonia solani всахарной свекле: сравнение входных данных и различных алгоритмов машинного обучения. J. Plant Dis. Prot. 2020, 127, 441–451. [Перекрестная ссылка]
28. Хуан, Л.; Чжан, Х.; Жуан, К.; Хуан, В.; Ху, Т.; Чжао Д. Обнаружение парши в колосьях пшеницы с использованием гиперспектральных данных in situ и метода опорных векторов, оптимизированного генетическим алгоритмом.Int. J. Agric. Biol. Eng. 2020, 13, 182–188. [Перекрестная ссылка]
29. Нгуен, К.; Саган, В.; Maimaitiyiming, M.; Маймайтицзян, М.; Бхадра, С.; Квасьневский, М.Т. Раннее выявление вирусных заболеваний растенийс помощью гиперспектральной визуализации и глубокого обучения. Датчики 2021, 21, 742. [Перекрестная ссылка] [PubMed]
30. Лю, Ф.; Сяо З. Идентификация очагов болезней листьев картофеля в гиперспектральном режиме на основе локально адаптивного 1D-CNN. В материалах Международной конференции IEEE по искусственному интеллекту и компьютерным приложениям (ICAICA) 2020 года, Далянь, Китай, 27–29 июня 2020 г.
31. Цзинь, X.; Цзе, Л.; Ван, С.; Ци, Х.Дж.; Ли С.В. Классификация гиперспектральных пикселей здоровых кочанов пшеницы и фузариоза кочана с использованием глубокой нейронной сети в диком поле.Remote Sens. 2018, 10, 395. [Перекрестная ссылка]
32. Грушка, Й.; Адам, Т.; Падуя, Л.; Маркес,.; Перес, Э.; Соуза, А.; Мораис, Р.; Соуза, Дж.Дж.
33. Подход к раннему выявлению болезней виноградников с использованием гиперспектральных данных. В материалах Международного симпозиума по геонаукам и дистанционному зондированию IGARSS 2018-2018, Валенсия, Испания, 22–27 июля 2018 г.
34. Ван дер Планк, Дж. Болезни растений: эпидемии и борьба; Академический: Нью-Йорк, Нью-Йорк, США, 1963.
35. Уилер, Б.Э.Дж. Введение в болезни растений; Джон Уайли: Лондон, Великобритания, 1969.
36. Кранц, Дж.; Ротем, Дж. Экспериментальные методы в эпидемиологии болезней растений; Springer Science and Business Media: Берлин/Гейдельберг, Германия, 2012.
37. Ван, Ф.-М.; Хуанг, Ж.-Ф.; Ван, X.-Z. Идентификация оптимальных гиперспектральных каналов для оценки биофизических параметров риса. Ж. Интегр. Завод Биол. 2008, 50, 291–299. [Перекрестная ссылка] [PubMed]
38. Монтейро, ПФК; Ангуло Фильо, Р.; Ксавье, А.С.; Монтейро, Р.О.К. Оценка биофизических переменных параметров бобовых культур с помощью гиперспектральных измерений.Наука сельскохозяйственных. 2012, 69, 87–94. [Перекрестная ссылка]
39. Касас, А.; Riaño, D.; Устин, С.Л.; Деннисон,.; Салас Д. Оценка биохимических и биофизических свойств растительности, связанных с водой, с использованием разновременных аэроспектральных данных и их сравнение со спектральным откликом MODIS. Удаленные датчики окружающей среды.2014, 148, 28–41. [Перекрестная ссылка]
40. Румпф, Т.; Малейн, А.-К.; Штайнер, У.; Эрке, Э.-К.; Дене, Х.-В.; Плюмер, Л. Раннее выявление и классификация болезней растений с помощью метода опорных векторов на основе гиперспектральной отражательной способности.Вычислительная техника. Электрон. Агрик. 2010, 74, 91–99. [Перекрестная ссылка]
41. Голхани, К.; Баласундрам, С.К.; Вадамалаи, Г.; Прадхан, Б. Обзор нейронных сетей в обнаружении болезней растений с использованием гиперспектральных данных. Инф. Процесс. Сельскохозяйственный. 2018, 5, 354–371. [Перекрестная ссылка]
42. Нагараджу, М.; Чавла. Систематический обзор методов глубокого обучения в обнаружении болезней растений. Int. J. Syst. Assur. 2020, 11,
43. 547–560. [Перекрестная ссылка]
44. Лу, Дж.; Тан, Л.; Цзян Х. Обзор сверточной нейронной сети (CNN) применительно к классификации болезней листьев растений. Сельское хозяйство
45. 2021 г., 11, 707. [Перекрестная ссылка]
46. Он, Ю.; Цзэн, Х.; Фань, Ю.; Цзи, С.; Ву Д. Применение глубокого обучения в интегрированной борьбе с вредителями: система в режиме реального времени для обнаружения и диагностики вредителей масличного рапса. Моб. Инф. Сист. 2019, 2019, 1–14. [Перекрестная ссылка]
47. Буассар,.; Мартин, В.; Мойсан, С. Когнитивный подход к раннему обнаружению вредителей в тепличных культурах. Вычислительная техника. Электрон. Агрик. 2008, 62, 81–93. [Перекрестная ссылка]
48. Ламичан, Дж.Р.; Оберто, Ж.-Н.; Бегг, Г.; Берч, А.Н.Е.; Бунекамп,.; Дахбродт-Саайдех, С.; Хансен, Дж.Г.; Ховмоллер, М.С.; Дженсен, Дж.Э.; Йоргенсен, Л.Н.; и др. Объединение в сеть интегрированной борьбы с вредителями: эффективный подход к решению общих проблем в сельском хозяйстве.Обрезка прот. 2016, 89, 139–151. [Перекрестная ссылка]
49. Цусима, С. Интегрированный контроль и интегрированная борьба с вредителями в Японии: необходимость различных стратегий в ответ на сельскохозяйственное разнообразие.Д. Генерал Плант Патол. 2014, 80, 389–400. [Перекрестная ссылка]
50. Корли, Р.Х.В.; Тинкер,.Б. Масличная пальма, 4-е изд.; Blackwell Science: Оксфорд, Великобритания, 2003; С. 25–26.
51. Адерунгбойе Ф.О. Болезни масличной пальмы. Int. J. Pest. Манаг. 1977, 23, 305–326. [Перекрестная ссылка]
52. Тернер,.Д. Заболеваемость ганодермой масличных пальм в Малайе и ее связь с предшествующей культурой. Ann. Appl. Biol. 1965 г.г.,
53. 55, 417–423. [Перекрестная ссылка]
54. Сингх, Г. Ганодерма – Бич масличных пальм в прибрежных районах. В материалах семинара по ганодерме, Банги, Селангор, Малайзия, 11 сентября 1990 г.; Дарус, А., Сукайми, Дж., ред.; Научно-исследовательский институт пальмового масла Малайзии: Куала-Лумпур, Малайзия, 1991 г.;Том 67, с. 421–444.
55. Пилотти К.А. Стеблевые гнили масличной пальмы, вызванные Ganoderma boninense: биология патогенов и эпидемиология. Микопатология 2005,
56. 159, 129–137. [Перекрестная ссылка]
57. Ариффин, Д.; Идрис, А.С.; Сингх Г. Состояние ганодермы в масличной пальме. В ганодерме. Болезни многолетних культур, 1-е изд.; Флад, Дж., Бридж,.Д., Холдернесс, М., ред.; CABI Bioscience: Egham, Великобритания, 2000; Том 1, с. 49–68.
58. Патерсон, Р.Р.М. Ганодермическая болезнь масличной пальмы — перспектива белой гнили, необходимая для комплексной борьбы. Обрезка прот. 2007, 26, 1369–1376. [Перекрестная ссылка]
59. Лелонг, C.C.D.; Роджер, Ж.-М.; Бреганд, С.; Дюбертре, Ф.; Ланор, М.; Ситорус, Н.А.; Рахарджо, Д.А.; Калиман, Ж.-. Различение зараженности грибковыми заболеваниями в данных гиперспектральной отражательной способности полога масличной пальмы. В материалах первого семинара по гиперспектральной обработке изображений и сигналов: эволюция в дистанционном зондировании, Гренобль, Франция, 26–28 августа 2009 г.
60. Лелонг, C.C.D.; Роджер, Ж.-М.; Бреганд, С.; Дюбертре, Ф.; Ланор, М.; Ситорус, Н.; Рахарджо, Д.А.; Калиман, Ж.-. Оценка зараженности грибков масличной пальмы данными гиперспектральной отражательной способности полога.Датчики 2010, 10, 734–747. [Перекрестная ссылка]
61. Шафри, Х.З.М.; Ануар М.И. Гиперспектральный анализ сигналов для выявления инфекции болезней у масличных пальм. В материалах Международной конференции по компьютерной и электротехнической технике, Пхукет, Таиланд, 20–22 декабря 2008 г.
62. Шафри, Х.З.М.; Хамдан Н. Гиперспектральные изображения для картирования инфекции болезней на плантациях масличных пальм с использованием вегетационных индексов и методов красных краев.Am. J. Appl. Sci. 2009, 6, 1031–1035.
63. Ануар М.И. Модифицированные вегетационные индексы для выявления болезни ганодермы у масличной пальмы по данным полевых спектрорадиометров. J. Appl. Remote Sens.2009, 3, 033556. [Перекрестная ссылка]
64. Шафри, Х.З.М.; Ануар, М.И.; Семан, И.А.; Нур Н.М. Спектральная дискриминация здоровых и зараженных ганодермой масличных пальм по гиперспектральным данным.Int. J. Remote Sens. 2011, 32, 7111–7129. [Перекрестная ссылка]
65. Ануар, М.И.; Абу, С.И.; Нисфариза, М.Н.; Нордиана, А.А.; Шафри, Х.З.М.; Эззати, Б. Разработка спектральных показателей для раннего выявления заболевания ганодермой у сеянцев масличной пальмы.Int. J. Remote Sens. 2017, 38, 6505–6527.
66. Ануар, М.И.; Нисфариза, М.Н.; Эззати, Б.; Идрис, А.С.; Стивен, доктор медицины; Бойд Д. Анализ гиперспектрального изображения в воздухе с использованием вегетационных индексов, положения красных краев и удаления континуума для выявления ганодермы у масличной пальмы. J. Масличная пальма Res.2018, 30, 416–428.
67. Лиагат, С.; Эхсани, Р.; Мансор, С.; Шафри, Х.З.М.; Меон, С.; Шанкаран, С.; Азам, S.H.M.N. Раннее выявление болезни базальной стеблевой гнили (ганодермы) у масличных пальм на основе данных гиперспектрального отражения с использованием алгоритмов распознавания образов. Int. J. Remote Sens.2014, 35, 3427–3439. [Перекрестная ссылка]
68. Ахмади,.; Мухарам, Ф.М.; Ахмад, К.; Мансор, С.; Абу, С.И. Раннее выявление прикорневой стеблевой гнили ганодермы масличных пальм с помощью искусственного нейросетевого спектрального анализа.Завод Дис. 2017, 101, 1009–1016. [Перекрестная ссылка] [PubMed]
69. Азми, А.Н.Н.; Bejo, S.K.; Джахари, М.; Мухарам, Ф.М.; Юль, И.; Хусин Н.А. Раннее выявление Ganoderma boninense в проростках масличной пальмы с помощью машин опорных векторов.Дистанционные датчики 2020, 12, 3920. [Перекрестная ссылка]
70. Ханольд, Д.; Рэндлс, Д.В. Обнаружение вироидных последовательностей Coconut cadangcadang в масле и кокосовой пальме и других однодольных в юго-западной части Тихого океана.Ann. Appl. Biol. 1991, 118, 139–151. [Перекрестная ссылка]
71. Ву, Ю.Х.; Чонг, Л.С.; Меон, С.; Лау, В.Х.; Конг, Л.Л.; Джозеф, Х.; Вададалай, Г. Характеристика вариантов вироида Coconut cadang-cadang из масличной пальмы, пораженной болезнью оранжевой пятнистости в Малайзии.Арх. 2013, 158, 1407–1410. [Перекрестная ссылка]
72. Selvaraja, S.; Баласундрам, С.К.; Вадамалаи, Г.; Хусни, М.Х.А. Использование спектральной отражательной способности для различения симптомов дефицита калия и оранжевой пятнистости у масличной пальмы (Elaeis guineensis). Наука о жизни J. 2013, 10, 947–951.
73. Selvaraja, S.; Баласундрам, С.К.; Вадамалаи, Г.; Хусни, M.H.A.; Хосла Р. Дистанционное зондирование как инструмент оценки оранжевой пятнистости у масличной пальмы (Elaeis guineensis). Рукавица. Klosterneubg. 2014, 64, 12–26.
74. Голхани, К.; Баласундрам, С.К.; Вадамалаи, Г.; Прадхан Б. Использование спектроскопии отражения в качестве инструмента для скрининга инокулированных вироидами саженцев масличной пальмы.OAJAR 2017, 2, 1–4.
75. Голхани, К.; Баласундрам, С.К.; Вадамалаи, Г.; Прадхан Б. Выбор спектрального индекса для выявления оранжевой пятнистости у масличной пальмы (Elaeis guineensis jacq.) с использованием методов красного края и нейронных сетей. J. Indian Soc. Remote Sens. 2019, 47, 639–646. [Перекрестная ссылка]
76. Шуберт, Т.С.; Rizvi, S.A.; Сан, Х.А.; Готвальд, Т.Р.; Грэхем, Дж.Х.; Диксон, В.Н. Решение проблемы искоренения язвы цитрусовых во Флориде — снова.Завод Дис. 2001, 85, 340–356. [Перекрестная ссылка] [PubMed]
77. Дас, А.К. Рак цитрусовых — Обзор. J. Appl. Hortic. 2003, 5, 52–60. [Перекрестная ссылка]
78. Дэн Сяопин; Танг, В. Исследования по выявлению возбудителя цитрусовых Хуанлунбин методом полимеразной цепной реакции. J. South China Agric.Унив. 1996, 17, 119–120.
79. Жагуэкс, С.; Bové, J.M.; Гамье М. Методы специфического обнаружения двух видов либеробактеров Huanglongbing (Greening): гибридизация ДНК/ДНК и амплификация ДНК методом ПЦР. В материалах конференции Международной организации вирусологов цитрусовых; Кафедра патологии растений, Калифорнийский университет: Риверсайд, Калифорния, США, 1996 г.; Том 13.
80. Фан, Г.; Лю, Б.; Ву, Р. Тридцать лет исследований цитрусовых Хуанлунбин в Китае. Fujian J. Agric. Sci. 2009, 24, 183–190.
81. Мишра, А.Р.; Карими, Д.; Эхсани, Р.; Ли В.С. Идентификация позеленения цитрусовых (HLB) с использованием метода спектроскопии VIS-NIR.
82. Trans. ASABE 2012, 55, 711–720. [Перекрестная ссылка]
83. Шанкаран, С.; Мишра, А.; Майя, Дж.М.; Эхсани Р. Спектроскопия видимого ближнего инфракрасного диапазона для обнаружения HLB в Хуанлунбине с использованием метода спектроскопии VIS-NIR.Вычислительная техника. Электрон. Агрик. 2011, 77, 127–134. [Перекрестная ссылка]
84. Шанкаран, С.; Эхсани, Р. Обнаружение позеленения цитрусовых на основе спектроскопии в видимом ближнем инфракрасном диапазоне: оценка методов выделения спектральных признаков.Обрезка прот. 2011, 30, 1508–1513. [Перекрестная ссылка]
85. Шанкаран, С.; Майя, Дж.; Буханон, С.; Эхсани, Р. Хуанлунбин (позеленение цитрусовых) Обнаружение с использованием методов видимого, ближнего инфракрасного и тепловизионного диапазона.Датчики 2013, 13, 2117–2130. [Перекрестная ссылка]
86. Ли, X.; Ли, В.С.; Ли, М.; Эхсани, Р.; Мишра, А.Р.; Янг, К.; Манган Р.Л. Спектрально-разностный анализ и аэрофотосъемка зараженных деревьев цитрусовых.Вычислительная техника. Электрон. Агрик. 2012, 83, 32–46. [Перекрестная ссылка]
87. Кумар, А.; Ли, В.С.; Эхсани, Р.Дж.; Альбриго, Л.Г.; Янг, К.; Марганец Р.Л. Выявление болезней позеленения цитрусовых с использованием методов аэрогиперспектральной и мультиспектральной визуализации.J. Appl. Remote Sens. 2012, 6, 063542.
88. Венг, Х.; Лу, Дж.; Цен, Х.; Он, М.; Цзэн, Ю.; Хуа, С.; Ли, Х.; Мэн, Ю.; Фанг, Х.; Хэ Ю. Гиперспектральная отражательная визуализация в сочетании с анализом углеводного обмена для диагностики цитрусовых Хуанлунбин в разные сезоны и сорта. Приводы Sens.B Chem. 2018, 275, 50–60. [Перекрестная ссылка]
89. Дэн Сяопин; Хуанг, З.; Чжэн, З.; Лань, Ю.; Дай Ф. Обнаружение и классификация цитрусовых Хуанлунбин на основе гиперспектральной отражательной способности.Вычислительная техника. Электрон. Агрик. 2019, 167, 105006. [Перекрестная ссылка]
90. Дэн Сяопин; Чжу, З.; Янг, Дж.; Чжэн, З.; Хуанг, З.; Инь, X.; Вэй, С.; Лань Ю. Обнаружение цитрусовых хуанлунбин на основе многовходовой нейросетевой модели БПЛА HRS. 2020, 12, 2678. [Перекрестная ссылка]
91. Лань, Ю.; Чжу, З.; Дэн Сяопин; Лиан, Б.; Хуан, Дж.; Хуанг, З.; Ху Д. Мониторинг и классификация растений цитрусовых Хуанлунбин на основе БПЛА HRS.Trans. Chin. Soc. Agric. Eng. 2019, 35, 92–100.
92. Лань, Ю.; Хуанг, З.; Дэн Сяопин; Чжу, З.; Хуан, Х.; Чжэн, З.; Лиан, Б.; Цзэн, Г.; Тонг, З. Сравнение методов машинного обучения для обнаружения позеленения цитрусовых на мультиспектральных изображениях БПЛА.Вычислительная техника. Электрон. Агрик. 2020, 171, 105234. [Перекрестная ссылка]
93. Мэй, Х.; Дэн Сяопин; Хонг, Т.; Ло, Х.; Дэн Сяопин. Раннее обнаружение и классификация цитрусовых хуанлунбин с использованием метода гиперспектральной визуализации.Trans. Chin. Soc. Agric. Eng. 2014, 30, 140–147.
94. Ли, Дж.; Хуан, В.; Тянь, X.; Ван, К.; Фан, С.; Чжао, К. Быстрое обнаружение и визуализация раннего распада цитрусовых с помощью гиперспектральной визуализации Vis-NIR.Вычислительная техника. Электрон. Агрик. 2016, 127, 582–592. [Перекрестная ссылка]
95. Тянь, X.; Фан, С.; Хуан, В.; Ван, З.; Ли, Д. Обнаружение раннего распада цитрусовых с использованием технологии гиперспектральной визуализации коэффициента пропускания в сочетании с анализом главных компонент и улучшенными алгоритмами сегментации водосборных бассейнов. Послеуборочная биол. технол.2020, 161, 111071. [Перекрестная ссылка]
96. Фулад, М.Р.; Мерк, Х.Л.; Ашрафи Х. Генетика, геномика и селекция устойчивости к фитофторозу и раннему фитофторозу у томатов. Crit. Rev. Plant Sci.2008, 27, 75–107. [Перекрестная ссылка]
97. Акино, С.; Такемото, Д.; Хосака, К. Phytophthora infestans: обзор прошлых и текущих исследований фитофтороза картофеля. Д. Генерал Плант Патол.2013, 80, 24–37. [Перекрестная ссылка]
98. Розелло, С.; Диес, М.Х.; Нуэс Ф. Вирусные болезни, наносящие наибольшие экономические потери урожаю томатов. I. Вирус пятнистого увядания томатов— обзор. наук. 1996, 67, 117–150. [Перекрестная ссылка]
99. Карасев, А.В.; Грей С.М. Непрерывные и новые вызовы вируса Y в картофеле. Annu. Rev. Phytopathol. 2013, 51, 571–586. [Перекрестная ссылка]
100. Хардвик Н.В. Прогнозирование заболеваний. В книге «Эпидемиология болезней растений», 2-е изд.; Кук, Б.М., Джонс, Д.Г., Кэй, Б., ред.; Springer: Dordrecht, Нидерланды, 2006; С. 239–267.
101. Лу, Дж.; Чжоу, М.; Гао, Ю.; Цзян, Х. Использование гиперспектральной визуализации для дифференциации желтой курчавости листьев томатов. Precis. Agric.2017, 19, 379–394. [Перекрестная ссылка]
102. Лу, Дж.; Эхсани, Р.; Ши, Ю.; де Кастро, А.И.; Ван С. Выявление множественных болезней листьев томатов (фитофтороз, целевая и бактериальная пятнистость) на разных стадиях с помощью спектрального датчика.2018, 8, 2793. [Перекрестная ссылка]
103. Польдер, Г.; Блок,.М.; де Вилье, H.A.C.; Ван дер Вольф, Дж.М.; Камп Д. Обнаружение вируса картофеля Y в семенном картофеле с использованием глубокого обучения на гиперспектральных изображениях.Фронт. Наука о растениях. 2019, 10, 209. [Перекрестная ссылка]
104. Гриффель, Л.М.; Дельпарт, Д.; Эдвардс Д. Использование метода опорных векторов для дифференциации спектральных сигнатур растений картофеля, инфицированных вирусом картофеля Y.Вычислительная техника. Электрон. Агрик. 2018, 153, 318–324. [Перекрестная ссылка]
105. Ван де Вийвера, Р.; Мертенса, К.; Хёнгенсб, К.; Сомерск, Б.; Nuyttensa, D.; Борра-Серранок, И.; Lootensd, P.; Roldán-Ruizd, I.; Vangeytea, J.; Сайс В. Обнаружение Alternaria solani в посевах картофеля в полевых условиях с помощью гиперспектральной визуализации. Вычислительная техника. Электрон. Агрик.2019, 168, 105106. [Перекрестная ссылка]
106. Абдулридха, Дж.; Ampatzidis, Y.; Куреши, Дж.; Роберт. Обнаружение пятнистых и бактериальных пятен в томатах с использованием методов гиперспектральной визуализации с использованием БПЛА и настольных методов гиперспектральной визуализации. Precis. Agric. 2019, 21, 955–978. [Перекрестная ссылка]
107. Абдулридха, Дж.; Ampatzidis, Y.; Kakarla, S.C.; Роберт. Лабораторная и беспилотная идентификация и классификация желтой курчавости листьев, бактериальной пятнистости и болезней-мишеней томатов с использованием гиперспектральной визуализации и машинного обучения. 2020, 21, 3843. [Перекрестная ссылка]
108. Чжан, М.; Цинь, З.; Лю, X.; Устин С.Л. Обнаружение стресса у томатов, вызванного фитофторозом, в Калифорнии, США, с использованием HRS.Int. J. Appl. Earth. Obs. 2003, 4, 295–310. [Перекрестная ссылка]
109. Фернандес, C.I.; Леблон, Б.; Хаддади, А.; Ван, Дж.; Ван К. Обнаружение фитофтороза картофеля на уровне листьев и полога с использованием гиперспектральных данных.Can. J. Remote Sens. 2020, 46, 390–413. [Перекрестная ссылка]
110. Фернандес, C.I.; Леблон, Б.; Хаддади, А.; Ван, К.; Ванг, Д. Обнаружение фитофтороза картофеля на уровне листьев и полога на основе красных областей спектра.2020, 12, 1292. [Перекрестная ссылка]
111. Крежова, Д.; Дикова Б.; Манева С. Наземная система обнаружения болезней растений табака. Bulg. J. Agric. Sci. 2014, 20,
112. 1142–1150.
113. Се, К.; Шао, Ю.; Ли, X.; Хе Ю. Выявление раннего и фитофтороза на листьях томатов с помощью гиперспектральной визуализации. 2015, 5, 16564. [Перекрестная ссылка] [PubMed]
114. Се, К.; Янг, К.; Хе Ю. Гиперспектральная визуализация для классификации здоровых и пораженных серой плесенью листьев томатов с различной степенью поражения.Вычислительная техника. Электрон. Агрик. 2017, 135, 154–162. [Перекрестная ссылка]
115. Ван, Д.; Винсон, Р.; Холмс, М.; Зайбель, Г.; Бешар, А.; Ноф, С.; Ло, Ю.; Дао, Ю. Раннее обнаружение вируса пятнистого увядания томатов с использованием метода гиперспектральной визуализации и генеративно-состязательных сетей вспомогательного классификатора для удаления выбросов (OR-AC-GAN). В материалах ежегодной международной встречи ASABE, Детройт, Мичиган, США, 29 июля – 1 августа 2018 года.
116. Ван, Д.; Винсон, Р.; Холмс, М.; Зайбель, Г.; Бешар, А.; Ноф, С.; Дао, Ю. Раннее обнаружение вируса пятнистого увядания томатов с помощью гиперспектральной визуализации и удаления выбросов с помощью вспомогательного классификатора генеративно-состязательных сетей (OR-AC-GAN). 2019, 9, 4377. [Перекрестная ссылка]
117. Гу, К.; Шэн, Л.; Чжан, Т.; Лу, Ю.; Чжан, З.; Чжэн, К.; Ху, Х.; Чжоу, Х. Раннее выявление инфекции, вызванной вирусом пятнистого увядания томатов табака, с использованием метода гиперспектральной визуализации и алгоритмов машинного обучения. Вычислительная техника. Электрон. Агрик. 2019, 167, 105066. [Перекрестная ссылка]
118. Чжу, Х.; Цен, Х.; Чжан, К.; Он, Ю. Раннее обнаружение и классификация табачных листьев, инокулированных вирусом табачной мозаики, на основе метода гиперспектральной визуализации. В материалах ежегодного международного собрания ASABE, Орландо, Флорида, США, 17–20 июля 2016 года.
119. Чжу, Х.; Чу, Б.; Чжан, К.; Лю, Ф.; Цзян, Л.; Хе Ю. Гиперспектральная визуализация для досимптоматического выявления табачной болезни с помощью алгоритма последовательных проекций и классификаторов машинного обучения.2017, 7, 4125. [Перекрестная ссылка] [PubMed]
120. Мореллос, А.; Циотзиос, Г.; Орфаниду, К.; Пантази, Х.Э.; Сарантарис, К.; Малёгка, В.; Александридис, Т.К.; Мошоу Д. Неразрушающее раннее выявление и количественная классификация стадий тяжести инфекции вируса хлороза томата (ToCV) у молодыхрастений томата с использованием спектроскопии vis–NIR. 2020, 12, 1920. [Перекрестная ссылка]
121. Беньковский, Д.; Эйткенхед, М.Дж.; Лис, А.К.; Галлахер, К.; Нильсон Р. Обнаружение и дифференциация картофеля (Solanum
122. tuberosum) с использованием калибровочных моделей, обученных на данных спектрометрии, не связанных с визуализацией. Вычислительная техника. Электрон. Агрик. 2019 г.,
123. 167, 105056. [Перекрестная ссылка]
124. Франческини, M.H.D.; Варфоломей, Х.; ван Апелдорн, Д.Ф.; Суомалайнен, Й.; Куистра Л. Целесообразность оптической съемки беспилотных летательных аппаратовдля раннего выявления и оценки тяжести фитофтороза картофеля. Remote Sens. 2019, 11, 224. [Перекрестная ссылка]
125. Голд, К.М.; Таунсенд,.А.; Херрманн, И.; Гевенс, А.Д. Исследование физиологических различий в фитофторозе картофеля между сортами картофеля с помощью спектроскопии и машинного обучения.Наука о растениях. 2019, 110316. [Перекрестная ссылка] [PubMed]
126. Голд, К.М.; Таунсенд,.А.; Хлус, А.; Херрманн, И.; Couture, J.J.; Ларсон, Э.Р.; Гевенс А.Д. Гиперспектральные измерения позволяют досимптоматически выявлять и дифференцировать контрастные физиологические эффекты фитофтороза и раннего фитофтороза картофеля.Remote Sens. 2020, 12, 286. [Перекрестная ссылка]
127. Хейзелл,.Б.Р. Источники повышенной нестабильности в производстве зерновых в Индии и США. Am. J. Agric. Econ. 1984, 66, 302. [Перекрестная ссылка]
128. Пул, Н.Ф.; Арнаудин М.Е. Роль фунгицидов в эффективном управлении болезнями зерновых культур. К. Д. Плант Патол. 2014, 36, 1–11. [Перекрестная ссылка]
129. Чоудхури, Н.; Саурав, С.; Кумар, Р.Р.; Будлакоти1 Н. Моделирование и прогнозирование общей площади, орошаемой площади, производства и продуктивности важнейших зерновых культур в Индии на пути к продовольственной безопасности. Int. J. Curr. Микробиол. Прикладные наук. 2017, 6, 2591–2600.[Перекрестная ссылка]
130. Симпсон, Д.Р.; Уэстон, Г.Э.; Тернер, Дж.А.; Дженнингс,.; Николсон. Дифференциальная борьба с возбудителями фитофтороза пшеницы фунгицидами и последствия для контаминации зерна микотоксинами.Eur. J. Plant Pathol. 2001, 107, 421–431. [Перекрестная ссылка]
131. Стэк Р.В. История фузариоза кочанов с акцентом на Северную Америку. при фузариозе колоса пшеницы и ячменя;
132. Леонард, К.Дж., Бушнелл, В.Р., ред.; APS Press: Сент-Пол, Миннесота, США, 2003; С. 1–34.
133. Гейл Л.Р. Популяционная биология видов Fusarium, вызывающих фитофтороз зерновых культур. при фузариозе колоса пшеницы и ячменя; Леонард, К.Дж., Бушнелл, В.Р., ред.; APS Press: Сент-Пол, Миннесота, США, 2003; С. 120–143.
134. Джонсон, Д.Д.; Флакеруд, Г.К.; Тейлор, Р.Д.; Сатьянараяна В. Количественная оценка экономических последствий фузариоза колоса пшеницы.при фузариозе колоса пшеницы и ячменя; Леонард, К.Дж., Бушнелл, В.Р., ред.; APS Press: Сент-Пол, Миннесота, США, 2005; С. 461–484.
135. Сюй, Х.; Николсон. Общественная экология грибковых патогенов, вызывающих фитофтороз пшеницы. Annu. Rev. Phytopathol. 2009 г., 47,
136. С. 83–103. [Перекрестная ссылка] [PubMed]
137. Юли-Маттила, Т.; Гагкаева Т.Ю. Фузариозные токсины в зерновых культурах Северной Европы и Азии. В книге «Грибы: применение и стратегии управления», 1-е изд.; Дешмукх, С.К., Мишра, Дж.К., Тевари, Дж.., Папп, Т., ред.; CRC Press: Бока-Ратон, Флорида, США, 2016; С. 293–317.
138. Гагкаева, Т.; Гаврилова, О.; Орина, А.; Лебедин, Ю.; Шанин И.; Петухов,.; Еремин С.В. Анализ токсигенных видов фузариоза, ассоциированных с зерном пшеницы из трех регионов России: Поволжья, Урала и Западной Сибири. Токсины 2019, 11, 252. [Перекрестная ссылка] [PubMed]
139. Делвич, С.Р.; Ким М.С. Биологическое качество и точное земледелие, II. ДеШейзер, Дж.А., Мейер, Г.Э., ред.; SPIE: Беллингем, штат Вашингтон, США, 2000; Том 4203.
140. Барбедо, J.G.A.; Тибола, К.С.; Фернандес Ж.М.К. Обнаружение фузариозного фитофтороза в зернах пшеницы с помощью гиперспектральной визуализации.
141. Biosyst. Eng. 2015, 131, 65–76. [Перекрестная ссылка]
142. Алисаак, Э.; Бехманн, Дж.; Куска, М.Т.; Дене, Х.-В.; Малейн, А.-К. Гиперспектральная количественная оценка устойчивости пшеницы к фузариозу колоса: сравнение двух видов фузариоза. Eur. J. Plant Pathol. 2018, 152, 869–884. [Перекрестная ссылка]
143. Малейн, А.-К.; Алисаак, Э.; Аль-Масри, А.; Бехманн, Дж.; Дене, Х.-В.; Эрке, Э.-К. Сравнение и комбинация тепловой, флуоресцентной и гиперспектральной визуализации для мониторинга фузариозного фитофтороза пшеницы в колосковом масштабе. Датчики 2019, 19, 2281. [Перекрестная ссылка]
144. Ма, Х.; Хуан, В.; Цзин, Ю.; Пиньятти, С.; Ланев, Г.; Дун, Ю.; Йе, Х.; Лю, Л.; Го, А.; Цзян Д. Идентификация фузариоза колоса озимой пшеницы с помощью непрерывного вейвлет-анализа.Датчики 2019, 20, 20. [Перекрестная ссылка]
145. Чжан, Н.; Пан, Ю.; Фэн, Х.; Чжао, X.; Янг, Х.; Дин, К.; Янг Г. Разработка классификационного индекса фузариоза колоса с использованием гиперспектральных микроскопических изображений колосков озимой пшеницы.Biosyst. Eng. 2019, 186, 83–99. [Перекрестная ссылка]
146. Чжан, Д.; Ван, К.; Линь, Ф.; Инь, X.; Гу, К.; Цяо Х. Разработка и оценка нового спектрального индекса болезней для выявления фузариоза пшеницы с помощью гиперспектральной визуализации.Датчики 2020, 20, 2260. [Перекрестная ссылка]
147. Уэттон, Р.Л.; Хассалл, К.Л.; Уэйн, Т.В.; Муазен, А.М. Гиперспектральные измерения желтой ржавчины и фузариозного колоса зерновых культур: Часть 1: Лабораторное исследование.Biosyst. Eng. 2018, 166, 101–115. [Перекрестная ссылка]
148. Уэттон, Р.Л.; Уэйн, Т.В.; Муазен, А.М. Гиперспектральные измерения желтой ржавчины и фузариоза колоса зерновых культур: Часть 2: Он-лайн измерение полей.Biosyst. Eng. 2018, 167, 144–158. [Перекрестная ссылка]
149. Bauriegel, E.; Гибель, А.; Гейер, М.; Шмидт, У.; Герппих В.Б. Раннее выявление фузариозной инфекции пшеницы с помощью гиперспектральной визуализации.Вычислительная техника. Электрон. Агрик. 2011, 75, 304–312. [Перекрестная ссылка]
150. Веллингс, К.Р. Глобальный статус каналоватой ржавчины: обзор исторических и современных угроз. Euphytica 2011, 179, 129–141. [Перекрестная ссылка]
151. Чэнь, В.; Веллингс, К.; Чэнь, X.; Канг, З.; Лю, Т. Каналоватая (желтая) ржавчина пшеницы, вызываемая Puccinia striiformis f. sp. tritici. Mol. Plant Pathol. 2014, 15, 433–446. [Перекрестная ссылка]
152. Али, С.; Родригес-Альгаба, Дж.; Тах, Т.; Соренсен, К.К.; Хансен, Дж.Г.; Лассен,.; Назари, К.; Ходсон, Д..; Юстесен, А.Ф.; Hovmøller,
153. М.С. Эпидемии желтой ржавчины во всем мире были вызваны расами патогенов из дивергентных генетических линий. Фронт. Наука о растениях. 2017 г.,
154. 8, 1057. [Перекрестная ссылка]
155. Шайдаюк Е.Л.; Яковлева Д.Р.; Абдуллаев, К.М.; Пюккенен, В..; Гультяева Е.И. Популяционно-генетические исследования Puccinia striiformis f. sp. tritici в Дагестане и на Северо-Западе России. Proc. Appl. Bot. Генетта. Порода. 2021, 182, 174–181. [Перекрестная ссылка]
156. Саари, Э.Э.; Прескотт, Дж. Мировое распределение по отношению к экономическим потерям; CIMMYT: Веракрус, Мексика, 1985.
157. Сингх, Р..; Уэрта-Эспино, Дж.; Рулфс А.. Пшеница ржавеет. В мягкой пшенице: улучшение и производство; Кертис, Б.К., Раджарам, С.,Гомес Макферсон, Х., ред.; Серия «Растениеводство и защита растений» No 30; ФАО: Рим, Италия, 2002 г.; С. 317–330.
158. Хуан, В.; Лэмб, Д.В.; Ниу, З.; Чжан, Ю.; Лю, Л.; Wang, J. Идентификация желтой ржавчины в пшенице с использованием измерений спектрального отражения in situ и гиперспектральной визуализации в воздухе.Precis. Agric. 2007, 8, 187–197. [Перекрестная ссылка]
159. Чжан, Дж.; Пу, Р.; Хуан, В.; Юань, Л.; Ло, Дж.; Ванг, Д. Использование гиперспектральных данных in situ для обнаружения и дифференциации желтой ржавчины по питательным стрессам.Полевые культуры Res. 2012, 134, 165–174. [Перекрестная ссылка]
160. Кришна, Г.; Саху Р.Н.; Паргал, С.; Гупта, В.К.; Синха,.; Бхагат, С.; Сахара, М.С.; Сингх, Р.; Чаттопадхьяй, К. Оценка болезни желтой ржавчины пшеницы с помощью гиперспектрального дистанционного зондирования. ISPRS Int. Arch. Photogramm. Пульт дистанционного управления. наук. 2014, XL-8, 1413–1416. [Перекрестная ссылка]
161. Чжан, С.; Хан, Л.; Дун, Ю.; Ши, Ю.; Хуан, В.; Хан, Л.; Гонсалес-Морено,.; Ма, Х.; Йе, Х.; Собейх, Т. Подход на основе глубокого обучения для автоматизированного обнаружения желтой ржавчины по гиперспектральным изображениям БПЛА высокого разрешения. 2019,11, 1554. [Перекрестная ссылка]
162. Го, А.; Хуан, В.; Йе, Х.; Дун, Ю.; Ма, Х.; Жэнь, Ю.; Жуан К. Идентификация пшеничной желтой ржавчины с использованием спектральных и текстурных особенностей гиперспектральных изображений. 2020, 12, 1419. [Перекрестная ссылка]
163. Го, А.; Хуан, В.; Дун, Ю.; Йе, Х.; Ма, Х.; Лю, Б.; Ву, Б.; Жэнь, Ю.; Жуан, К.; Гэн Ю. Обнаружение желтой ржавчины пшеницы с использованием гиперспектральной технологии на основе БПЛА. 2021, 13, 123. [Перекрестная ссылка]
164. Боненкамп, Д.; Бехманн, Дж.; Малейн, А.-К. Обнаружение желтой ржавчины пшеницы в полевых условиях по пологу почвы и шкале БПЛА.
165. 2019, 11, 2495. [Перекрестная ссылка]
166. Боненкамп, Д.; Куска, М.Т.; Малейн, А.-К.; Бехманн, Д. Использование чистых спектров спор грибов в качестве эталона для гиперспектрального разложения сигналаи обнаружения симптомов болезней ржавчины пшеницы в листовом масштабе. Завод Патол. 2019, 68, 1188–1195. [Перекрестная ссылка]
167. Чжэн, К.; Хуан, В.; Цуй, X.; Дун, Ю.; Ши, Ю.; Ма, Х.; Лю Л. Идентификация желтой ржавчины пшеницы с использованием оптимальных трехканаловных спектральных индексов на разных стадиях роста. Датчики 2018, 19, 35. [Перекрестная ссылка]
168. Лопес-Лопес, М.; Кальдерон, Р.; Гонсалес-Дуго, В.; Зарко-Техада,.; Феререс, Э. Раннее обнаружение и количественная оценка пятнистости листьев миндально-красного цвета с использованием гиперспектральных и тепловых изображений высокого разрешения.Remote Sens. 2016, 8, 276. [Перекрестная ссылка]
169. Фахардо, Х.У.; Андраде, О.Б.; Бонилла, Р.К.; Севальос-Севальос, Дж.; Маридуэна-Завала, М.; Доносо, Д.О.; Villardón, J.L.V. Раннее обнаружение черной сигатоки в листьях банана с помощью гиперспектральных изображений.Прикладная наука о растениях. 2020, 8, Э11383.
170. Очоа, Д.; Севальос, Дж.; Варгас, Г.; Криолло, Р.; Ромеро, Д.; Кастро, Р.; Байона О. Гиперспектральная система визуализации для сканирования болезней на банановых растениях. В области зондирования для сельского хозяйства и качества и безопасности пищевых продуктов VIII; Международное общество оптики и фотоники: Беллингем, штат Вашингтон, США, 2016.
171. Чжоу, Р.-К.; Цзинь, Ж.-Ж.; Ли, К.-М.; Су, З.-З.; Ю, Х.-Ж.; Танг, Ю.; Ло, С.-М.; Он, Ю.; Ли, Х.-Л. Раннее выявление листьев ячменя, зараженных Magnaporthe oryzae, и визуализация поражения на основе гиперспектральной визуализации. Фронт. Наука о растениях. 2019, 9, 1962. [Перекрестная ссылка]
172. Юнгес, А.; Дукати, Дж.; Скальви Лампуньяни, К.; Альманса М.А. Выявление симптомов каналоватой болезни виноградной лозы с помощью гиперспектрального датчика.Фитопатол. Средиземноморье. 2018, 57, 399–406.
173. Гао, З.; Хот, Л.Р.; Найду, Р.А.; Чжан, К. Раннее выявление болезни скручивания листьев виноградной лозы у сорта винного винограда с красными ягодами с помощью гиперспектральной визуализации.Вычислительная техника. Электрон. Агрик. 2020, 179, 105807. [Перекрестная ссылка]
174. Кальдерон, Р.; Навас-Кортес, Х.А.; Лусена, К.; Зарко-Техада,.Д. Аэрофотосъемка высокого разрешения для раннего обнаружения вертициллезного увядания оливок с использованием флуоресцентных, температурных и узкоканаловных спектральных индексов. Удаленные датчики окружающей среды.2013, 139, 231–245. [Перекрестная ссылка]
175. Кальдерон, Р.; Навас-Кортес, Дж.; Зарко-Техада,. Раннее обнаружение и количественная оценка вертициллезного увядания оливок с использованием гиперспектральных итепловых изображений на больших площадях. Remote Sens. 2015, 7, 5584–5610. [Перекрестная ссылка]
176. Зарко-Техада,.Дж.; Камино, К.; Бек,.С.А.; Кальдерон, Р.; Хорнеро, А.; Эрнандес-Клементе, Р.; Каттенборн, Т.; Монтес-Боррего, М.; Суска, Л.; Морелли, М.; и др. Довизуальные симптомы инфекции Xylella fastidiosa проявляются в изменениях спектральных признаков растений. Нат.Растения 2018, 4, 432–439. [Перекрестная ссылка] [PubMed]
177. Омран, Э.-С.Э. Раннее обнаружение пятнистости листьев арахиса с помощью спектроскопии и тепловизионной съемки. Arch. Acker Pflanzenbau Bodenkd. 2016 г.,
178. 63, 883–896. [Перекрестная ссылка]
179. Чэнь, Т.; Янг, В.; Чжан, Х.; Чжу, Б.; Цзэн, Р.; Ван, X.; Ван, С.; Ван, Л.; Ци, Х.; Лань, Ю.; и др. Раннее выявление бактериального увядания в растениях арахиса с помощью гиперспектральных данных на уровне листьев и данных беспилотных летательных аппаратов. Вычислительная техника. Электрон. Агрик. 2020, 177, 105708. [Перекрестная ссылка]
180. Нагасубраманян, К.; Джонс, С.; Саркар, С.; Сингх, А.К.; Сингх, А.; Ганапатисубраманиан Б. Гиперспектральная каналовная селекция с использованием генетического алгоритма и машин опорных векторов для ранней идентификации болезни древесно-угольной гнили стеблей сои. Методы растений2018, 14, 1–13. [Перекрестная ссылка] [PubMed]
181. Адам, Э.; Дэн, Х.; Одинди, Дж.; Абдель-Рахман, Э.М.; Мутанга, О. Обнаружение ранней стадии поражения пятнистостью листьев Phaeosphaeria в посевах кукурузы с использованием гиперспектральных данных in situ и алгоритма управляемого регуляризованного случайного леса. J. Spectrosc. 2017, 2017, 6961387. [Перекрестная ссылка]
182. Цинь, Дж.; Беркс, Т.Ф.; Ритенур, М.А.; Бонн, В.Г. Обнаружение язвы цитрусовых с помощью гиперспектральной отражательной визуализации со спектральной расходимостью информации.J. Food. Eng. 2009, 93, 183–191. [Перекрестная ссылка]
183. База данных сортов картофеля AHDB. Доступно в Интернете: https://varieties.ahdb.org.uk (дата обращения: 5 ноября 2021 г.).
184. Мансур, К.; Мутанга, О.; Адам, Э.; Абдель-Рахман Э.М. Мультиспектральное дистанционное зондирование для картографирования деградации лугопастбищных угодий с использованием ключевых показателей видов трав и эдафических факторов.Геокарто Инт. 2016, 31, 477–491. [Перекрестная ссылка]
185. Martínez-Usó, A.; Пла, Ф.; Сотока, Х.М.; Гарсия-Севилья. Выбор гиперспектральных каналов на основе кластеризации с использованием информационных мер.IEEE Trans. Geosci. Remote 2007, 45, 4158–4171. [Перекрестная ссылка]
186. Го, Б.Ф.; Демпер, Р.И.; Ганн, С.Р.; Нельсон, Дж.Д.Б. Быстрый метод выбора признаков, основанный на разделимости, для классификации изображений с помощью многомерного дистанционного зондирования.Pattern Recogn. 2008, 41, 1653–1662. [Перекрестная ссылка]
187. Лоренте, Д.; Алейшос, Н.; Гомес-Санчис, Х.; Куберо, С.; Бласко Ж. Выбор оптимальных длин волн для детектирования распада цитрусовых с использованием ROC-кривой и нейронных сетей.Технология пищевых биопроцессов. 2013, 6, 530–541. [Перекрестная ссылка]
188. Andries, J.P.M.; Хейден Ю.В.; Buydens, L.M.C. Редукция переменных, ранжированных по предсказательным свойствам, в моделировании частичных наименьших квадратов с моделями, адаптированными к конечной сложности: сравнение свойств для ранжирования.. Acta 2013, 760, 34–45. [Перекрестная ссылка]
189. Хейл, М.Г.; Оркатт, Д.М. Физиология растений в условиях стресса; John Wiley & Sons: Нью-Йорк, Нью-Йорк, США, 1987.
190. Фокс, Р.; Нарра Х. Диагностика болезней растений. В книге «Эпидемиология болезней растений», 2-е изд.; Кук, Б.М., Джонс, Д.Г., Кэй, Б., ред.; Springer: Dordrecht, Нидерланды, 2006; С. 1–42.
191. Афанасенко О.С.; Мироненко Н.В.; Беспалова, Л.А.; Аблова И.Б.; Лашина Н.М. Пятнистая пятнистость Ramularia в Российской Федерации: распространение и диагностика.Миколь. Фитопатол. 2019, 53, 236–245.
192. Коландер, Т.М.; Bienapfl, J.C.; Курле, Дж.Э.; Мальвик Д.К. Симптоматический и бессимптомный диапазон хозяина Fusarium virguliforme,возбудителя синдрома внезапной смерти сои. Завод Дис. 2012, 96, 1148–1153. [Перекрестная ссылка] [PubMed]
193. Брей Э.А. Реакция растений на дефицит воды. Тенденции Plant Sci. 1997, 2, 48–54. [Перекрестная ссылка]
194. Bohnert, H.J.; Шевелева, Е. Адаптация растений к стрессу — движение метаболизма. Курр. Мнение. Завод Биол. 1998, 1, 267–274. [Перекрестная ссылка]
195. Шабала С. Физиология стресса растений. CAB International: Оксфорд, Великобритания; Оксфорд, М.С., США, 2012.
196. Сенаратна, Т.; Тачелл, Д.; Банн, Э.; Диксон, К. Ацетилсалициловая кислота (аспирин) и салициловая кислота индуцируют множественную стрессоустойчивость у растений фасоли и томатов. Регулирование роста растений. 2000, 30, 157–161. [Перекрестная ссылка]
197. Хан, М.И.Р.; Фатьма, М.; Пер, Т.С.; Анджум, Н.А.; Хан Н.А. Абиотическая стрессоустойчивость, индуцированная салициловой кислотой, и лежащие в ее основе механизмы у растений. Фронт. Наука о растениях. 2015, 6, 462. [Перекрестная ссылка] [PubMed]
198. Ку, Ю.М.; Хо, А.Я.; Чой, Х.В. Салициловая кислота как безопасный защитник растений и регулятор роста. Завод Патол. 2020, 36, 1–10.
199. [Перекрестная ссылка]
200. Вастернак, К.; Хаус, Б. Жасмонаты и октадеканоиды: сигналы в стрессовых реакциях и развитии растений. Prog. Nucleic Acid Res. Mol. Biol.2002, 165–221.
102. Лу, Дж.; Эхсани, Р.; Ши, Ю.; де Кастро, А.И.; Ван С. Выявление множественных болезней листьев томатов (фитофтороз, целевая и бактериальная пятнистость) на разных стадиях с помощью спектрального датчика.2018, 8, 2793. [Перекрестная ссылка]
103. Польдер, Г.; Блок,.М.; де Вилье, H.A.C.; Ван дер Вольф, Дж.М.; Камп Д. Обнаружение вируса картофеля Y в семенном картофеле с использованием глубокого обучения на гиперспектральных изображениях.Фронт. Наука о растениях. 2019, 10, 209. [Перекрестная ссылка]
104. Гриффель, Л.М.; Дельпарт, Д.; Эдвардс Д. Использование метода опорных векторов для дифференциации спектральных сигнатур растений картофеля, инфицированных вирусом картофеля Y.Вычислительная техника. Электрон. Агрик. 2018, 153, 318–324. [Перекрестная ссылка]
105. Ван де Вийвера, Р.; Мертенса, К.; Хёнгенсб, К.; Сомерск, Б.; Nuyttensa, D.; Борра-Серранок, И.; Lootensd, P.; Roldán-Ruizd, I.; Vangeytea, J.; Сайс В. Обнаружение Alternaria solani в посевах картофеля в полевых условиях с помощью гиперспектральной визуализации. Вычислительная техника. Электрон. Агрик.2019, 168, 105106. [Перекрестная ссылка]
106. Абдулридха, Дж.; Ampatzidis, Y.; Куреши, Дж.; Роберт. Обнаружение пятнистых и бактериальных пятен в томатах с использованием методов гиперспектральной визуализации с использованием БПЛА и настольных методов гиперспектральной визуализации. Precis. Agric. 2019, 21, 955–978. [Перекрестная ссылка]
107. Абдулридха, Дж.; Ampatzidis, Y.; Kakarla, S.C.; Роберт. Лабораторная и беспилотная идентификация и классификация желтой курчавости листьев, бактериальной пятнистости и болезней-мишеней томатов с использованием гиперспектральной визуализации и машинного обучения. 2020, 21, 3843. [Перекрестная ссылка]
108. Чжан, М.; Цинь, З.; Лю, X.; Устин С.Л. Обнаружение стресса у томатов, вызванного фитофторозом, в Калифорнии, США, с использованием HRS.Int. J. Appl. Earth. Obs. 2003, 4, 295–310. [Перекрестная ссылка]
109. Фернандес, C.I.; Леблон, Б.; Хаддади, А.; Ван, Дж.; Ван К. Обнаружение фитофтороза картофеля на уровне листьев и полога с использованием гиперспектральных данных.Can. J. Remote Sens. 2020, 46, 390–413. [Перекрестная ссылка]
110. Фернандес, C.I.; Леблон, Б.; Хаддади, А.; Ван, К.; Ванг, Д. Обнаружение фитофтороза картофеля на уровне листьев и полога на основе красных областей спектра.2020, 12, 1292. [Перекрестная ссылка]
111. Крежова, Д.; Дикова Б.; Манева С. Наземная система обнаружения болезней растений табака. Bulg. J. Agric. Sci. 2014, 20,
112. 1142–1150.
113. Се, К.; Шао, Ю.; Ли, X.; Хе Ю. Выявление раннего и фитофтороза на листьях томатов с помощью гиперспектральной визуализации. 2015, 5, 16564. [Перекрестная ссылка] [PubMed]
114. Се, К.; Янг, К.; Хе Ю. Гиперспектральная визуализация для классификации здоровых и пораженных серой плесенью листьев томатов с различной степенью поражения.Вычислительная техника. Электрон. Агрик. 2017, 135, 154–162. [Перекрестная ссылка]
115. Ван, Д.; Винсон, Р.; Холмс, М.; Зайбель, Г.; Бешар, А.; Ноф, С.; Ло, Ю.; Дао, Ю. Раннее обнаружение вируса пятнистого увядания томатов с использованием метода гиперспектральной визуализации и генеративно-состязательных сетей вспомогательного классификатора для удаления выбросов (OR-AC-GAN). В материалах ежегодной международной встречи ASABE, Детройт, Мичиган, США, 29 июля – 1 августа 2018 года.
116. Ван, Д.; Винсон, Р.; Холмс, М.; Зайбель, Г.; Бешар, А.; Ноф, С.; Дао, Ю. Раннее обнаружение вируса пятнистого увядания томатов с помощью гиперспектральной визуализации и удаления выбросов с помощью вспомогательного классификатора генеративно-состязательных сетей (OR-AC-GAN). 2019, 9, 4377. [Перекрестная ссылка]
117. Гу, К.; Шэн, Л.; Чжан, Т.; Лу, Ю.; Чжан, З.; Чжэн, К.; Ху, Х.; Чжоу, Х. Раннее выявление инфекции, вызванной вирусом пятнистого увядания томатов табака, с использованием метода гиперспектральной визуализации и алгоритмов машинного обучения. Вычислительная техника. Электрон. Агрик. 2019, 167, 105066. [Перекрестная ссылка]
118. Чжу, Х.; Цен, Х.; Чжан, К.; Он, Ю. Раннее обнаружение и классификация табачных листьев, инокулированных вирусом табачной мозаики, на основе метода гиперспектральной визуализации. В материалах ежегодного международного собрания ASABE, Орландо, Флорида, США, 17–20 июля 2016 года.
119. Чжу, Х.; Чу, Б.; Чжан, К.; Лю, Ф.; Цзян, Л.; Хе Ю. Гиперспектральная визуализация для досимптоматического выявления табачной болезни с помощью алгоритма последовательных проекций и классификаторов машинного обучения.2017, 7, 4125. [Перекрестная ссылка] [PubMed]
120. Мореллос, А.; Циотзиос, Г.; Орфаниду, К.; Пантази, Х.Э.; Сарантарис, К.; Малёгка, В.; Александридис, Т.К.; Мошоу Д. Неразрушающее раннее выявление и количественная классификация стадий тяжести инфекции вируса хлороза томата (ToCV) у молодыхрастений томата с использованием спектроскопии vis–NIR. 2020, 12, 1920. [Перекрестная ссылка]
121. Беньковский, Д.; Эйткенхед, М.Дж.; Лис, А.К.; Галлахер, К.; Нильсон Р. Обнаружение и дифференциация картофеля (Solanum
122. tuberosum) с использованием калибровочных моделей, обученных на данных спектрометрии, не связанных с визуализацией. Вычислительная техника. Электрон. Агрик. 2019 г.,
123. 167, 105056. [Перекрестная ссылка]
124. Франческини, M.H.D.; Варфоломей, Х.; ван Апелдорн, Д.Ф.; Суомалайнен, Й.; Куистра Л. Целесообразность оптической съемки беспилотных летательных аппаратовдля раннего выявления и оценки тяжести фитофтороза картофеля. Remote Sens. 2019, 11, 224. [Перекрестная ссылка]
125. Голд, К.М.; Таунсенд,.А.; Херрманн, И.; Гевенс, А.Д. Исследование физиологических различий в фитофторозе картофеля между сортами картофеля с помощью спектроскопии и машинного обучения.Наука о растениях. 2019, 110316. [Перекрестная ссылка] [PubMed]
126. Голд, К.М.; Таунсенд,.А.; Хлус, А.; Херрманн, И.; Couture, J.J.; Ларсон, Э.Р.; Гевенс А.Д. Гиперспектральные измерения позволяют досимптоматически выявлять и дифференцировать контрастные физиологические эффекты фитофтороза и раннего фитофтороза картофеля.Remote Sens. 2020, 12, 286. [Перекрестная ссылка]
127. Хейзелл,.Б.Р. Источники повышенной нестабильности в производстве зерновых в Индии и США. Am. J. Agric. Econ. 1984, 66, 302. [Перекрестная ссылка]
128. Пул, Н.Ф.; Арнаудин М.Е. Роль фунгицидов в эффективном управлении болезнями зерновых культур. К. Д. Плант Патол. 2014, 36, 1–11. [Перекрестная ссылка]
129. Чоудхури, Н.; Саурав, С.; Кумар, Р.Р.; Будлакоти1 Н. Моделирование и прогнозирование общей площади, орошаемой площади, производства и продуктивности важнейших зерновых культур в Индии на пути к продовольственной безопасности. Int. J. Curr. Микробиол. Прикладные наук. 2017, 6, 2591–2600.[Перекрестная ссылка]
130. Симпсон, Д.Р.; Уэстон, Г.Э.; Тернер, Дж.А.; Дженнингс,.; Николсон. Дифференциальная борьба с возбудителями фитофтороза пшеницы фунгицидами и последствия для контаминации зерна микотоксинами.Eur. J. Plant Pathol. 2001, 107, 421–431. [Перекрестная ссылка]
131. Стэк Р.В. История фузариоза кочанов с акцентом на Северную Америку. при фузариозе колоса пшеницы и ячменя;
132. Леонард, К.Дж., Бушнелл, В.Р., ред.; APS Press: Сент-Пол, Миннесота, США, 2003; С. 1–34.
133. Гейл Л.Р. Популяционная биология видов Fusarium, вызывающих фитофтороз зерновых культур. при фузариозе колоса пшеницы и ячменя; Леонард, К.Дж., Бушнелл, В.Р., ред.; APS Press: Сент-Пол, Миннесота, США, 2003; С. 120–143.
134. Джонсон, Д.Д.; Флакеруд, Г.К.; Тейлор, Р.Д.; Сатьянараяна В. Количественная оценка экономических последствий фузариоза колоса пшеницы.при фузариозе колоса пшеницы и ячменя; Леонард, К.Дж., Бушнелл, В.Р., ред.; APS Press: Сент-Пол, Миннесота, США, 2005; С. 461–484.
135. Сюй, Х.; Николсон. Общественная экология грибковых патогенов, вызывающих фитофтороз пшеницы. Annu. Rev. Phytopathol. 2009 г., 47,
136. С. 83–103. [Перекрестная ссылка] [PubMed]
137. Юли-Маттила, Т.; Гагкаева Т.Ю. Фузариозные токсины в зерновых культурах Северной Европы и Азии. В книге «Грибы: применение и стратегии управления», 1-е изд.; Дешмукх, С.К., Мишра, Дж.К., Тевари, Дж.., Папп, Т., ред.; CRC Press: Бока-Ратон, Флорида, США, 2016; С. 293–317.
138. Гагкаева, Т.; Гаврилова, О.; Орина, А.; Лебедин, Ю.; Шанин И.; Петухов,.; Еремин С.В. Анализ токсигенных видов фузариоза, ассоциированных с зерном пшеницы из трех регионов России: Поволжья, Урала и Западной Сибири. Токсины 2019, 11, 252. [Перекрестная ссылка] [PubMed]
139. Делвич, С.Р.; Ким М.С. Биологическое качество и точное земледелие, II. ДеШейзер, Дж.А., Мейер, Г.Э., ред.; SPIE: Беллингем, штат Вашингтон, США, 2000; Том 4203.
140. Барбедо, J.G.A.; Тибола, К.С.; Фернандес Ж.М.К. Обнаружение фузариозного фитофтороза в зернах пшеницы с помощью гиперспектральной визуализации.
141. Biosyst. Eng. 2015, 131, 65–76. [Перекрестная ссылка]
142. Алисаак, Э.; Бехманн, Дж.; Куска, М.Т.; Дене, Х.-В.; Малейн, А.-К. Гиперспектральная количественная оценка устойчивости пшеницы к фузариозу колоса: сравнение двух видов фузариоза. Eur. J. Plant Pathol. 2018, 152, 869–884. [Перекрестная ссылка]
143. Малейн, А.-К.; Алисаак, Э.; Аль-Масри, А.; Бехманн, Дж.; Дене, Х.-В.; Эрке, Э.-К. Сравнение и комбинация тепловой, флуоресцентной и гиперспектральной визуализации для мониторинга фузариозного фитофтороза пшеницы в колосковом масштабе. Датчики 2019, 19, 2281. [Перекрестная ссылка]
144. Ма, Х.; Хуан, В.; Цзин, Ю.; Пиньятти, С.; Ланев, Г.; Дун, Ю.; Йе, Х.; Лю, Л.; Го, А.; Цзян Д. Идентификация фузариоза колоса озимой пшеницы с помощью непрерывного вейвлет-анализа.Датчики 2019, 20, 20. [Перекрестная ссылка]
145. Чжан, Н.; Пан, Ю.; Фэн, Х.; Чжао, X.; Янг, Х.; Дин, К.; Янг Г. Разработка классификационного индекса фузариоза колоса с использованием гиперспектральных микроскопических изображений колосков озимой пшеницы.Biosyst. Eng. 2019, 186, 83–99. [Перекрестная ссылка]
146. Чжан, Д.; Ван, К.; Линь, Ф.; Инь, X.; Гу, К.; Цяо Х. Разработка и оценка нового спектрального индекса болезней для выявления фузариоза пшеницы с помощью гиперспектральной визуализации.Датчики 2020, 20, 2260. [Перекрестная ссылка]
147. Уэттон, Р.Л.; Хассалл, К.Л.; Уэйн, Т.В.; Муазен, А.М. Гиперспектральные измерения желтой ржавчины и фузариозного колоса зерновых культур: Часть 1: Лабораторное исследование.Biosyst. Eng. 2018, 166, 101–115. [Перекрестная ссылка]
148. Уэттон, Р.Л.; Уэйн, Т.В.; Муазен, А.М. Гиперспектральные измерения желтой ржавчины и фузариоза колоса зерновых культур: Часть 2: Он-лайн измерение полей.Biosyst. Eng. 2018, 167, 144–158. [Перекрестная ссылка]
149. Bauriegel, E.; Гибель, А.; Гейер, М.; Шмидт, У.; Герппих В.Б. Раннее выявление фузариозной инфекции пшеницы с помощью гиперспектральной визуализации.Вычислительная техника. Электрон. Агрик. 2011, 75, 304–312. [Перекрестная ссылка]
150. Веллингс, К.Р. Глобальный статус каналоватой ржавчины: обзор исторических и современных угроз. Euphytica 2011, 179, 129–141. [Перекрестная ссылка]
151. Чэнь, В.; Веллингс, К.; Чэнь, X.; Канг, З.; Лю, Т. Каналоватая (желтая) ржавчина пшеницы, вызываемая Puccinia striiformis f. sp. tritici. Mol. Plant Pathol. 2014, 15, 433–446. [Перекрестная ссылка]
152. Али, С.; Родригес-Альгаба, Дж.; Тах, Т.; Соренсен, К.К.; Хансен, Дж.Г.; Лассен,.; Назари, К.; Ходсон, Д..; Юстесен, А.Ф.; Hovmøller,
153. М.С. Эпидемии желтой ржавчины во всем мире были вызваны расами патогенов из дивергентных генетических линий. Фронт. Наука о растениях. 2017 г.,
154. 8, 1057. [Перекрестная ссылка]
155. Шайдаюк Е.Л.; Яковлева Д.Р.; Абдуллаев, К.М.; Пюккенен, В..; Гультяева Е.И. Популяционно-генетические исследования Puccinia striiformis f. sp. tritici в Дагестане и на Северо-Западе России. Proc. Appl. Bot. Генетта. Порода. 2021, 182, 174–181. [Перекрестная ссылка]
156. Саари, Э.Э.; Прескотт, Дж. Мировое распределение по отношению к экономическим потерям; CIMMYT: Веракрус, Мексика, 1985.
157. Сингх, Р..; Уэрта-Эспино, Дж.; Рулфс А.. Пшеница ржавеет. В мягкой пшенице: улучшение и производство; Кертис, Б.К., Раджарам, С.,Гомес Макферсон, Х., ред.; Серия «Растениеводство и защита растений» No 30; ФАО: Рим, Италия, 2002 г.; С. 317–330.
158. Хуан, В.; Лэмб, Д.В.; Ниу, З.; Чжан, Ю.; Лю, Л.; Wang, J. Идентификация желтой ржавчины в пшенице с использованием измерений спектрального отражения in situ и гиперспектральной визуализации в воздухе.Precis. Agric. 2007, 8, 187–197. [Перекрестная ссылка]
159. Чжан, Дж.; Пу, Р.; Хуан, В.; Юань, Л.; Ло, Дж.; Ванг, Д. Использование гиперспектральных данных in situ для обнаружения и дифференциации желтой ржавчины по питательным стрессам.Полевые культуры Res. 2012, 134, 165–174. [Перекрестная ссылка]
160. Кришна, Г.; Саху Р.Н.; Паргал, С.; Гупта, В.К.; Синха,.; Бхагат, С.; Сахара, М.С.; Сингх, Р.; Чаттопадхьяй, К. Оценка болезни желтой ржавчины пшеницы с помощью гиперспектрального дистанционного зондирования. ISPRS Int. Arch. Photogramm. Пульт дистанционного управления. наук. 2014, XL-8, 1413–1416. [Перекрестная ссылка]
161. Чжан, С.; Хан, Л.; Дун, Ю.; Ши, Ю.; Хуан, В.; Хан, Л.; Гонсалес-Морено,.; Ма, Х.; Йе, Х.; Собейх, Т. Подход на основе глубокого обучения для автоматизированного обнаружения желтой ржавчины по гиперспектральным изображениям БПЛА высокого разрешения. 2019,11, 1554. [Перекрестная ссылка]
162. Го, А.; Хуан, В.; Йе, Х.; Дун, Ю.; Ма, Х.; Жэнь, Ю.; Жуан К. Идентификация пшеничной желтой ржавчины с использованием спектральных и текстурных особенностей гиперспектральных изображений. 2020, 12, 1419. [Перекрестная ссылка]
163. Го, А.; Хуан, В.; Дун, Ю.; Йе, Х.; Ма, Х.; Лю, Б.; Ву, Б.; Жэнь, Ю.; Жуан, К.; Гэн Ю. Обнаружение желтой ржавчины пшеницы с использованием гиперспектральной технологии на основе БПЛА. 2021, 13, 123. [Перекрестная ссылка]
164. Боненкамп, Д.; Бехманн, Дж.; Малейн, А.-К. Обнаружение желтой ржавчины пшеницы в полевых условиях по пологу почвы и шкале БПЛА.
165. 2019, 11, 2495. [Перекрестная ссылка]
166. Боненкамп, Д.; Куска, М.Т.; Малейн, А.-К.; Бехманн, Д. Использование чистых спектров спор грибов в качестве эталона для гиперспектрального разложения сигналаи обнаружения симптомов болезней ржавчины пшеницы в листовом масштабе. Завод Патол. 2019, 68, 1188–1195. [Перекрестная ссылка]
167. Чжэн, К.; Хуан, В.; Цуй, X.; Дун, Ю.; Ши, Ю.; Ма, Х.; Лю Л. Идентификация желтой ржавчины пшеницы с использованием оптимальных трехканаловных спектральных индексов на разных стадиях роста. Датчики 2018, 19, 35. [Перекрестная ссылка]
168. Лопес-Лопес, М.; Кальдерон, Р.; Гонсалес-Дуго, В.; Зарко-Техада,.; Феререс, Э. Раннее обнаружение и количественная оценка пятнистости листьев миндально-красного цвета с использованием гиперспектральных и тепловых изображений высокого разрешения.Remote Sens. 2016, 8, 276. [Перекрестная ссылка]
169. Фахардо, Х.У.; Андраде, О.Б.; Бонилла, Р.К.; Севальос-Севальос, Дж.; Маридуэна-Завала, М.; Доносо, Д.О.; Villardón, J.L.V. Раннее обнаружение черной сигатоки в листьях банана с помощью гиперспектральных изображений.Прикладная наука о растениях. 2020, 8, Э11383.
170. Очоа, Д.; Севальос, Дж.; Варгас, Г.; Криолло, Р.; Ромеро, Д.; Кастро, Р.; Байона О. Гиперспектральная система визуализации для сканирования болезней на банановых растениях. В области зондирования для сельского хозяйства и качества и безопасности пищевых продуктов VIII; Международное общество оптики и фотоники: Беллингем, штат Вашингтон, США, 2016.
171. Чжоу, Р.-К.; Цзинь, Ж.-Ж.; Ли, К.-М.; Су, З.-З.; Ю, Х.-Ж.; Танг, Ю.; Ло, С.-М.; Он, Ю.; Ли, Х.-Л. Раннее выявление листьев ячменя, зараженных Magnaporthe oryzae, и визуализация поражения на основе гиперспектральной визуализации. Фронт. Наука о растениях. 2019, 9, 1962. [Перекрестная ссылка]
172. Юнгес, А.; Дукати, Дж.; Скальви Лампуньяни, К.; Альманса М.А. Выявление симптомов каналоватой болезни виноградной лозы с помощью гиперспектрального датчика.Фитопатол. Средиземноморье. 2018, 57, 399–406.
173. Гао, З.; Хот, Л.Р.; Найду, Р.А.; Чжан, К. Раннее выявление болезни скручивания листьев виноградной лозы у сорта винного винограда с красными ягодами с помощью гиперспектральной визуализации.Вычислительная техника. Электрон. Агрик. 2020, 179, 105807. [Перекрестная ссылка]
174. Кальдерон, Р.; Навас-Кортес, Х.А.; Лусена, К.; Зарко-Техада,.Д. Аэрофотосъемка высокого разрешения для раннего обнаружения вертициллезного увядания оливок с использованием флуоресцентных, температурных и узкоканаловных спектральных индексов. Удаленные датчики окружающей среды.2013, 139, 231–245. [Перекрестная ссылка]
175. Кальдерон, Р.; Навас-Кортес, Дж.; Зарко-Техада,. Раннее обнаружение и количественная оценка вертициллезного увядания оливок с использованием гиперспектральных итепловых изображений на больших площадях. Remote Sens. 2015, 7, 5584–5610. [Перекрестная ссылка]
176. Зарко-Техада,.Дж.; Камино, К.; Бек,.С.А.; Кальдерон, Р.; Хорнеро, А.; Эрнандес-Клементе, Р.; Каттенборн, Т.; Монтес-Боррего, М.; Суска, Л.; Морелли, М.; и др. Довизуальные симптомы инфекции Xylella fastidiosa проявляются в изменениях спектральных признаков растений. Нат.Растения 2018, 4, 432–439. [Перекрестная ссылка] [PubMed]
177. Омран, Э.-С.Э. Раннее обнаружение пятнистости листьев арахиса с помощью спектроскопии и тепловизионной съемки. Arch. Acker Pflanzenbau Bodenkd. 2016 г.,
178. 63, 883–896. [Перекрестная ссылка]
179. Чэнь, Т.; Янг, В.; Чжан, Х.; Чжу, Б.; Цзэн, Р.; Ван, X.; Ван, С.; Ван, Л.; Ци, Х.; Лань, Ю.; и др. Раннее выявление бактериального увядания в растениях арахиса с помощью гиперспектральных данных на уровне листьев и данных беспилотных летательных аппаратов. Вычислительная техника. Электрон. Агрик. 2020, 177, 105708. [Перекрестная ссылка]
180. Нагасубраманян, К.; Джонс, С.; Саркар, С.; Сингх, А.К.; Сингх, А.; Ганапатисубраманиан Б. Гиперспектральная каналовная селекция с использованием генетического алгоритма и машин опорных векторов для ранней идентификации болезни древесно-угольной гнили стеблей сои. Методы растений2018, 14, 1–13. [Перекрестная ссылка] [PubMed]
181. Адам, Э.; Дэн, Х.; Одинди, Дж.; Абдель-Рахман, Э.М.; Мутанга, О. Обнаружение ранней стадии поражения пятнистостью листьев Phaeosphaeria в посевах кукурузы с использованием гиперспектральных данных in situ и алгоритма управляемого регуляризованного случайного леса. J. Spectrosc. 2017, 2017, 6961387. [Перекрестная ссылка]
182. Цинь, Дж.; Беркс, Т.Ф.; Ритенур, М.А.; Бонн, В.Г. Обнаружение язвы цитрусовых с помощью гиперспектральной отражательной визуализации со спектральной расходимостью информации.J. Food. Eng. 2009, 93, 183–191. [Перекрестная ссылка]
183. База данных сортов картофеля AHDB. Доступно в Интернете: https://varieties.ahdb.org.uk (дата обращения: 5 ноября 2021 г.).
184. Мансур, К.; Мутанга, О.; Адам, Э.; Абдель-Рахман Э.М. Мультиспектральное дистанционное зондирование для картографирования деградации лугопастбищных угодий с использованием ключевых показателей видов трав и эдафических факторов.Геокарто Инт. 2016, 31, 477–491. [Перекрестная ссылка]
185. Martínez-Usó, A.; Пла, Ф.; Сотока, Х.М.; Гарсия-Севилья. Выбор гиперспектральных каналов на основе кластеризации с использованием информационных мер.IEEE Trans. Geosci. Remote 2007, 45, 4158–4171. [Перекрестная ссылка]
186. Го, Б.Ф.; Демпер, Р.И.; Ганн, С.Р.; Нельсон, Дж.Д.Б. Быстрый метод выбора признаков, основанный на разделимости, для классификации изображений с помощью многомерного дистанционного зондирования.Pattern Recogn. 2008, 41, 1653–1662. [Перекрестная ссылка]
187. Лоренте, Д.; Алейшос, Н.; Гомес-Санчис, Х.; Куберо, С.; Бласко Ж. Выбор оптимальных длин волн для детектирования распада цитрусовых с использованием ROC-кривой и нейронных сетей.Технология пищевых биопроцессов. 2013, 6, 530–541. [Перекрестная ссылка]
188. Andries, J.P.M.; Хейден Ю.В.; Buydens, L.M.C. Редукция переменных, ранжированных по предсказательным свойствам, в моделировании частичных наименьших квадратов с моделями, адаптированными к конечной сложности: сравнение свойств для ранжирования.. Acta 2013, 760, 34–45. [Перекрестная ссылка]
189. Хейл, М.Г.; Оркатт, Д.М. Физиология растений в условиях стресса; John Wiley & Sons: Нью-Йорк, Нью-Йорк, США, 1987.
190. Фокс, Р.; Нарра Х. Диагностика болезней растений. В книге «Эпидемиология болезней растений», 2-е изд.; Кук, Б.М., Джонс, Д.Г., Кэй, Б., ред.; Springer: Dordrecht, Нидерланды, 2006; С. 1–42.
191. Афанасенко О.С.; Мироненко Н.В.; Беспалова, Л.А.; Аблова И.Б.; Лашина Н.М. Пятнистая пятнистость Ramularia в Российской Федерации: распространение и диагностика.Миколь. Фитопатол. 2019, 53, 236–245.
192. Коландер, Т.М.; Bienapfl, J.C.; Курле, Дж.Э.; Мальвик Д.К. Симптоматический и бессимптомный диапазон хозяина Fusarium virguliforme,возбудителя синдрома внезапной смерти сои. Завод Дис. 2012, 96, 1148–1153. [Перекрестная ссылка] [PubMed]
193. Брей Э.А. Реакция растений на дефицит воды. Тенденции Plant Sci. 1997, 2, 48–54. [Перекрестная ссылка]
194. Bohnert, H.J.; Шевелева, Е. Адаптация растений к стрессу — движение метаболизма. Курр. Мнение. Завод Биол. 1998, 1, 267–274. [Перекрестная ссылка]
195. Шабала С. Физиология стресса растений. CAB International: Оксфорд, Великобритания; Оксфорд, М.С., США, 2012.
196. Сенаратна, Т.; Тачелл, Д.; Банн, Э.; Диксон, К. Ацетилсалициловая кислота (аспирин) и салициловая кислота индуцируют множественную стрессоустойчивость у растений фасоли и томатов. Регулирование роста растений. 2000, 30, 157–161. [Перекрестная ссылка]
197. Хан, М.И.Р.; Фатьма, М.; Пер, Т.С.; Анджум, Н.А.; Хан Н.А. Абиотическая стрессоустойчивость, индуцированная салициловой кислотой, и лежащие в ее основе механизмы у растений. Фронт. Наука о растениях. 2015, 6, 462. [Перекрестная ссылка] [PubMed]
198. Ку, Ю.М.; Хо, А.Я.; Чой, Х.В. Салициловая кислота как безопасный защитник растений и регулятор роста. Завод Патол. 2020, 36, 1–10.
199. [Перекрестная ссылка]
200. Вастернак, К.; Хаус, Б. Жасмонаты и октадеканоиды: сигналы в стрессовых реакциях и развитии растений. Prog. Nucleic Acid Res. Mol. Biol.2002, 165–221.
201. Дар, Т.А.; Уддин, М.; Хан, М.М.А.; Хаким, К.Р.; Джалил, Х. Жасмонат Контрстресс растений: Обзор. Окружающая среда. Эксп. Бот. 2015 г.,
202. 115, 49–57. [Перекрестная ссылка]
203. Гоэл,.; Прашер, С.; Лэндри, Дж.; Патель, Р.; Боннелл, Р.; Виау, А.; Миллер Д. Потенциал воздушного гиперспектрального дистанционного зондирования для обнаружения дефицита азота и засоренности кукурузы.Вычислительная техника. Электрон. Агрик. 2003, 38, 99–124. [Перекрестная ссылка]
204. Бехманн, Дж.; Steinrücken, J.; Плюмер Л. Обнаружение ранних стрессовых реакций растений на гиперспектральных изображениях. ISPRS J. Photogramm. Remote Sens. 2014, 93, 98–111. [Перекрестная ссылка]
205. Чжао, Ф.; Хуан, Ю.; Го, Ю.; Редди, К.; Ли, М.; Флетчер, Р.; Томсон, С. Раннее выявление повреждений урожая глифосатом на сое и хлопке с использованием гиперспектральных данных листьев растений. Remote Sens. 2014, 6, 1538–1563. [Перекрестная ссылка]
206. Хуан, Ю.; Юань, Л.; Редди, К.Н.; Чжан Д. Гиперспектральное зондирование растений in situ для раннего выявления повреждений сои дикамбой.
207. Biosyst. Eng. 2016, 149, 51–59. [Перекрестная ссылка]
208. Сайяри, М.; Салехи, Ф.; Валеро, Д. Новые подходы к моделированию влияния метилжасмоната на качество граната при послеуборочном хранении. Int. J. Fruit Sci. 2017, 17, 374–390. [Перекрестная ссылка]
209. До Прадо Рибейро, Л.; Klock, A.L.S.; Фильо, J.A.W.; Трамонтин, М.А.; Трапп, М.А.; Митхёфер, А.; Нансен К. Гиперспектральная визуализация для характеристики коммуникации между растениями в ответ на травоядных насекомых. Методы растений 2018, 14, 54. [Перекрестная ссылка] [PubMed]
210. Зовко, М.; Живат, У.; Кнапик, М.; Ковачич, М.Б.; Ромик, Д. Гиперспектральное дистанционное зондирование виноградной лозы должно вызывать стресс. Конспект.Агрик. 2019, 20, 335–347. [Перекрестная ссылка]
211. Ван, Дж.; Чжан, К.; Ши, Ю.; Лонг, М.; Ислам, Ф.; Янг, К.; Он, Ю.; Чжоу, В. Оценка токсичности квинклорака и смягчение ее влияния салициловой кислотой на проростках риса с использованием наземной гиперспектральной визуализации в видимом/ближнем инфракрасном диапазонах. Методы растений 2020, 16, 30. [Перекрестная ссылка]
212. Джексон Р.Д. Дистанционное зондирование биотического и абиотического стресса растений. Annu. Rev. Phytopathol. 1986, 24, 265–287. [Перекрестная ссылка]
213. Ирмак, С.; Аман, Д.З.; Бастуг Р. Определение индекса водного стресса сельскохозяйственных культур для сроков орошения и оценки урожайности кукурузы.
214. Я. Агрон. 2000, 92, 1221. [Перекрестная ссылка]
215. Нансен, К.; Маседо, Т.; Свонсон, Р.; Уивер Д.К. Использование анализа пространственной структуры гиперспектральных кубов данных для обнаружения стресса, вызванного насекомыми, у растений пшеницы.Int. J. Remote Sens. 2009, 30, 2447–2464. [Перекрестная ссылка]
216. Лоу, А.; Харрисон, Н.; Френч А.. Методы анализа гиперспектральных изображений для обнаружения и классификации раннего начала болезней и стресса растений. Методы растений 2017, 13, 80. [Перекрестная ссылка] [PubMed]
217. Нансен, К.; Сидумо, А.Дж.; Капареда С. Вариограммный анализ гиперспектральных данных для характеристики влияния биотического и абиотического стресса растений кукурузы и оценки биотопливного потенциала. Appl. Spectrosc. 2010, 64, 627–636. [Перекрестная ссылка]
218. Сусич, Н.; Живат, У.; Širca, S.; Страйнар, .; Разингер, Дж.; КнапиКˇ, М.; Вонкуна, А.; Урек, Г.; Gericˇ Stare, B. Различение абиотического и биотического стресса засухи у томатов с помощью гиперспектральной визуализации.Приводы Sens. B Chem. 2018, 273, 842–852. [Перекрестная ссылка]
219. Дас, Б.; Махаджан, Г.Р.; Сингх, Р. HRS: Использование в обнаружении абиотических стрессов в сельском хозяйстве. Прил. Окружать. Взаимодействовать. 2018, 317–335.
220. Малейн, А.-К. Обнаружение болезней растений с помощью датчиков визуализации — параллели и специфические требования к точному земледелию и фенотипированию растений.Завод Дис. 2016, 100, 241–251. [Перекрестная ссылка] [PubMed]
221. Бехманн, Дж.; Acebron, K.; Эмин, Д.; Беннерц, С.; Мацубара, С.; Томас, С.; Боненкамп, Д.; Куска, М.Т.; Юссила, Дж.; Сало, Х.; et al. Specim IQ: Оценка новой миниатюрной портативной гиперспектральной камеры и ее применение для фенотипирования растений и обнаружения болезней. Датчики 2018, 18, 441. [Перекрестная ссылка] [PubMed]
222. Сингх, А.К.; Ганапатисубраманиан, Б.; Саркар, С.; Сингх А. Глубокое обучение для фенотипирования стресса растений: тенденции и будущие перспективы. Тенденции Plant Sci. 2018, 23, 883–898. [Перекрестная ссылка]
223. Брюггер, А.; Бехманн, Дж.; Паулюс, С.; Луигс, Х.-Г.; Куска, М.Т.; Шрамовски,.; Керстинг, К.; Штайнер, У.; Малейн, А.-К. Расширение гиперспектральной визуализации для фенотипирования растений до УФ-диапазона. 2019, 11, 1401. [Перекрестная ссылка]
224. Мутка А.М.; Барт Р.С. Фенотипирование симптомов болезней растений на основе изображений. Фронт. Наука о растениях. 2015, 5, 734. [Перекрестная ссылка]
225. Мутка А.М.; Фентресс, С.Дж.; Шер, Дж.В.; Берри, Дж.К.; Претц, К.; Нусинов, Д.А.; Барт, Р. Количественные методы фенотипирования, основанные на изображениях,дают представление о пространственных и временных измерениях болезней растений. Физиология растений. 2016, 172, 650–660. [Перекрестная ссылка]
226. Rohácˇek, K.; Соукупов А.А.; Бартак, М. Флуоресценция хлорофилла: прекрасный инструмент для изучения физиологии растений и стресса растений.
227. Res. Указатель. 2008, 37, 41–104.
228. Bauriegel, E.; Гибель, А.; Герппих В.Б. Гиперспектральная и хлорофилловая флуоресцентная визуализация для анализа влияния Fusarium culmorum на фотосинтетическую целостность инфицированных колосьев пшеницы. Датчики 2011, 11, 3765–3779. [Перекрестная ссылка]
229. Ю.К.; Leufen, G.; Хунше, М.; Нога, Г.; Чэнь, X.; Барет Г. Исследование болезней листьев и оценка концентрации хлорофиллау семи сортов ячменя с использованием флуоресцентных и гиперспектральных индексов. Remote Sens. 2013, 6, 64–86. [Перекрестная ссылка]
230. Перес-Буэно, М.Л.; Пинеда, М.; Барон М. Фенотипирование реакций растений на биотический стресс с помощью флуоресцентной визуализации хлорофилла.
231. Фронт. Наука о растениях. 2019, 10, 1135. [Перекрестная ссылка] [PubMed]
232. Басати, З.; Джамшиди, Б.; Расех, М.; Аббаспур-Гиланде, Ю. Обнаружение образцов пшеницы, поврежденных вредителями, с помощью спектроскопии в видимом/ближнем инфракрасном диапазонах на основе распознавания образов. Спектрохим. Acta A Mol. Biomol. Спектроскопический. 2018, 203, 308–314. [Перекрестная ссылка]
233. Кумар, Дж.; Вашиштх, А.; Сегал В.К.; Гупта В.К. Оценка зараженности горчицы тлей методом гиперспектрального дистанционного зондирования.
234. J. Indian Soc. Remote Sens. 2012, 41, 83–90. [Перекрестная ссылка]
235. Канарио, D.V.P.; Фигейреду, Э.; Франко, Дж.К.; Гуэрра Р. Выявление ранних стадий заражения мучнистым червецом на растениях томата с помощью оптической спектроскопии. Eur. J. Hortic. Sci. 2017, 82, 141–148.
236. Чжан, Дж.; Хуан, Ю.; Пу, Р.; Гонсалес-Морено,.; Юань, Л.; Ву, К.; Хуан В. Мониторинг болезней и вредителей растений с помощью технологии дистанционного зондирования: обзор.Вычислительная техника. Электрон. Агрик. 2019, 165, 104943. [Перекрестная ссылка]
237. Ян, Т.; Сюй, В.; Линь, Дж.; Дуань, Л.; Гао,.; Чжан, К.; Лу Х. Сочетание многомерной сверточной нейронной сети (СНС) с методом визуализации для обнаружения инфекции Aphis gossypii Glover в листьях хлопчатника с использованием гиперспектральной визуализации.Фронт. Наука о растениях. 2021, 12, 74. [Перекрестная ссылка] [PubMed]
238. Картер, Г.А.; Кнапп А.К. Оптические свойства листьев высших растений: связь спектральных характеристик со стрессом и концентрацией хлорофилла. Am. J. Bot. 2001, 88, 677–684. [Перекрестная ссылка] [PubMed]
239. Гительсон А.А.; Мерзляк Н.М.; Чивкунова Б.О. Оптические свойства и неразрушающая оценка содержания антоцианов в листьях растений.Фотохимия. Фотобиол. 2001, 74, 38–45. [Перекрестная ссылка]
240. Картер, Г.А.; Спиринг Б.А. Оптические свойства интактных листьев для оценки концентрации хлорофилла. J. Environ. Qual. 2002 г.,
241. 31, 1424 г. [Перекрестная ссылка]
242. Жакму, С.; Барет, Ф. ПРОСПЕКТ: Модель спектров оптических свойств листьев. Удаленные датчики окружающей среды. 1990, 34, 75–91. [Перекрестная ссылка]
243. Жакму, С.; Устин С.Л. Оптические свойства листа: современное состояние. В материалах 8-го Международного симпозиума по физическим измерениям и сигнатурам в дистанционном зондировании – CNES, Оссуа, Франция, 8–12 января 2001 г.
244. Жакму, С.; Устин, С. оптические свойства листа; Издательство Кембриджского университета: Кембридж, Великобритания, 2019.
245. Яо, X.; Чжу, Ю.; Тянь, Ю.; Фэн, В.; Цао В. Изучение гиперспектральных каналов и оценочных индексов накопления азота в листьях пшеницы. Appl. Earth. Obs. Geoinf. 2010, 12, 89–100. [Перекрестная ссылка]
246. Стеллаччи, А.М.; Кастриньяно, А.; Трокколи, А.; Бассо, Б.; Буттафуоко Г. Выбор оптимальных гиперспектральных каналов для различения азотного статуса в твердой пшенице: сравнение статистических подходов. Окружать. Монит. Облагать налогом. 2016, 188, 1–15. [Перекрестная ссылка] [PubMed]
247. Томпсон, Л.Дж.; Пунтел, Лос-Анджелес Преобразование беспилотного летательного аппарата (БПЛА) и мультиспектрального датчика в практическую систему поддержки принятия решений для точного управления азотом в кукурузе. 2020, 12, 1597. [Перекрестная ссылка]
248. Девадас, Р.; Лэмб, Д.В.; Симпфендорфер, С.; Бэкхаус, Д. Оценка десяти спектральных вегетационных индексов для выявления заражения ржавчиной в отдельных листьях пшеницы. Precis. Agric. 2008, 10, 459–470. [Перекрестная ссылка]
249. Чжао, Ю.-Р.; Ли, X.; Ю, К.-К.; Ченг, Ф.; Хе Ю. Гиперспектральная визуализация для определения содержания пигмента в листьях огурцов в ответ на болезнь угловой пятнистости листьев.Sci. Rep. 2016, 6, 27790. [Перекрестная ссылка] [PubMed]
250. Он, Р.; Ли, Х.; Цяо, С.; Цзян Д. Использование вейвлет-анализа гиперспектральных данных дистанционного зондирования Земли для оценки содержания хлорофилла в пологе озимой пшеницы в условиях каналовчатой ржавчины.Int. J. Remote Sens. 2018, 39, 4059–4076. [Перекрестная ссылка]
251. Чжао, Ю.; Ю.К.; Фэн, К.; Цен, Х.; Он, Ю. Раннее обнаружение заражения пекинской капустой тлей (Myzus persicae) с помощью гиперспектральной визуализации и выделения признаков.Trans. ASABE 2017, 60, 1045–1051. [Перекрестная ссылка]
252. Пандей,.; Гэ, Ю.; Stoerger, V.; Шнабле Д.К. Высокопроизводительный анализ химических свойств листьев растений in vivo с использованием гиперспектральной визуализации.Фронт. Наука о растениях. 2017, 8, 1348. [Перекрестная ссылка]
253. Чжоу, В.; Чжан, Дж.; Цзоу, М.; Лю, X.; Ду, Х.; Ван, К.; Лю, Ю.; Лю, Ю.; Ли Д. Прогнозирование концентрации кадмия в коричневом рисе перед сбором урожая методом гиперспектрального дистанционного зондирования.Окружающая среда. Наука. Загрязнение. Res. 2018, 26, 1848–1856. [Перекрестная ссылка] [PubMed]
254. Гэ, Ю.; Атефи, А.; Чжан, Х.; Мяо, К.; Рамамурти, Р.К.; Сигмон, Б.; Янг, Дж.; Шнабль, Дж.К. Высокопроизводительный анализ физиологических и химических признаков листьев с помощью спектроскопии VIS-NIR-SWIR: тематическое исследование с панелью разнообразия кукурузы. Методы растений2019, 15, 66. [Перекрестная ссылка] [PubMed]
255. Ху, Н.; Ли, В.; Ду, К.; Чжан, З.; Гао, Ю.; Сун, З.; Янг, Л.; Ю.К.; Чжан, Ю.; Ван З. Прогнозирование микроэлементов пшеницы с помощью гиперспектральной визуализации.Пищевая химия. 2021, 343, 128473. [Перекрестная ссылка] [PubMed]
256. Фуэнтес, С.; Тонгсон, Э.; Уннитан, Р.Р.; Гонсалес Вьехо, К. Раннее обнаружение заражения тлей и оценка взаимодействия насекомых с растениями в пшенице с помощью недорогого электронного носа (E-nose), спектроскопии ближнего инфракрасного диапазона и моделирования машинного обучения.Датчики 2021, 21, 5948. [Перекрестная ссылка] [PubMed]
257. Фанг, Ю.; Рамасами Р.. Современные и перспективные методы выявления болезней растений. Биосенсоры 2015, 5, 537–561. [Перекрестная ссылка]
258. [PubMed]
259. Мюллер, К.; Хосгуд, Б.; Андреоли Г. Физические механизмы в гиперспектральных данных BRDF травы и кресс-салата. Удаленные датчики окружающей среды. 1998, 66, 222–233.
260. Ferwerda, J.G.; Скидмор, А.К.; Мутанга, О. Обнаружение азота с гиперспектральными индексами нормализованного отношения у нескольких видов растений.Int. J. Remote Sens. 2005, 26, 4083–4095. [Перекрестная ссылка]
261. Лопес-Игера Х.М. Зондирование с помощью света: ключевая область датчиков. Датчики 2021, 21, 6562. [Перекрестная ссылка]
262. Фарбер, К.; Манке, М.; Санчес, Л.; Куровский Д. Современные спектроскопические методы диагностики болезней растений. Обзор.
263. Тренды. Хим. 2019, 118, 43–49. [Перекрестная ссылка]
264. Венг, С.; Ху, Х.; Ван, Дж.; Танг, Л.; Ли,.; Чжэн, С.; Чжэн, Л.; Хуан, Л.; Синь З. Расширенное применение рамановской спектроскопии и поверхностно-усиленной рамановской спектроскопии в диагностике болезней растений: обзор. J. Agric. Food Chem. 2021, 69, 2950–2964. [Перекрестная ссылка]
202. 115, 49–57. [Перекрестная ссылка]
203. Гоэл,.; Прашер, С.; Лэндри, Дж.; Патель, Р.; Боннелл, Р.; Виау, А.; Миллер Д. Потенциал воздушного гиперспектрального дистанционного зондирования для обнаружения дефицита азота и засоренности кукурузы.Вычислительная техника. Электрон. Агрик. 2003, 38, 99–124. [Перекрестная ссылка]
204. Бехманн, Дж.; Steinrücken, J.; Плюмер Л. Обнаружение ранних стрессовых реакций растений на гиперспектральных изображениях. ISPRS J. Photogramm. Remote Sens. 2014, 93, 98–111. [Перекрестная ссылка]
205. Чжао, Ф.; Хуан, Ю.; Го, Ю.; Редди, К.; Ли, М.; Флетчер, Р.; Томсон, С. Раннее выявление повреждений урожая глифосатом на сое и хлопке с использованием гиперспектральных данных листьев растений. Remote Sens. 2014, 6, 1538–1563. [Перекрестная ссылка]
206. Хуан, Ю.; Юань, Л.; Редди, К.Н.; Чжан Д. Гиперспектральное зондирование растений in situ для раннего выявления повреждений сои дикамбой.
207. Biosyst. Eng. 2016, 149, 51–59. [Перекрестная ссылка]
208. Сайяри, М.; Салехи, Ф.; Валеро, Д. Новые подходы к моделированию влияния метилжасмоната на качество граната при послеуборочном хранении. Int. J. Fruit Sci. 2017, 17, 374–390. [Перекрестная ссылка]
209. До Прадо Рибейро, Л.; Klock, A.L.S.; Фильо, J.A.W.; Трамонтин, М.А.; Трапп, М.А.; Митхёфер, А.; Нансен К. Гиперспектральная визуализация для характеристики коммуникации между растениями в ответ на травоядных насекомых. Методы растений 2018, 14, 54. [Перекрестная ссылка] [PubMed]
210. Зовко, М.; Живат, У.; Кнапик, М.; Ковачич, М.Б.; Ромик, Д. Гиперспектральное дистанционное зондирование виноградной лозы должно вызывать стресс. Конспект.Агрик. 2019, 20, 335–347. [Перекрестная ссылка]
211. Ван, Дж.; Чжан, К.; Ши, Ю.; Лонг, М.; Ислам, Ф.; Янг, К.; Он, Ю.; Чжоу, В. Оценка токсичности квинклорака и смягчение ее влияния салициловой кислотой на проростках риса с использованием наземной гиперспектральной визуализации в видимом/ближнем инфракрасном диапазонах. Методы растений 2020, 16, 30. [Перекрестная ссылка]
212. Джексон Р.Д. Дистанционное зондирование биотического и абиотического стресса растений. Annu. Rev. Phytopathol. 1986, 24, 265–287. [Перекрестная ссылка]
213. Ирмак, С.; Аман, Д.З.; Бастуг Р. Определение индекса водного стресса сельскохозяйственных культур для сроков орошения и оценки урожайности кукурузы.
214. Я. Агрон. 2000, 92, 1221. [Перекрестная ссылка]
215. Нансен, К.; Маседо, Т.; Свонсон, Р.; Уивер Д.К. Использование анализа пространственной структуры гиперспектральных кубов данных для обнаружения стресса, вызванного насекомыми, у растений пшеницы.Int. J. Remote Sens. 2009, 30, 2447–2464. [Перекрестная ссылка]
216. Лоу, А.; Харрисон, Н.; Френч А.. Методы анализа гиперспектральных изображений для обнаружения и классификации раннего начала болезней и стресса растений. Методы растений 2017, 13, 80. [Перекрестная ссылка] [PubMed]
217. Нансен, К.; Сидумо, А.Дж.; Капареда С. Вариограммный анализ гиперспектральных данных для характеристики влияния биотического и абиотического стресса растений кукурузы и оценки биотопливного потенциала. Appl. Spectrosc. 2010, 64, 627–636. [Перекрестная ссылка]
218. Сусич, Н.; Живат, У.; Širca, S.; Страйнар, .; Разингер, Дж.; КнапиКˇ, М.; Вонкуна, А.; Урек, Г.; Gericˇ Stare, B. Различение абиотического и биотического стресса засухи у томатов с помощью гиперспектральной визуализации.Приводы Sens. B Chem. 2018, 273, 842–852. [Перекрестная ссылка]
219. Дас, Б.; Махаджан, Г.Р.; Сингх, Р. HRS: Использование в обнаружении абиотических стрессов в сельском хозяйстве. Прил. Окружать. Взаимодействовать. 2018, 317–335.
220. Малейн, А.-К. Обнаружение болезней растений с помощью датчиков визуализации — параллели и специфические требования к точному земледелию и фенотипированию растений.Завод Дис. 2016, 100, 241–251. [Перекрестная ссылка] [PubMed]
221. Бехманн, Дж.; Acebron, K.; Эмин, Д.; Беннерц, С.; Мацубара, С.; Томас, С.; Боненкамп, Д.; Куска, М.Т.; Юссила, Дж.; Сало, Х.; et al. Specim IQ: Оценка новой миниатюрной портативной гиперспектральной камеры и ее применение для фенотипирования растений и обнаружения болезней. Датчики 2018, 18, 441. [Перекрестная ссылка] [PubMed]
222. Сингх, А.К.; Ганапатисубраманиан, Б.; Саркар, С.; Сингх А. Глубокое обучение для фенотипирования стресса растений: тенденции и будущие перспективы. Тенденции Plant Sci. 2018, 23, 883–898. [Перекрестная ссылка]
223. Брюггер, А.; Бехманн, Дж.; Паулюс, С.; Луигс, Х.-Г.; Куска, М.Т.; Шрамовски,.; Керстинг, К.; Штайнер, У.; Малейн, А.-К. Расширение гиперспектральной визуализации для фенотипирования растений до УФ-диапазона. 2019, 11, 1401. [Перекрестная ссылка]
224. Мутка А.М.; Барт Р.С. Фенотипирование симптомов болезней растений на основе изображений. Фронт. Наука о растениях. 2015, 5, 734. [Перекрестная ссылка]
225. Мутка А.М.; Фентресс, С.Дж.; Шер, Дж.В.; Берри, Дж.К.; Претц, К.; Нусинов, Д.А.; Барт, Р. Количественные методы фенотипирования, основанные на изображениях,дают представление о пространственных и временных измерениях болезней растений. Физиология растений. 2016, 172, 650–660. [Перекрестная ссылка]
226. Rohácˇek, K.; Соукупов А.А.; Бартак, М. Флуоресценция хлорофилла: прекрасный инструмент для изучения физиологии растений и стресса растений.
227. Res. Указатель. 2008, 37, 41–104.
228. Bauriegel, E.; Гибель, А.; Герппих В.Б. Гиперспектральная и хлорофилловая флуоресцентная визуализация для анализа влияния Fusarium culmorum на фотосинтетическую целостность инфицированных колосьев пшеницы. Датчики 2011, 11, 3765–3779. [Перекрестная ссылка]
229. Ю.К.; Leufen, G.; Хунше, М.; Нога, Г.; Чэнь, X.; Барет Г. Исследование болезней листьев и оценка концентрации хлорофиллау семи сортов ячменя с использованием флуоресцентных и гиперспектральных индексов. Remote Sens. 2013, 6, 64–86. [Перекрестная ссылка]
230. Перес-Буэно, М.Л.; Пинеда, М.; Барон М. Фенотипирование реакций растений на биотический стресс с помощью флуоресцентной визуализации хлорофилла.
231. Фронт. Наука о растениях. 2019, 10, 1135. [Перекрестная ссылка] [PubMed]
232. Басати, З.; Джамшиди, Б.; Расех, М.; Аббаспур-Гиланде, Ю. Обнаружение образцов пшеницы, поврежденных вредителями, с помощью спектроскопии в видимом/ближнем инфракрасном диапазонах на основе распознавания образов. Спектрохим. Acta A Mol. Biomol. Спектроскопический. 2018, 203, 308–314. [Перекрестная ссылка]
233. Кумар, Дж.; Вашиштх, А.; Сегал В.К.; Гупта В.К. Оценка зараженности горчицы тлей методом гиперспектрального дистанционного зондирования.
234. J. Indian Soc. Remote Sens. 2012, 41, 83–90. [Перекрестная ссылка]
235. Канарио, D.V.P.; Фигейреду, Э.; Франко, Дж.К.; Гуэрра Р. Выявление ранних стадий заражения мучнистым червецом на растениях томата с помощью оптической спектроскопии. Eur. J. Hortic. Sci. 2017, 82, 141–148.
236. Чжан, Дж.; Хуан, Ю.; Пу, Р.; Гонсалес-Морено,.; Юань, Л.; Ву, К.; Хуан В. Мониторинг болезней и вредителей растений с помощью технологии дистанционного зондирования: обзор.Вычислительная техника. Электрон. Агрик. 2019, 165, 104943. [Перекрестная ссылка]
237. Ян, Т.; Сюй, В.; Линь, Дж.; Дуань, Л.; Гао,.; Чжан, К.; Лу Х. Сочетание многомерной сверточной нейронной сети (СНС) с методом визуализации для обнаружения инфекции Aphis gossypii Glover в листьях хлопчатника с использованием гиперспектральной визуализации.Фронт. Наука о растениях. 2021, 12, 74. [Перекрестная ссылка] [PubMed]
238. Картер, Г.А.; Кнапп А.К. Оптические свойства листьев высших растений: связь спектральных характеристик со стрессом и концентрацией хлорофилла. Am. J. Bot. 2001, 88, 677–684. [Перекрестная ссылка] [PubMed]
239. Гительсон А.А.; Мерзляк Н.М.; Чивкунова Б.О. Оптические свойства и неразрушающая оценка содержания антоцианов в листьях растений.Фотохимия. Фотобиол. 2001, 74, 38–45. [Перекрестная ссылка]
240. Картер, Г.А.; Спиринг Б.А. Оптические свойства интактных листьев для оценки концентрации хлорофилла. J. Environ. Qual. 2002 г.,
241. 31, 1424 г. [Перекрестная ссылка]
242. Жакму, С.; Барет, Ф. ПРОСПЕКТ: Модель спектров оптических свойств листьев. Удаленные датчики окружающей среды. 1990, 34, 75–91. [Перекрестная ссылка]
243. Жакму, С.; Устин С.Л. Оптические свойства листа: современное состояние. В материалах 8-го Международного симпозиума по физическим измерениям и сигнатурам в дистанционном зондировании – CNES, Оссуа, Франция, 8–12 января 2001 г.
244. Жакму, С.; Устин, С. оптические свойства листа; Издательство Кембриджского университета: Кембридж, Великобритания, 2019.
245. Яо, X.; Чжу, Ю.; Тянь, Ю.; Фэн, В.; Цао В. Изучение гиперспектральных каналов и оценочных индексов накопления азота в листьях пшеницы. Appl. Earth. Obs. Geoinf. 2010, 12, 89–100. [Перекрестная ссылка]
246. Стеллаччи, А.М.; Кастриньяно, А.; Трокколи, А.; Бассо, Б.; Буттафуоко Г. Выбор оптимальных гиперспектральных каналов для различения азотного статуса в твердой пшенице: сравнение статистических подходов. Окружать. Монит. Облагать налогом. 2016, 188, 1–15. [Перекрестная ссылка] [PubMed]
247. Томпсон, Л.Дж.; Пунтел, Лос-Анджелес Преобразование беспилотного летательного аппарата (БПЛА) и мультиспектрального датчика в практическую систему поддержки принятия решений для точного управления азотом в кукурузе. 2020, 12, 1597. [Перекрестная ссылка]
248. Девадас, Р.; Лэмб, Д.В.; Симпфендорфер, С.; Бэкхаус, Д. Оценка десяти спектральных вегетационных индексов для выявления заражения ржавчиной в отдельных листьях пшеницы. Precis. Agric. 2008, 10, 459–470. [Перекрестная ссылка]
249. Чжао, Ю.-Р.; Ли, X.; Ю, К.-К.; Ченг, Ф.; Хе Ю. Гиперспектральная визуализация для определения содержания пигмента в листьях огурцов в ответ на болезнь угловой пятнистости листьев.Sci. Rep. 2016, 6, 27790. [Перекрестная ссылка] [PubMed]
250. Он, Р.; Ли, Х.; Цяо, С.; Цзян Д. Использование вейвлет-анализа гиперспектральных данных дистанционного зондирования Земли для оценки содержания хлорофилла в пологе озимой пшеницы в условиях каналовчатой ржавчины.Int. J. Remote Sens. 2018, 39, 4059–4076. [Перекрестная ссылка]
251. Чжао, Ю.; Ю.К.; Фэн, К.; Цен, Х.; Он, Ю. Раннее обнаружение заражения пекинской капустой тлей (Myzus persicae) с помощью гиперспектральной визуализации и выделения признаков.Trans. ASABE 2017, 60, 1045–1051. [Перекрестная ссылка]
252. Пандей,.; Гэ, Ю.; Stoerger, V.; Шнабле Д.К. Высокопроизводительный анализ химических свойств листьев растений in vivo с использованием гиперспектральной визуализации.Фронт. Наука о растениях. 2017, 8, 1348. [Перекрестная ссылка]
253. Чжоу, В.; Чжан, Дж.; Цзоу, М.; Лю, X.; Ду, Х.; Ван, К.; Лю, Ю.; Лю, Ю.; Ли Д. Прогнозирование концентрации кадмия в коричневом рисе перед сбором урожая методом гиперспектрального дистанционного зондирования.Окружающая среда. Наука. Загрязнение. Res. 2018, 26, 1848–1856. [Перекрестная ссылка] [PubMed]
254. Гэ, Ю.; Атефи, А.; Чжан, Х.; Мяо, К.; Рамамурти, Р.К.; Сигмон, Б.; Янг, Дж.; Шнабль, Дж.К. Высокопроизводительный анализ физиологических и химических признаков листьев с помощью спектроскопии VIS-NIR-SWIR: тематическое исследование с панелью разнообразия кукурузы. Методы растений2019, 15, 66. [Перекрестная ссылка] [PubMed]
255. Ху, Н.; Ли, В.; Ду, К.; Чжан, З.; Гао, Ю.; Сун, З.; Янг, Л.; Ю.К.; Чжан, Ю.; Ван З. Прогнозирование микроэлементов пшеницы с помощью гиперспектральной визуализации.Пищевая химия. 2021, 343, 128473. [Перекрестная ссылка] [PubMed]
256. Фуэнтес, С.; Тонгсон, Э.; Уннитан, Р.Р.; Гонсалес Вьехо, К. Раннее обнаружение заражения тлей и оценка взаимодействия насекомых с растениями в пшенице с помощью недорогого электронного носа (E-nose), спектроскопии ближнего инфракрасного диапазона и моделирования машинного обучения.Датчики 2021, 21, 5948. [Перекрестная ссылка] [PubMed]
257. Фанг, Ю.; Рамасами Р.. Современные и перспективные методы выявления болезней растений. Биосенсоры 2015, 5, 537–561. [Перекрестная ссылка]
258. [PubMed]
259. Мюллер, К.; Хосгуд, Б.; Андреоли Г. Физические механизмы в гиперспектральных данных BRDF травы и кресс-салата. Удаленные датчики окружающей среды. 1998, 66, 222–233.
260. Ferwerda, J.G.; Скидмор, А.К.; Мутанга, О. Обнаружение азота с гиперспектральными индексами нормализованного отношения у нескольких видов растений.Int. J. Remote Sens. 2005, 26, 4083–4095. [Перекрестная ссылка]
261. Лопес-Игера Х.М. Зондирование с помощью света: ключевая область датчиков. Датчики 2021, 21, 6562. [Перекрестная ссылка]
262. Фарбер, К.; Манке, М.; Санчес, Л.; Куровский Д. Современные спектроскопические методы диагностики болезней растений. Обзор.
263. Тренды. Хим. 2019, 118, 43–49. [Перекрестная ссылка]
264. Венг, С.; Ху, Х.; Ван, Дж.; Танг, Л.; Ли,.; Чжэн, С.; Чжэн, Л.; Хуан, Л.; Синь З. Расширенное применение рамановской спектроскопии и поверхностно-усиленной рамановской спектроскопии в диагностике болезней растений: обзор. J. Agric. Food Chem. 2021, 69, 2950–2964. [Перекрестная ссылка]
16 мая/ 2024