В статье рассмотрены передовые методы неразрушающей визуализации растений, которые используются в современном фенотипировании. Описаны две основные группы технологий: физиолого-биохимические (гиперспектральная, мультиспектральная, флуоресцентная визуализация, терагерцовое зондирование, SERS и углеродные точки) и структурно-морфологические (RGB, тепловидение, лидары, конфокальная микроскопия, оптическая когерентная томография). Показана роль искусственного интеллекта в обработке мультимодальных данных и обсуждаются перспективы создания интеллектуальных платформ для точного земледелия.

К 2050 году человечеству необходимо увеличить урожайность основных культур на 100–110%, чтобы прокормить растущее население планеты. При этом климатические изменения — засухи, волны тепла, непредсказуемые осадки — усложняют задачу. Традиционные методы оценки состояния растений (взвешивание, химический анализ образцов) разрушительны, трудоемки и не дают оперативной картины.

На помощь приходят технологии визуализации. Они позволяют «заглянуть» внутрь растения, не повреждая его, измерить сотни параметров — от скорости фотосинтеза до толщины клеточной стенки — и сделать это в полевых условиях за секунды. В этом обзоре мы разберем, какие именно технологии существуют, как они работают и зачем их объединяют с искусственным интеллектом.

Эти методы отвечают на вопрос: «Что происходит внутри растения?» — достаточно ли у него хлорофилла, не атакуют ли его патогены, не страдает ли оно от жажды.

Гиперспектральная визуализация (HSI) — «золотой стандарт» биохимического анализа. Камера регистрирует отраженный свет сразу в сотнях узких спектральных диапазонов (от ультрафиолета до коротковолнового ИК). В результате получается гиперкуб — трехмерный массив данных, где для каждого пикселя известен полный спектр. По нему можно определить концентрацию фенолов, флавоноидов, белков, воды и других веществ. HSI успешно применяется для ранней диагностики засухи у хлопчатника и теплового стресса у женьшеня.

Мультиспектральная визуализация (MSI) — упрощенный вариант, использующий 3–15 широких каналов. Она дешевле и быстрее, идеально подходит для вычисления вегетационных индексов вроде NDVI (нормализованный разностный вегетационный индекс), который показывает «зеленость» и здоровье растительного покрова с дронов.

Флуоресцентная гиперспектральная визуализация регистрирует не только отраженный, но и переизлученный свет — флуоресценцию хлорофилла. Ее изменение — ранний признак нарушения фотосинтеза, который проявляется задолго до видимых симптомов.

Спектральные методы имеют предел разрешения — около нескольких микрометров. Чтобы «увидеть» единичные молекулы пестицида или вирусные частицы, применяют нанотехнологии.

SERS (Surface-Enhanced Raman Scattering) — гигантское комбинационное рассеяние на поверхности. Наноструктурированную подложку из золота или серебра наносят на лист; лазер возбуждает рамановское рассеяние, которое усиливается в миллионы раз. Так можно обнаружить остатки пестицидов, бактерии и даже метаболиты растения. SERS позволяет картировать распределение веществ на поверхности с нанометровой точностью.

Терагерцовая визуализация (THz) использует излучение между ИК и СВЧ-диапазоном. Терагерцовые волны очень чувствительны к воде: по ослаблению сигнала можно точно оценить влажность листа, корней или семян. Это помогает прогнозировать урожайность и вовремя выявлять засуху.

Углеродные точки (CDs) — флуоресцентные наночастицы, экологичные и биосовместимые. Их можно вводить в растение через корни или листья; они светятся под УФ-светом и позволяют отслеживать передвижение питательных веществ, а также детектировать тяжелые металлы и токсины.

Эти методы отвечают на вопрос: «Как выглядит растение и как оно растет?» — высота, форма кроны, угол наклона листьев, объем корней.

RGB-визуализация — обычные цифровые камеры. Позволяют оценивать цвет, форму, пятнистость, рост в динамике. Главный недостаток: в густой листве листья перекрывают друг друга, и точно разделить их на снимке трудно.

Тепловидение (термография) фиксирует температуру поверхности листьев. У здорового растения она обычно немного ниже воздушной за счет транспирации. При засухе или болезни транспирация падает, лист нагревается — это видно на тепловом снимке. С помощью дронов с тепловизорами можно за один облет оценить орошаемость целого поля.

UAV (дроны) — летающие платформы, которые несут RGB и тепловые камеры, а иногда и мультиспектральные сенсоры. Они обеспечивают мониторинг больших площадей с разрешением в сантиметры.

Лидар (LiDAR) — лазерный радар. Он сканирует растения импульсами, измеряя время возврата сигнала, и строит облако из миллионов точек. По этим данным можно восстановить точную 3D-модель растения: высоту, объем кроны, площадь листьев, расположение стеблей. Лидары установлены на наземных роботах и дронах; они успешно применялись для фенотипирования сорго, где вручную измерить сотни растений невозможно.

Конфокальная микроскопия — метод для лабораторных исследований клеток и тканей. Лазер фокусируется на очень маленькой точке, а точечная диафрагма отсекает «паразитный» свет от соседних областей. Это позволяет получать серии оптических срезов и собирать их в 3D-изображение с субмикронным разрешением. Метод незаменим для изучения роста меристемы или взаимодействия корней с грибами.

Оптическая когерентная томография (OCT) — аналог ультразвука, но не звукового, а светового. Она дает поперечные «срезы» растительной ткани на глубину до 2–3 мм с разрешением около 1–10 мкм. OCT позволяет увидеть внутреннее строение листа или стебля без разрезания и отслеживать развитие инфекции в реальном времени.

Каждая из перечисленных технологий генерирует терабайты данных: один гиперспектральный снимок — тысячи спектров; лидарное облако — миллионы точек; временной ряд тепловых изображений — гигабайты. Человек не в состоянии обработать такие объемы вручную.

Машинное обучение (классические алгоритмы: метод опорных векторов, случайный лес)успешно решает задачи количественной оценки: предсказать содержание хлорофилла по спектру, обнаружить остатки пестицида по SERS-сигналу, классифицировать стадию стресса.

Глубокое обучение (сверточные нейронные сети, трансформеры) работает напрямую с изображениями и облаками точек. Оно автоматически выделяет признаки (жилки, пятна, границы листьев), выполняет сегментацию (отделяет лист от фона, один лист от другого) и даже предсказывает урожайность по 3D-модели.

Мультимодальная интеграция — это когда нейросеть одновременно анализирует RGB-снимок, тепловую карту и гиперспектральный куб одного и того же растения. Такой подход значительно повышает точность диагностики болезней, стрессов и позволяет создавать всепогодные системы для беспилотных агророботов.

Главные барьеры на пути широкого внедрения: отсутствие единых стандартов сбора данных, проблемы с калибровкой оборудования в полевых условиях и недостаточная вычислительная инфраструктура «на краю» (edge computing). Тем не менее, объединение всех модальностей на единой AI-платформе — реалистичная цель на ближайшие 5–10 лет. Такие системы позволят агроному получать на планшет карту здоровья поля с рекомендациями, где полить, где обработать от вредителей, а где собрать урожай уже через неделю.

Источник-основа: Joshi R., Faqeerzada M.A., Kim T., Cho B.K. Recent advances in plant imaging technology: a concise review // Plant Image Science. 2025. Vol. 1, Article 2. DOI: 10.65971/PIS.2025.1.2