vavilovВавиловский журнал генетики и селекцииVavilov Journal of Genetics and Breeding2500-3259Institute of Cytology and Genetics of Siberian Branch of the RAS10.18699/VJ19.587vavilov-2593Research ArticleСЕЛЕКЦИЯ РАСТЕНИЙ НА ИММУНИТЕТ И ПРОДУКТИВНОСТЬPLANT BREEDING FOR IMMUNITY AND PERFORMANCEИспользование гиперспектральной камеры Specim IQ для анализа растенийThe use of Specim IQ, a hyperspectral camera, for plant analysisАльтВ. В.AltV. V.

Р.п. Краснообск, Новосибирская область

Krasnoobsk, Novosibirsk region

ГуроваТ. А.GurovaT. A.

Р.п. Краснообск, Новосибирская область

Krasnoobsk, Novosibirsk region

ЕлкинО. В.ElkinO. V.

Р.п. Краснообск, Новосибирская область

Krasnoobsk, Novosibirsk region

КлименкоД. Н.KlimenkoD. N.

Р.п. Краснообск, Новосибирская область

Krasnoobsk, Novosibirsk region

МаксимовЛ. В.MaximovL. V.

Novosibirsk

ПестуновИ. А.PestunovI. A.

Новосибирск

Novosibirsk

ДубровскаяО. А.DubrovskayaO. A.

Новосибирск

Novosibirsk

ГенаевМ. А.GenaevM. A.

Новосибирск

Novosibirsk

ЭрстТ. В.ErstT. V.

Новосибирск

Novosibirsk

ГенаевК. А.GenaevK. A.

Новосибирск

Novosibirsk

КомышевЕ. Г.KomyshevE. G.

Новосибирск

Novosibirsk

ХлесткинВ. К.KhlestkinV. K.

Новосибирск

Novosibirsk

https://orcid.org/0000-0001-9738-1409АфонниковД. А.AfonnikovD. А.

Новосибирск

ada@bionet.nsc.ruСибирский федеральный научный центр агробиотехнологий, Российская академия наукРоссияSiberian Federal Research Center for Agrobiotechnologies of the Russian Academy of SciencesRussian FederationИнститут автоматики и электрометрии Сибирского отделения, Российская академия наукРоссияInstitute of Automation and Electrometry, Siberian Branch of the Russian Academy of SciencesRussian FederationИнститут вычислительных технологий Сибирского отделения, Российская академия наукРоссияInstitute of Computational Technologies, Siberian Branch of the Russian Academy of SciencesRussian FederationФедеральный исследовательский центр Институт цитологии и генетики, Сибирское отделение Российской академии наук; Новосибирский национальный исследовательский государственный университетРоссияInstitute of Cytology and Genetics of Siberian Branch of the Russian Academy of SciencesRussian FederationФедеральный исследовательский центр Институт цитологии и генетики, Сибирское отделение Российской академии наукРоссияInstitute of Cytology and Genetics of Siberian Branch of the Russian Academy of SciencesRussian FederationФедеральный исследовательский центр Институт цитологии и генетики, Сибирское отделение Российской академии наук; Новосибирский национальный исследовательский государственный университетРоссияInstitute of Cytology and Genetics of Siberian Branch of the Russian Academy of Sciences; Novosibirsk State UniversityRussian Federation202029052020243259266Copyright © Альт В.В., Гурова Т.А., Елкин О.В., Клименко Д.Н., Максимов Л.В., Пестунов И.А., Дубровская О.А., Генаев М.А., Эрст Т.В., Генаев К.А., Комышев Е.Г., Хлесткин В.К., Афонников Д.А., 20202020Альт В.В., Гурова Т.А., Елкин О.В., Клименко Д.Н., Максимов Л.В., Пестунов И.А., Дубровская О.А., Генаев М.А., Эрст Т.В., Генаев К.А., Комышев Е.Г., Хлесткин В.К., Афонников Д.А.Alt V.V., Gurova T.A., Elkin O.V., Klimenko D.N., Maximov L.V., Pestunov I.A., Dubrovskaya O.A., Genaev M.A., Erst T.V., Genaev K.A., Komyshev E.G., Khlestkin V.K., Afonnikov D.А.This work is licensed under a Creative Commons Attribution 4.0 License.https://vavilov.elpub.ru/jour/article/view/2593

Важной технологией для неразрушающего мониторинга пигментного состава растений, который тесно связан с их физиологическим состоянием или заражением патогенами, является дистанционное зондирование при помощи гиперспектральных камер. В работе представлен опыт применения мобильной гиперспектральной камеры Specim IQ для исследований заболевания проростков четырех сортов пшеницы обыкновенной корневой гнилью (возбудитель - гриб Bipolaris sorokiniana Shoem.), а также для анализа мякоти клубней картофеля 82 линий и сортов. Для проростков были получены спектральные характеристики и по данным определены наиболее информативные спектральные признаки (индексы) для обнаружения корневой гнили. У проростков контрольных вариантов в видимой части спектра наблюдается возрастание отражательной способности с небольшим пиком в зеленой области (около 550 нм), затем идет понижение из-за поглощения света пигментами растений с экстремумом при длине волны около 680 нм. Анализ гистограмм значений вегетационных индексов показал, что индексы TVI и MCARI наиболее информативны для обнаружения патогена на проростках пшеницы по данным гиперспектральной съемки. Для образцов картофеля были выявлены участки спектра, соответствующие локальным максимумам и минимумам отражения. Показано, что спектры сортов картофеля имеют наибольшие различия в области длин волн 900-1000, 400-450 нм, что в первом случае может быть связано с уровнем содержания воды, а во втором - с формированием в клубнях меланина. По характеристикам спектра исследованные образцы разделились на три группы, каждая из которых содержит повышенные либо пониженные уровни интенсивности для указанных участков спектра. Кроме того, для ряда сортов были установлены минимумы в спектрах отражения, соответствующих хлорофиллу а. Результаты демонстрируют возможности камеры Specim IQ для проведения исследований гиперспектрального анализа растительных объектов.

Remote sensing using hyperspectral cameras is an important technology for non-destructive monitoring of plant pigment composition, which is closely related to their physiological state or infection with pathogens. The paper presents the experience of using Specim IQ, a mobile hyperspectral camera, to study common root rot (the pathogen is the fungus Bipolaris sorokiniana Shoem.) affecting the seedlings of four wheat varieties and to analyze the pulp of potato tubers of 82 lines and varieties. Spectral characteristics were obtained for seedlings and the most informative spectral features (indices) for root rot detection were determined based on the data obtained. Seedlings of control variants in the visible part of the spectrum show an increase in reflectance with a small peak in the green area (about 550 nm), then a decrease due to light absorption by plant pigments with an extremum at a wavelength of about 680 nm. Analysis of histograms of vegetation index values demonstrated that the TVI and MCARI indices are the most informative for detecting the pathogen on wheat seedlings according to hyperspectral survey data. For potato samples, regions of the spectrum were found that correspond to local maxima and minima of reflection. It was shown that the spectra of potato varieties have the greatest differences within wavelength ranges of 900-1000 nm and 400-450 nm, which in the former case may be associated with the level of water content, and in the latter, with the formation of melanin in the tubers. It was shown that according to the characteristics of the spectrum, the samples studied are divided into three groups, each characterized by increased or reduced intensity levels for the specified parts of the spectrum. In addition, minima in the reflection spectra corresponding to chlorophyll a were found for a number of varieties. The results demonstrate the capabilities of the Specim IQ camera for conducting hyperspectral analyses of plant objects.

гиперспектральные данныеспектральные характеристики растенийзаболевания пшеницыкорневая гнильмякоть картофеляхлорофиллвегетационные индексыhyperspectral dataspectral characteristics of plantswheat diseasesroot rotpotato pulpchlorophyllvegetation indicesThe records of plant sample spectra and spectrum analysis were supported by the integrated program of basic research for the Siberian Branch of the Russian Academy of Sciences "Interdisciplinary Integrated Research” for 2018-2020, project "Development of numerical technologies for early detection and localization of damage of crops in the field” Potato growth and sample preparation were supported by the integrated program of research "Potato breeding and seed industry” The study was supported by the Russian Foundation for Basic Research, project 17-29-08006. We are grateful to A.M. Genaev for discussion and valuable remarks and to I.V. Totskiy for help in the annotation of potato samples.ReferencesГурова Т.А., Денисюк С.Г., Луговская О.С., Свежинцева Е.А., Минеев В.В. Методические положения ранней диагностики устойчивости сортов яровой пшеницы и ячменя к совокупному действию стрессоров. Новосибирск: СФНЦА РАН, 2017.Gurova T.A., Denisyuk S.G., Lugovskaya O.S., Svezhintseva E.A., Mineev V.V. Methodological Provisions for Early Diagnostics of Spring Wheat and Barley Varieties Resistance to the Combined Action of Stressors. Novosibirsk, 2017. (in Russian)Долженко В.И., Власенко Н.Г., Власенко А.Н., Коротких Н.А., Теплякова О.И., Кулагин О.В., Слободчиков А.А., Кудашкин П.И., Любимец Ю.В., Гаркуша А.А., Стецов Г.Я., Садовников Г.Г., Садовникова Н.Н., Бочарова Л.С., Доронин В.Г., Тимофеев В.Н., Гарбар Л.И. Зональные системы защиты яровой пшеницы от сорняков, болезней и вредителей в Западной Сибири. Новосибирск: ГНУ СибНИИЗиХ, 2014.Dolzhenko V.I., Vlasenko N.G., Vlasenko A.N., Korotkikh N.A., Teplyakova O.I., Kulagin O.V., Slobodchikov A.A., Kudashkin P.I., Lyubimets Y.V., Garkusha A.A., Stetsov G.Ya., Sadovnikov G.G., Sadovnikova N.N., Bocharova L.S., Doronin V.G., Timofeev V.N., Garbar L.I. Zonal Systems of Spring Wheat Protection from Weeds, Diseases, and Pests in Western Siberia. Novosibirsk, 2014. (in Russian)Дубровская О.А., Гурова Т.А., Пестунов И.А., Котов К.Ю. Методы обнаружения болезней на посевах пшеницы по данным дистанционного зондирования (обзор). Сиб. вестн. с.-х. науки. 2018; 48(6):76-89. DOI 10.26898/0370-8799-2018-6-11.Dubrovskaya O.A., Gurova T.A., Pestunov I.A., Kotov K.Yu. Methods of detection of diseases on wheat crops according to remote sensing (overview). Sibirskiy Vestnik Selskokhozyaystvennoy Nauki = Siberian Herald of Agricultural Sciences. 2018;48(6):76-89. DOI 10.26898/0370-8799-2018-6-11. (in Russian)Мерзляк М.Н., Гительсон А.А., Чивкунова О.Б., Соловченко А.Е., Погосян С.И. Использование спектроскопии отражения в анализе пигментов высших растений. Физиол. растений. 2003; 50(5):785-792.Merzlyak M.N., Gitelson A.A., Chivkunova O.B., Solovchen-ko A.E., Pogosyan S.I. Application of reflectance spectroscopy for analysis of higher plant pigments. Russ. J. Plant Physiol. 2003;50: 704-710. DOI 10.1023/A:1025608728405.Мерзляк М.Н., Чивкунова О.Б., Гительзон А.А., Погосян С.И., Ле-химена Л., Гарсон М., Бузулукова Н.П., Шевырева В.В., Румянцева В.Б. Спектры отражения листьев и плодов при их развитии, старении и стрессе. Физиол. растений. 1997;44(5):707-716.Merzlyak M.N., Chivkunova O.B., Gitelzon A.A., Pogosyan S.I., Lejimena L., Garson M., Buzulyukova N.P., Shevyreva V.V., Rumyantseva V.B. Reflection spectra of leaves and fruit during their development, aging, and stress. Fiziologiya Rasteniy = Plant Physiology. 1997;44(5):707-716. (in Russian)Adao T., Hruska J., Padua L., Bessa J., Peres E., Morais R., Sousa J. Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sens. 2017;9(11):1110.Adao T., Hruska J., Padua L., Bessa J., Peres E., Morais R., Sousa J. Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sens. 2017;9(11):1110.Behmann J., Steinrucken J., Plumer L. Detection of early plant stress responses in hyperspectral images. ISPRS J. Photogramm. Remote Sens. 2014;93:98-111. DOI 10.1016/j.isprsjprs.2014.03.016.Behmann J., Steinrucken J., Plumer L. Detection of early plant stress responses in hyperspectral images. ISPRS J. Photogramm. Remote Sens. 2014;93:98-111. DOI 10.1016/j.isprsjprs.2014.03.016.Blackburn G.A. Hyperspectral remote sensing of plant pigments. J. Exp. Bot. 2007;58(4):855-867.Blackburn G.A. Hyperspectral remote sensing of plant pigments. J. Exp. Bot. 2007;58(4):855-867.Bohnenkamp D., Kuska M.T., Jussila J., Salo H., Mahlein A.-K., Ras-che U. Specim IQ: evaluation of a new, miniaturized handheld hyperspectral camera and its application for plant phenotyping and disease detection. Sensors. 2018;18(2):441.Bohnenkamp D., Kuska M.T., Jussila J., Salo H., Mahlein A.-K., Ras-che U. Specim IQ: evaluation of a new, miniaturized handheld hyperspectral camera and its application for plant phenotyping and disease detection. Sensors. 2018;18(2):441.Busch J.M. Enzymic browning in potatoes: a simple assay for a polyphenol oxidase catalysed reaction. Biochem. Educ. 1999;27(3): 171-173.Busch J.M. Enzymic browning in potatoes: a simple assay for a polyphenol oxidase catalysed reaction. Biochem. Educ. 1999;27(3): 171-173.Guidi L., Tattini M., Landi M. How does chloroplast protect chlorophyll against excessive light? In: Jacob-Lopes E., Queiroz Zepka L., Queiroz M.I. (Eds.). Chlorophyll. 2017;21. DOI 10.5772/67887.Guidi L., Tattini M., Landi M. How does chloroplast protect chlorophyll against excessive light? In: Jacob-Lopes E., Queiroz Zepka L., Queiroz M.I. (Eds.). Chlorophyll. 2017;21. DOI 10.5772/67887.Lopez-Maestresalas A., Keresztes J.C., Goodarzi M., Arazuri S., Jaren C., Saeys W. Non-destructive detection of blackspot in potatoes by Vis-NIR and SWIR hyperspectral imaging. Food Control. 2016;70:229-241.Lopez-Maestresalas A., Keresztes J.C., Goodarzi M., Arazuri S., Jaren C., Saeys W. Non-destructive detection of blackspot in potatoes by Vis-NIR and SWIR hyperspectral imaging. Food Control. 2016;70:229-241.Lorente D., Aleixos N., Gomez-Sanchis J.U.A.N., Cubero S., Garda-Navarrete O.L., Blasco J. Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment. Food Bioproc. Technol. 2012;5(4):1121-1142.Lorente D., Aleixos N., Gomez-Sanchis J.U.A.N., Cubero S., Garda-Navarrete O.L., Blasco J. Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment. Food Bioproc. Technol. 2012;5(4):1121-1142.Lowe A., Harrison N., French A.P. Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress. Plant Methods. 2017;13:2-12.Lowe A., Harrison N., French A.P. Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress. Plant Methods. 2017;13:2-12.Mahlein A.K., Rumpf T., Welke P., Dehne H.W., Plumer L., Steiner U., Oerke E.C. Development of spectral indices for detecting and identifying plant diseases. Remote Sens. Environ. 2013;128;21-30.Mahlein A.K., Rumpf T., Welke P., Dehne H.W., Plumer L., Steiner U., Oerke E.C. Development of spectral indices for detecting and identifying plant diseases. Remote Sens. Environ. 2013;128;21-30.Pan L., Lu R., Zhu Q., Tu K., Cen H. Predict compositions and mechanical properties of sugar beet using hyperspectral scattering. Food Bioprocess Technol. 2016;9(7):1177-1186.Pan L., Lu R., Zhu Q., Tu K., Cen H. Predict compositions and mechanical properties of sugar beet using hyperspectral scattering. Food Bioprocess Technol. 2016;9(7):1177-1186.Rady A., Guyer D., Lu R. Evaluation of sugar content of potatoes using hyperspectral imaging. Food Bioprocess Technol. 2015;8(5):995-1010.Rady A., Guyer D., Lu R. Evaluation of sugar content of potatoes using hyperspectral imaging. Food Bioprocess Technol. 2015;8(5):995-1010.Savitzky A., Golay M.J. Smoothing and differentiation of data by simplified least squares procedures. Anal. Chem. 1964;36(8):1627-1639.Savitzky A., Golay M.J. Smoothing and differentiation of data by simplified least squares procedures. Anal. Chem. 1964;36(8):1627-1639.Sellar R.G., Boreman G.D. Classification of imaging spectrometers for remote sensing applications. Opt. Eng. 2005;44(1):013602.Sellar R.G., Boreman G.D. Classification of imaging spectrometers for remote sensing applications. Opt. Eng. 2005;44(1):013602.Tanios S., Eyles A., Tegg R., Wilson C. Potato tuber greening: a review of predisposing factors, management and future challenges. Am. J. Potato Res. 2018;95(3):248-257.Tanios S., Eyles A., Tegg R., Wilson C. Potato tuber greening: a review of predisposing factors, management and future challenges. Am. J. Potato Res. 2018;95(3):248-257.

The authors declare that there are no conflicts of interest present.