Использование гиперспектральной камеры Specim IQ для анализа растений

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.

1. Гурова 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. Blackburn G.A. Hyperspectral remote sensing of plant pigments. J. Exp. Bot. 2007;58(4):855-867.

9. 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.

10. Busch J.M. Enzymic browning in potatoes: a simple assay for a polyphenol oxidase catalysed reaction. Biochem. Educ. 1999;27(3): 171-173.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. Rady A., Guyer D., Lu R. Evaluation of sugar content of potatoes using hyperspectral imaging. Food Bioprocess Technol. 2015;8(5):995-1010.

18. Savitzky A., Golay M.J. Smoothing and differentiation of data by simplified least squares procedures. Anal. Chem. 1964;36(8):1627-1639.

19. Sellar R.G., Boreman G.D. Classification of imaging spectrometers for remote sensing applications. Opt. Eng. 2005;44(1):013602.

20. 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.