1 Дәнді дақылдар ауруларын диагностикалауда гиперспектралды визуализацияның қалыптасуы мен дамуы
Осы бөлімде
Дәлме-дәл егіншілік технологияларының дамуы ауыл шаруашылығы дақылдарының жай-күйін объективті бағалау мақсатында қашықтан және проксималды зондтау әдістерінің кеңінен енгізілуімен қатар жүруде. Қазіргі заманғы оптикалық әдістердің ішінде гиперспектралды визуализация (Hyperspectral Imaging, HSI) ерекше орын алады. Ол зерттелетін нысан туралы кеңістіктік және спектрлік ақпаратты бір мезгілде алуға мүмкіндік береді. Дәстүрлі цифрлық және мультиспектрлік түсірілімнен айырмашылығы, гиперспектралды жүйелер шағылған сәулеленуді көптеген тар және өзара іргелес спектрлік диапазондарда тіркейді. Бұл өсімдік ұлпаларының физиологиялық және биохимиялық күйімен байланысты олардың оптикалық қасиеттеріндегі салыстырмалы түрде аз өзгерістерді анықтауға мүмкіндік береді [1–5].
Өсімдік шаруашылығында HSI технологиясын қолдануға деген қызығушылық, ең алдымен, өлшеулердің бұзбай жүргізілуімен және өсімдікке қатысты көптеген белгілерді талдау мүмкіндігімен байланысты. Гиперспектралды деректер фотосинтездік пигменттердің, судың және минералдық қоректену элементтерінің мөлшерін бағалау, өсімдіктердің құрылымдық сипаттамаларын анықтау, фенотиптеу, өнімділікті болжау, астық сапасын бағалау, абиотикалық стресстерді анықтау және фитопатологиялық зақымдануларды диагностикалау үшін пайдаланылады [3, 5–7]. Осы бағыттың қазіргі заманғы дамуы спектрлік сенсорларды жетілдірумен ғана емес, сонымен қатар көпөлшемді деректерді автоматтандырылған өңдеу әдістерін және машиналық оқыту технологияларын енгізумен байланысты [2, 4, 6].
1.1 Өсімдіктердің спектрлік сипаттамалары стресс жағдайларын диагностикалаудың негізі ретінде
Өсімдіктердің спектрлік жауабы электромагниттік сәулеленудің пигменттермен, жасушаішілік компоненттермен және өсімдік ұлпаларының құрылымдық элементтерімен өзара әрекеттесуі нәтижесінде қалыптасады. Өсімдіктердің физиологиялық күйін бағалау үшін спектрдің көрінетін және жақын инфрақызыл диапазондары аса маңызды ақпарат береді. Спектрдің көрінетін аймағында шағылу сипаты негізінен фотосинтездік пигменттердің концентрациясы мен арақатынасына байланысты анықталады. Хлорофилл көк және қызыл аймақтардағы сәулеленуді қарқынды сіңіреді, ал жасыл аймақтағы салыстырмалы түрде жоғары шағылу сау өсімдіктерге тән түстің қалыптасуын қамтамасыз етеді [8].
Диагностикалық тұрғыдан қызыл және жақын инфрақызыл диапазондардың арасындағы өтпелі аймақ – red edge аймағы ерекше маңызға ие. Оның орналасуы мен пішіні хлорофилл мөлшеріне, фотосинтездік аппараттың күйіне және ұлпалардың құрылымдық ерекшеліктеріне сезімтал. Жақын инфрақызыл диапазонда шағылу қабілеті негізінен жапырақтың ішкі құрылымымен, мезофиллдің ерекшеліктерімен, жасуша қабырғаларының күйімен және су режимімен анықталады. Сондықтан пигменттердің ыдырауына, тургордың өзгеруіне, некроздың пайда болуына немесе ұлпалардың бұзылуына әкелетін патологиялық үдерістер спектрлік профильдердің өзгеруімен қатар жүреді [5, 8].
Осы қасиет гиперспектралды визуализацияны фитосанитарлық диагностикада қолданудың негізін құрайды. Аурудың дамуы айқын визуалды белгілер пайда болғанға дейінгі физиологиялық өзгерістермен қатар жүреді. Фотосинтездік белсенділіктің бұзылуы, хлорофилл концентрациясының төмендеуі, су теңгерімінің және жасушалық құрылымның өзгеруі сәулеленудің шағылу қарқындылығы мен спектрлік қисық пішінінің өзгеруіне әкелуі мүмкін. Нәтижесінде сау және зақымданған бөліктердің спектрлік сипаттамалары арасында айырмашылықтар қалыптасады. Бұл айырмашылықтарды өсімдіктердің жай-күйін автоматты түрде анықтау және жіктеу үшін пайдалануға болады [1, 4, 5].
Бұл ретте өсімдіктердің спектрлік жауабы әртүрлі аурулар кезінде бірдей болмайды. Ол ауру қоздырғышының биологиялық ерекшеліктеріне, инфекциялық үдерістің орналасуына, зақымданған өсімдік мүшесіне, аурудың даму кезеңіне, ұлпалардың зақымдану сипатына және патогеннің репродуктивтік құрылымдарының түзілуіне байланысты болады. Сондықтан қазіргі спектрлік фитопатология «сау/зақымданған» деген қарапайым жіктеуден спектрлік белгілер кешені негізінде аурулардың жекелеген түрлерін сәйкестендіруге біртіндеп көшуде.
1.2 Проксималды және қашықтықтан гиперспектралды зондтау
Ауыл шаруашылығындағы гиперспектралды зерттеулер әртүрлі кеңістіктік деңгейлерде жүргізіледі. Зертханалық және жақыннан түсіру әдістері салыстырмалы түрде бақыланатын жағдайларда жекелеген өсімдіктерді, жапырақтарды, масақтарды, тұқымдарды және зақымданудың жергілікті ошақтарын зерттеуге мүмкіндік береді. Бұл тәсілдің негізгі артықшылығы – кеңістіктік және спектрлік ажыратымдылығы жоғары спектрлерді алуға мүмкіндік беруі, сондай-ақ біркелкі емес жарықтандырудың, топырақ фонының және егістіктердің кеңістіктік өзгергіштігінің әсерін барынша азайтуы.
Проксималды деңгей спектрлік кітапханаларды қалыптастыру және спектрдің диагностикалық тұрғыдан маңызды аймақтарын анықтау кезеңінде ерекше маңызға ие. Егжей-тегжейлі гиперспектралды кескіндер негізінде қызығушылық аймақтары бөлініп, сау және зақымданған ұлпалардың спектрлік профильдері алынады, олардың өзгергіштігі бағаланады және жіктеу модельдерін оқытуға арналған оқыту деректерінің іріктемелері қалыптастырылады.
Ұшқышсыз ұшу аппараттарын (ҰҰА) пайдалана отырып қашықтықтан зондтау басқа міндетті шешеді, яғни спектрлік талдауды ауыл шаруашылығы алқабы деңгейіне шығаруға мүмкіндік береді. ҰҰА платформалары кеңістіктік ажыратымдылығы жоғары деректерді алуға, өсімдік жамылғысының біркелкі еместігін бағалауға, ықтимал стресс аймақтарын анықтауға және ауқымды аумақтарға мониторинг жүргізуге мүмкіндік береді [9]. ҰҰА арқылы алынған кескіндердің спектрлік және кеңістіктік сипаттамаларын біріктіру фузариоз, тат және бидайдың басқа да ауруларын диагностикалауда қолданылып келеді [9–12].
Бұл ретте проксималды және қашықтықтан зондтау әдістерін бір-бірімен бәсекелес емес, бірін-бірі толықтыратын тәсілдер ретінде қарастырған жөн. Қашықтықтан зондтау әдістері өсімдік жамылғысының аномальды сипаттамалары бар бөліктерін анықтауға мүмкіндік береді, содан кейін анықталған стресс факторларының табиғатын егжей-тегжейлі анықтау үшін проксималды гиперспектралды түсірілім қолданылуы мүмкін. Мұндай үйлесім көпдеңгейлі фитосанитарлық мониторинг жүйелерін қалыптастыру тұрғысынан ерекше қызығушылық тудырады.
1.3 Бидай ауруларын диагностикалауда гиперспектралды визуализацияны қолдану
Бидай гиперспектралды технологияларды қолдану тұрғысынан ең қарқынды зерттелетін дәнді дақылдардың бірі болып табылады. HSI фенотиптеу, азоттық және су режимін бағалау, өнімділік пен астық сапасын болжау, өсімдіктердің абиотикалық стресстерге реакциясын анықтау, сондай-ақ ауруларды анықтау үшін қолданылады [10, 13].
Зерттеулердің едәуір бөлігі масақ фузариозына арналған. Спектрлік және кеңістіктік белгілерді, оның ішінде ҰҰА түсірілімдері кезінде қолдану зақымданған бөліктерді саралау және аурудың даму деңгейін сандық бағалау мүмкіндігін көрсетті [9]. Зертханалық жағдайда VNIR диапазонында жүргізілетін визуализация Fusarium саңырауқұлақтарымен зақымданған дәндерді анықтау үшін қолданылады да, бұл ретте басты компоненттерді талдау әдістері ең ақпаратты спектрлік сипаттамаларды бөліп алуға мүмкіндік береді [14, 15].
Жеке бағыттардың бірі тат ауруларын диагностикалауға байланысты. Сары тат пен сабақ татын анықтау үшін жерүсті және ҰҰА негізіндегі гиперспектралды жүйелер қолданылады. Зерттеулер өсімдік жамылғысының спектрлік сипаттамалары негізінде және машиналық талдау алгоритмдерін қолдану арқылы аурудың қарқындылығын сандық анықтау мүмкіндігін көрсетеді [11, 12]. Қоңыр жапырақ тат ауруын ерте анықтауға арналған тәсілдер әзірленген, олар айқын симптомдар қалыптасқанға дейін өсімдіктердің шағылу қабілетіндегі өзгерістерді тіркеуге негізделген [4].
Септориозбен зақымдануды диагностикалау ерекше қызығушылық тудырады. Niu және т.б. зерттеуінде проксималды гиперспектралды визуализацияны спектрлік-уақыттық белгілермен үйлестіру септориозды жапырақ дақтылығы ауруын айқын визуалды симптомдар пайда болғанға дейін анықтауға және аурудың одан әрі дамуын болжауға мүмкіндік берді [16]. Бұл нәтиже ерте спектрлік диагностика тұжырымдамасы үшін принципті маңызға ие, өйткені ол визуалды түрде анықталатын зақымдану белгілері пайда болғанға дейінгі физиологиялық өзгерістерді тіркеу мүмкіндігін көрсетеді.
Гиперспектралды әдістер бидайдың ақұнтақ ауруын бағалау үшін де қолданылады. Спектрлік сипаттамаларды машиналық оқыту алгоритмдерімен бірге пайдалану аурудың даму дәрежесін сандық бағалауға және оны тану үшін ең ақпаратты спектрлік диапазондарды анықтауға мүмкіндік береді [17].
Осылайша, HSI технологиясын қолдану арқылы зерттелетін бидай ауруларының ауқымы айтарлықтай кең. Сонымен қатар бірнеше фитопатологияны бір мезгілде саралау міндеті сау және зақымданған өсімдіктерді бинарлық жіктеуге қарағанда едәуір күрделі болып табылады. Әртүрлі аурулар ұқсас физиологиялық реакцияларды туындатуы мүмкін: хлорофилл мөлшерінің төмендеуі, дегидратация, некроз және ұлпалар құрылымының бұзылуы. Бұл спектрлік сигнатуралардың ішінара қабаттасуына әкеледі және көпөлшемді талдау әдістерін қолдануды талап етеді.
Қазіргі заманғы зерттеулер жекелеген толқын ұзындықтарын талдаудан бүкіл спектрлік профильді кешенді өңдеуге көшу қажеттілігін көрсетеді. Бұл мәселе аралас инфекциялар жағдайында аса өзекті. Chossegros және т.б. бидайдың бірнеше инфекциясын жіктеуде гиперспектралды талдаудың әлеуетін көрсете отырып, спектрлік сипаттамалары бір-біріне ұқсас кластарды ажыратудың күрделілігін де атап өтті [18].
1.4 Арпа ауруларын диагностикалауда гиперспектралды визуализацияны қолдану
Арпа да спектрлік технологияларды дамыту үшін маңызды нысандардың бірі болып табылады, алайда бұл дақыл үшін HSI қолдану бағыттары біршама ерекшеленеді. Зерттеулердің едәуір бөлігі астық сапасын бақылауға, оның физика-химиялық қасиеттерін анықтауға, сорттық сәйкестендіруге және өсімдіктердің физиологиялық күйін бағалауға арналған.
Гиперспектралды әдістер арпаның дәндері мен вегетативтік мүшелеріндегі ылғал, ақуыз, қоректік элементтер және басқа да компоненттердің мөлшерін анықтау үшін қолданылады [19–21]. Атап айтқанда, жапырақтар мен дәндердегі минералдық қоректену элементтерінің мөлшерін бағалау үшін HSI технологиясын машиналық оқыту әдістерімен үйлестіре қолдану мүмкіндігі көрсетілген [19]. Гиперспектралды кескіндерді талдау меланині бар дәндерді зерттеу үшін де қолданыладыб, бұл спектрлік әдістердің зерттелетін нысандардың түс ерекшеліктері мен химиялық құрамына жоғары сезімталдығын көрсетеді. [20].
Астық сапасын автоматты түрде бағалау бағыты да дамып келеді. NIR диапазонындағы гиперспектралды кескіндерді конволюциялық нейрондық желілермен ұштастыра талдау ақуыз мөлшерін анықтауға және астықтың микотоксиндермен, соның ішінде дезоксиниваленолмен ластану деңгейін бағалауға мүмкіндік береді [21]. Осылайша, HSI технологиясы өсімдіктерді вегетация кезеңінде зерттеу үшін ғана емес, сонымен қатар өнімді жинап алғаннан кейін оның қауіпсіздігі мен сапасын бағалау үшін де қолданылады.
Тірі өсімдіктерге қатысты гиперспектралды көрсеткіштер хлорофилл концентрациясын, фенологиялық фазаларды және жапырақ аппаратының күйін бағалау үшін пайдаланылады [22]. Ұшқышсыз платформалардан алынған мультиспектр және гиперспектрға қатысты деректер арпаның өнімділігін және басқа да агрономиялық тұрғыдан маңызды белгілерін болжау үшін қолданылады [23]. Ауқымды кеңістіктік деңгейде спутниктік деректердің уақыттық қатарлары дақылдардың спектрлік-фенологиялық ерекшеліктерін ескере отырып, бидай мен арпаны ажыратуға мүмкіндік береді [24].
Арпа ауруларын тікелей гиперспектралды диагностикалауға арналған зерттеулер саны аздау. Маңызды жұмыстардың бірі Thomas және т.б. жүргізген зерттеу болып табылады да, онда автоматтандырылған фенотиптеу платформасында зақымдану дәрежесін инвазивті емес сандық бағалау және арпа сорттарын саралау мүмкіндігі көрсетілген [25]. Кейіннен компьютерлік көру және терең оқыту әдістерінің дамуы арпа ауруларын автоматтандырылған түрде тану үшін нейрондық желілерді қолдануға мүмкіндік берді [26].
Перспективалы бағыттардың бірі – жіктеу модельдерін жақын туыстас дәнді дақылдар арасында тасымалдау мүмкіндігін зерттеу. Terentev және т.б. бидай мен арпада сабақ таты ауруын ерте анықтау кезінде машиналық оқыту модельдерінің тасымалдану мүмкіндігін зерттеп, спектрлік модельдер дақылдар арасында ауысқан кезде де диагностикалық ақпараттылығын сақтай алатынын көрсетті. Алайда модельдердің дәлдігі оқыту деректерінің іріктемесінің ерекшеліктеріне және нақты зерттеу нысанының спектрлік жауабына байланысты болады [27]. Бұл бағыт дәнді дақылдар агроценоздарына арналған әмбебап мониторинг жүйелерін әзірлеу тұрғысынан перспективалы болып табылады.
1.5 Гиперспектралды деректерді өңдеуде машиналық оқытуды қолдану
Гиперспектралды визуализацияның негізгі мәселелерінің бірі деректердің жоғары өлшемділігі болып табылады. Өзара байланысты жүздеген спектрлік арналар ақпараттың едәуір көлемін қамтиды, алайда сонымен қатар олардың өзара корреляциясы жоғары және артық белгілердің болуы тән. Сондықтан барлық арналарды тікелей пайдалану әрдайым жіктеу сапасының артуын қамтамасыз ете бермейді және модельдің есептеу күрделілігін арттыруы мүмкін.
Бұл мәселені шешу үшін спектрлерді алдын ала өңдеу және өлшемділікті төмендету әдістері қолданылады. Ең кең таралған әдістердің бірі – басты компоненттерді талдау (PCA). Ол бастапқы өзара корреляцияланған белгілер жиынтығын деректер өзгергіштігінің негізгі бөлігін сипаттайтын компоненттердің аз санына түрлендіруге мүмкіндік береді. PCA гиперспектралды деректер құрылымын визуалды талдау үшін де, кейінгі жіктеу алдында белгілер кеңістігін қалыптастыру үшін де қолданылады [14].
Спектрлік талдауда PLS және PLS-DA, тірек векторлар әдісі (SVM), Random Forest, SIMCA, сызықтық модельдер, жасанды нейрондық желілер және терең конволюциялық желілер де қолданылады. Әрбір алгоритмнің өзіндік артықшылықтары мен шектеулері бар. SVM жоғары өлшемді белгілермен және салыстырмалы түрде шағын іріктемелермен жақсы жұмыс істейді; Random Forest шуылға төзімділігімен сипатталады және сызықтық емес өзара байланыстарды ескере алады; PLS-DA спектрлік деректер негізінде кластарды саралау үшін кеңінен қолданылады; нейрондық желілер күрделі спектрлік-кеңістіктік белгілерді өздігінен бөліп алуға қабілетті, алайда оларды оқыту үшін жеткілікті көлімдегі деректер қажет [2, 4].
Соңғы жылдары алгоритмді таңдаумен қатар, ақпараттылығы жоғары толқын ұзындықтарын алдын ала іріктеуге де үлкен көңіл бөлінуде. Пайдаланылатын спектрлік арналар санын қысқарту деректер өлшемділігін төмендетуге, шуылдың әсерін азайтуға және ықшам диагностикалық жүйелерді әзірлеуге мүмкіндік береді [6]. Мұндай тәсілдің қолданбалы маңызы да бар, өйткені диагностикалық тұрғыдан маңызды диапазондардың шектеулі жиынтығын анықтау болашақта мамандандырылған мультиспектрлік сенсорларды әзірлеу кезінде пайдаланылуы мүмкін.
Спектрлік белгілері ішінара ұқсас ауруларды жіктеу әсіресе күрделі болып қала береді. Әртүрлі патогендер хлорофиллдің ыдырауын, некроздың пайда болуын немесе ылғалдың жоғалуын туындатқан жағдайда, спектрлік қисықтар ішінара қабаттасуы мүмкін. Аралас инфекциялар кезінде және бір өсімдікте зақымдану дәрежесі әртүрлі ұлпалар болған жағдайда қосымша қиындықтар туындайды [18]. Мұндай жағдайларда зақымданған аймақтарды кеңістіктік сегменттеудің, сапалы оқыту деректерінің жиынтығын қалыптастырудың және кластар ішіндегі өзгергіштікке төзімді алгоритмдерді қолданудың маңызы артады.
1.6 Ерте спектрлік диагностиканың қазіргі шектеулері мен перспективалары
Елеулі ілгерілеуге қарамастан, гиперспектралды диагностиканы зертханалық зерттеулерден кең ауқымды далалық қолдануға көшіру бірқатар әдістемелік мәселелермен байланысты. Өсімдіктердің спектрлік сипаттамаларына фитопатологиялық үдерістермен қатар сұрыптық ерекшеліктер, вегетация фазасы, жарықтандыру жағдайы, су және минералдық қоректену режимі, температура, өсімдік жамылғысының құрылымы және топырақ фоны әсер етеді. Сондықтан бақыланатын жағдайларда жоғары диагностикалық құндылыққа ие белгілерді нақты агроценоздар жағдайында қосымша тексеру қажет [1, 4].
Деректерді алу рәсімдерін стандарттау да маңызды міндеттердің бірі болып қала береді. Сенсорлардың ерекшеліктері, жарықтандыру жағдайлары, нысанға дейінгі қашықтық, калибрлеу параметрлері және алдын ала өңдеу әдістері арасындағы айырмашылықтар спектрлік профильдің пішініне әсер етуі мүмкін. Осыған байланысты репрезентативті спектрлік деректер базаларын қалыптастыруға, сондай-ақ радиометриялық түзету, сегментация және нормализациялаудың бірыңғай рәсімдерін қолдануға ерекше мән беріледі.
Тағы бір өзекті мәселе – модельдердің әртүрлі егістіктерге, бақылау жүргізілген жылдарға, сұрыптар мен дақылдарға тасымалдану мүмкіндігі. Бидай мен арпаға жүргізілген зерттеулер өсімдіктер зақымданған кезде спектрлік жауаптың өзгеруінде ортақ заңдылықтардың бар екенін көрсетеді, алайда сонымен бірге түрлік және морфологиялық ерекшеліктердің қалыптасатын спектрге әсер ететінін де растайды [27]. Сондықтан әртүрлі деректер жиынтықтарында оқытылған модельдерді әзірлеу және оларды әртүрлі агроклиматтық жағдайларда кейіннен тексеру перспективалы бағыт болып табылады.
Әрі қарай дамытудың маңызды бағыттарының бірі – проксималды және қашықтықтан зондтау әдістерін интеграциялау. Егжей-тегжейлі зертханалық спектрлер диагностикалық тұрғыдан маңызды белгілерді анықтау және эталондық спектрлік сигнатураларды қалыптастыру үшін пайдаланылуы мүмкін, ал ҰҰА платформалары әзірленген модельдерді кеңістіктік тұрғыдан егістік деңгейіне шығаруды қамтамасыз етеді. Мұндай тәсілді машиналық оқыту әдістерімен ұштастыру фитосанитарлық мониторингтің көпдеңгейлі жүйелерін әзірлеуге негіз болады. Бұл жүйелерде қашықтықтан зондтау ықтимал стресс аймақтарын анықтау үшін, ал проксималды гиперспектралды визуализация зақымдану сипатын жан-жақты диагностикалау үшін қолданылады.
Осылайша, заманауи әдебиеттерді талдау гиперспектралды визуализацияның дәнді дақылдардың фитопатологиялық жағдайларын диагностикалауда елеулі әлеуетке ие екенін көрсетеді. Ең ақпаратты белгілерге фотосинтездік пигменттердің күйіне, ұлпалардың құрылымына және өсімдіктегі физиологиялық үдерістердің бұзылуына байланысты спектрлік өзгерістер жатады. Бидайдағы фузариозды, тат ауруларын, септориозды және ақұнтақты анықтауға, соның ішінде аурудың айқын белгілері пайда болғанға дейін оны ерте диагностикалауға бағытталған зерттеулердің едәуір қоры жинақталған. Арпада спектрлік әдістер физиологиялық және сапалық сипаттамаларды бағалау үшін белсенді қолданылып келеді, алайда бірнеше фитопатологиялық ауруды тікелей ажыратуға бағытталған зерттеулер салыстырмалы түрде аз. Бұл бидай мен арпа ауруларының спектрлік профильдерін одан әрі зерттеудің және машиналық оқыту әдістерін пайдалана отырып, оларды автоматтандырылған жіктеу тәсілдерін әзірлеудің өзектілігін негіздейді.