2 Зерттеу материалдары мен әдістері

2.1 Спектрлік талдау үшін өсімдік үлгілерін іріктеу нысандары мен аудандары

Зерттеу нысандары ретінде дәнді дақылдардың кең таралған саңырауқұлақ ауруларының келесі қоздырғыштарымен зақымданған жаздық бидай (Triticum aestivum L., 1753) және кәдімгі арпа (Hordeum vulgare L., 1753) үлгілері алынды:

- жаздық бидай: Fusarium spp., Bipolaris sorokiniana (Sacc., 1890), Zymoseptoria tritici (syn. Septoria tritici, Desm., 1842), Pyrenophora tritici-repentis (Died., 1923) Drechsler, Cochliobolus sativus (S. Ito & Kurib., 1942), Puccinia graminis (Pers., 1797), Puccinia triticina (Dietel & Holw., 1899), Fusarium graminearum (Schwabe, 1839), Parastagonospora nodorum (syn. Septoria nodorum, Berk., 1845), Ustilago tritici (Pers., 1775) және Blumeria graminis f. sp. tritici Marchal (Bgt, 1902);

- кәдімгі арпа: Ustilago nuda ((Jensen) Rostr., 1889), Bipolaris sorokiniana (Sacc., 1890), Fusarium spp. (Link, 1809), Puccinia graminis (Pers., 1797), Pyrenophora teres (Drechsler, 1923).

Өсімдік үлгілерін іріктеу 2025 жылы Қазақстанның солтүстік-шығысындағы (Павлодар облысы) астық өндіруге маманданған негізгі аудандарда жүргізілді. Бұл өңірлер аталған фитопатогендердің кең таралуымен және жыл сайынғы өнім шығынының елеулілігімен сипатталады. Репрезентативті іріктемені қалыптастыру мақсатында дақылдың негізгі фенологиялық даму фазаларында (BBCH 25–35, 39–59, 61–75) сау және зақымданған өсімдіктер іріктеліп алынды. Бұл инфекциялық үдерістің әртүрлі даму сатыларын қамтуға және кейінгі талдау мен машиналық оқыту модельдерін құру үшін спектрлік ақпараттың толықтығын қамтамасыз етуге мүмкіндік берді.

Үлгілер іріктелген аумақ типтік далалық агроландшафттармен сипатталады. Жер бедері – жазық, климаты – шұғыл континенттік. Дақылдың вегетациялық кезеңінде ауа райы салыстырмалы түрде жылы болып, жауын-шашын біркелкі түспеді. Ауаның орташа температурасы +13–+22 °C аралығында өзгерді. Вегетациялық кезеңнің басында жауын-шашын мөлшері 15–22 мм, ал екінші жартысында 65–70 мм болды. Топырақ жамылғысы орташа саздақты қара-қоңыр топырақтардан тұрады. Топырақтың реакциясы әлсіз сілтілі (pH 7,3–7,6), органикалық заттардың мөлшері 2,5–3,0 % құрайды. Желдің басым бағыттары – солтүстік-шығыс және оңтүстік-батыс, жылдамдығы – 3–5 м/с. Топырақтың 0–50 см қабатындағы өнімді ылғал қоры вегетациялық кезеңнің басында 60–80 мм, маусым айында 30–40 мм, ал шілде айының соңында 70–90 мм болды.

Аталған үлгілер гиперспектралды өңдеу және жұмыс деректер жиынтығын қалыптастыру үшін пайдаланылды. Егістіктерден іріктеп алынған үлгілер зертханаға жеткізіліп, гиперспектралды түсірілім жүргізу, алынған деректерді өңдеу, машиналық оқыту алгоритмдерін қолдануға арналған жұмыс деректер жиынтығын қалыптастыру және жіктеу модельдерін құру үшін пайдаланылды.

2.2 Бидай мен арпаның фитопатогендерімен зақымдануын бағалау

Үлгілерді іріктеу фитопатогендермен зақымданған өсімдіктердің репрезентативті іріктемесін қалыптастыру мақсатында жүргізілді.

Таңдалған аумақтардан өсімдіктерді іріктеу кезінде 25–50 қадам аралығын сақтау ескерілді: егістік шетінен 25–50 м қашықтыққа және егіс алқабының ішіне қарай 200–300 м тереңдікке жылжу арқылы үлгілер алынды. Үлгілер әрқайсысында 10 өсімдіктен болатын 10 есептік алаңнан алынды. Инфекцияның біркелкі таралуы үлгілерді орналастырудың үшбұрышты немесе тікбұрышты сызбасын қолдануға негіз болды, ал инфекцияның ошақты сипаты диагональды немесе шахмат тәртібіндегі маршрутты пайдалануды талап етті [28].

Зақымданған өсімдіктер ретінде бидайдың негізгі ауруларына тән симптомдары бар өсімдіктер іріктелді: септориоз (Zymoseptoria tritici, Parastagonospora nodorum), пиренофороз (Pyrenophora tritici-repentis), қоңыр тат (Puccinia triticina, Puccinia graminis), масақ фузариозы (Fusarium graminearum), гельминтоспориозды дақтылық (Cochliobolus sativus), тозаңды қаракүйе (Ustilago tritici), ақұнтақ (Blumeria graminis), тамыр шіріктері (Fusarium spp., Bipolaris sorokiniana).

Арпаға қатысты іріктемені қалыптастыру үшін келесі ауруларға тән зақымдану белгілері бар өсімдіктер алынды: тозаңды қаракүйе (Ustilago nuda), масақ гельминтоспориозы (Bipolaris sorokiniana), масақ фузариозы (Fusarium spp.), сабақ таты (Puccinia graminis), пиренофороз (Pyrenophora teres), қоңыр дақтылық (Bipolaris sorokiniana), кәдімгі тамыр шірігі (Bipolaris sorokiniana).

Бақылау тобын зақымданудың көзге көрінетін белгілері байқалмаған өсімдіктер құрады. Фитопатогендердің диагнозы зертханалық әдістермен, атап айтқанда микроскопия және таза дақылдарды бөліп алу арқылы, «Аурулармен залалдануды анықтау әдістері» атты МемСТ 12044–93 стандартының талаптарына сәйкес расталды [29]. Іріктеудің негізгі мақсаты кейіннен спектрлік талдау жүргізу және жасанды интеллект модельдерін құру үшін сау және зақымданған өсімдіктерден репрезентативті іріктеме қалыптастыру болды.

2.3 Гиперспектралды визуализация

Зертханалық зерттеулер Павлодар қаласындағы (Қазақстан Республикасы) «Торайғыров университеті» КеАҚ Биологиялық зерттеулер зертханасының базасында жүргізілді.

2.3.1 Түсірілімге өсімдік үлгілерін дайындау

Гиперспектралды түсірілім жүргізуге тиісті жағдайларды қамтамасыз ету үшін алдымен беті тегіс әрі күңгірт калибрлеу панельдері дайындалды. Өсімдік үлгілері деректерді сегменттеу кезінде оларды дұрыс өңдеуді қамтамасыз ететіндей етіп орналастырылды. Бидай мен арпа үлгілері гиперспектралды камерадан 30–40 см қашықтықта табиғи қалпында, негізінен зақымданған бөліктері жоғары қаратып бекітілді. Түсірілім алдында эталондарды пайдалана отырып калибрлеу жүргізілді. Ақ эталон фторполимерден жасалған панельден (Spectralon (99 %) – Labsphere, Inc., North Sutton, NH, АҚШ) тұрды [30]. Бұл тәсіл үлгілерге түсетін шудың әсерін азайтуға және олардың шағылу коэффициенттерін жоғары дәлдікпен өлшеуге мүмкіндік берді.

2.3.2 Түсірілімнің техникалық параметрлері және деректерді өңдеу

Түсірілім VNIR диапазонында (400–1000 нм) сканерлеу принципі бойынша жұмыс істейтін гиперспектралды камера – FigSpec® FS-13 (CHNSpec Technology, Ханчжоу, Қытай) көмегімен жүргізілді. Камера трансмиссиялық дифракциялық тор мен CMOS-детекторды пайдалана отырып, 2,5 нм спектрлік ажыратымдылықпен 1200 спектрлік арнада жұмыс істейді. Аурулардан зақымданған шағын ошақтарды анықтау жол бойынша 1920 пиксельге тең кеңістіктік ажыратымдылық (пиксель өлшемі = 5,86 мкм) және секундына 128 кадр түсіру жиілігі арқылы қамтамасыз етіледі. Аталған параметрлердің жиынтығы аурудан зақымданған бөліктер мен өсімдіктің әртүрлі морфологиялық құрылымдарының жарықты сіңіру және шағылу сипаттамаларын жоғары дәлдікпен талдауға мүмкіндік беретін жоғары сезімталдық пен шу деңгейінің төмен болуын қамтамасыз етеді [31].

Алынған бастапқы кескіндер үлкен көлемдегі деректер массивтерін өңдеуге арналған Breeze (v2024.2.0) бағдарламалық жасақтамасына жүктелді. Гиперспектралды кескіндер екіөлшемді кеңістіктік құрылымнан және жоғары спектрлік детализациядан тұратын үшөлшемді массивтер түрінде ұсынылады (1-сурет). Түзету коэффициенттерін есептеу калибрлеу эталондарының көмегімен жүргізілді; фондық пиксельдер мен шудың әсерін болдырмау үшін ROI құралдары, сондай-ақ кластерлеу және морфологиялық сүзгілеу алгоритмдері негізінде қалыптастырылған маскалар пайдаланылды. Алынған маскалар спектрлерді экспорттау және алынатын деректердің ақпараттылығын қамтамасыз ету мақсатында оларды тегістеу, SNV әдісі бойынша нормализациялау және центрлеу арқылы алдын ала өңдеу үшін қолданылды.

1-сурет – Өсімдік үлгілерін гиперспектралды түсіру кезінде гиперкубты алу сызбасы [32]

2.3.3 Спектрлік талдау және PCA көмегімен өсімдік үлгілерінің күйін бағалау

Зерттеудің алдын ала нәтижелерін визуализациялау гиперкубтардың өлшемділігін төмендету және оларды PCA моделі негізінде басты компоненттердің кескіндері түрінде қабаттап ұсыну арқылы жүргізілді. Көпкомпонентті кескіндер туралы қосымша ақпарат Raw Spectrum және Variance Scatter графиктері негізінде алынды. Raw Spectrum бөлінген фокустық аймақтар шегінде VNIR диапазонындағы спектрлерді алу үшін пайдаланылды; Variance Scatter пиксельдердің PC1–PC6 басты компоненттері бойынша таралуын анықтау үшін қолданылды, олардың ішінен ең ақпаратты компоненттер ретінде t[1] және t[2] таңдалды. Бірінші басты компонент спектрлер арасындағы айырмашылық деңгейін және жіктеу кезінде негізге алынған белгілердің негізгі ерекшеліктерін көрсетті. Екінші басты компонент зерттелетін үлгілердің морфологиялық құрылымдар жабындарының ерекшеліктеріне сәйкес өзгергіштігін сипаттады. Дисперсия диаграммасында нүктелер бұлты пиксельдерді спектрлік ұқсастығы бойынша топтастыру қағидатына негізделіп қалыптастырылды, мұнда нүктелердің ең жоғары тығыздығы қызыл түспен көрсетілді. Breeze бағдарламасында автоматты түрде қалыптастырылатын Max variance image гиперспектралды кубтың дисперсиясы ең жоғары спектрлік арна бойынша проекциясын білдіреді. Бұл өз кезегінде кейінгі талдау үшін үлгінің ақпараттылығы жоғары бөліктерін оқшаулауды едәуір жеңілдетеді.

2.3.4 Машиналық оқыту алгоритмдерін пайдалана отырып, бидай мен арпа ауруларын сәйкестендіру және саралау әдістері

Машиналық оқыту алгоритмдері спектрлік сипаттамаларды оңтайландыру және біріктіру негізінде бидай және арпа өсімдіктерінің аурулармен зақымданған бөліктерін кейіннен сәйкестендіру және саралау мақсатында модельді құру және оқыту үшін қолданылды. Басты компоненттерді бөліп алу және визуализациялау үшін PCA-модель құрылып, кейіннен фондық пиксельдер мен релевантты қызығушылық аймақтарын бөліп алу мақсатында эталондық модель жасалды.

Арпа ауруларын автоматтандырылған түрде жіктеу және саралау үшін бес машиналық оқыту алгоритмінің жұмысы тексерілді:

- Neural Network (AP) – алгоритм зерттеу нысандарының сызықтық сипаттамаларымен жұмыс істейді, алайда белгілердің кешенді жиынтықтары болған жағдайда жіктеу кезінде қиындықтар туындауы мүмкін [33];

- SVM – әдіс кластар арасындағы оңтайлы ажыратушы шекараны құруға негізделген және деректердің өлшемділігі жоғары болған жағдайда тиімді [34];

- Random Forest (Fast Forest) – шешімдер ағаштарының жиынтығына негізделген ансамбльдік әдіс, жоғары дәлдікті және шуға төзімділікті қамтамасыз етеді [35];

- Maximum Entropy (SDCA) – сызықтық модель (логистикалық регрессия), үлкен көлемді сирек деректерде жылдам оқытылады және көпкласты есептерге қолайлы [36];

- SIMCA – басты компоненттер әдісіне негізделген, әрбір класты жеке модельдейді және қашықтық бойынша класқа тиесілілігін бағалайды [37].

Машиналық оқыту әдістері үшін кросс-валидация саны 5-ке тең болды. Жұмыстың негізгі кезеңдері шешімдер ағашы форматында көрсетілген (2, 3-суреттер). Сегментацияның дәлдігін арттыру үшін қызығушылық аймақтарын белгілеуге арналған қолмен басқару режимінің функциясы қолданылды. Оларды дәл сәйкестендіру және жіктеу мақсатында кейіннен тор бойынша таңбалау жүргізілді. Зерттелген үлгілерден бөлініп алынып, талданған зақымдану аймақтарының жалпы саны бидай үшін 2184-ті, ал арпа үшін 5121-ді құрады.

Қолданылған бағдарламалық жасақтама 391,51–1006,8 нм диапазонындағы, көрінетін және жақын инфрақызыл аймақтарды қамтитын жұтылу спектрлерімен жұмыс істейді [38]. Көрсетілген толқындық диапазон гиперспектралды камера сенсорының «тиімді» жұмыс диапазонынан іс жүзінде кеңірек, себебі сенсор мәлімделген физикалық сипаттамаларынан тыс аймақтарда да белгілі бір сезімталдықты сақтайды. Осыған байланысты спектрлердің шеткі мәндерін детектордың мүмкіндіктері шегінде толық қамту үшін аспаптың нақты жұмыс істейтін диапазоны пайдаланылды. Сонымен қатар сигнал сапасы төмен болған жағдайда да шеткі спектрлік нүктелерді қосу жіктеу дәлдігін арттыруға мүмкіндік береді.

Модельді оқыту белгілі бір кластарға тиесілілігі алдын ала анықталған белгіленген пиксельдер ішкі жиындарында қолмен жүргізілді. Кластар жаздық бидай ауруларының түрлеріне сәйкес анықталды және зақымдану типіне, оның морфологиялық ерекшеліктері мен орналасуына негізделді. Жіктеу моделдерінің сапасы Precision, Recall, F1-score, бинарлық дәлдік, теңгерімді дәлдік, Мэтьюс корреляция коэффициенті (MCC) сияқты негізгі метрикалар бойынша бағаланды.

2-сурет – Бидай үлгілерін жіктеуге арналған машиналық оқыту модельдерімен жұмыс істеу алгоритмі: бастапқы өлшеу деректерін алудан бастап жіктеу кезеңіне дейін.

3-сурет – Арпа үлгілерін жіктеуге арналған машиналық оқыту модельдерімен жұмыс істеу алгоритмі: бастапқы өлшеу деректерін алудан бастап жіктеу кезеңіне дейін

2.4 Статистикалық деректерді өңдеу

Спектрлік сипаттамалар мен жіктеу сапасы бойынша алынған параметрлер сипаттамалық статистика және дисперсиялық талдау көрсеткіштері арқылы бағаланды. Негізгі көрсеткіштердің формулалары 1-кестеде берілген.

1-кесте – Нысандардың спектрлік сипаттамалары көрсеткіштерінің формулалары мен интерпретациясы [39–45]

Кестені көлденең жылжытуға болады

№	Көрсеткіштің атауы	Формула	Түсіндірме
1	Explained Variance	${Explained Variance}_{i} (%) =$ $= \frac{λ_{i}}{\sum_{j =1}^{m} λ_{j}} ×100%$	i-компоненттің деректердің жалпы вариативтілігіне қосқан үлесі
2	Cumulative Variance	${Cumulative Variance}_{k} (%) =$ $= \sum_{i =1}^{k} \frac{λ_{i}}{\sum_{j =1}^{m} λ_{j}} ×100%$	k-компонентке дейін жинақталған вариация үлесі
3	Максималды шағылу	$R_{\max} =max⁡(R_{1}, R_{2}, …, R_{n})$	Шағылу коэффициенті мәндерінің диапазоны (минималды мәннен максималды мәнге дейін)
4	Минималды шағылу	$R_{\min} =min⁡(R_{1}, R_{2}, …, R_{n})$
5	Шағылу коэффициентінің орташа мәні	$μ = \frac{1}{n} \sum_{i =1}^{n} R_{i}$ ,	Шағылған сигналдың орташа мәні
6	Стандартты ауытқу	$σ = \sqrt{\frac{1}{n} \sum_{i =1}^{n} {{(R}_{i} - μ)}^{2}}$	Шағылудың орташа деңгейден ауытқу дәрежесі
7	Вариация коэффициенті	$CV= \frac{σ}{μ} ×100$	Спектрлік деректердің өзгергіштік деңгейі
8	Шағылудың өзгеру жылдамдығы	$R= \frac{R_{2} - R_{1}}{λ_{2} - λ_{1}}$	Спектр ішіндегі вариациялардың сипаты
9	Шағылу дельтасы	$∆R= R_{\max} - R_{\min}$	Қарастырылып отырған диапазондағы шағылу өзгерістерінің амплитудасы
10	Спектр ауқымы	$SB= λ_{\max} - λ_{\min}$	Зерттелетін спектрлік аймақтың қамту ауқымы
11	Спектр асимметриясы	$SA = \frac{1}{n} \sum_{i=1}^{n} {(\frac{R_{i} -μ}{σ})}^{3}$	Шағылу және сіңіру деректерінің таралу асимметриясы
12	Контраст коэффициенті	$C= \frac{x_{\max}}{x_{\min}} (x_{\min} ≠0)$	Максималды жауаптың минималды мәнге қатынасы
13	Спектрдің салыстырмалы ауқымы	$B_{rel} = \frac{x_{\max} - x_{\min}}{x_{\max} + x_{\min}}$	Абсолюттік қарқындылықты есепке алмайтын спектрдің біртексіздік көрсеткіші
14	Нормаланған контраст	$I_{norm} = \frac{x_{\max} - x_{\min}}{x_{\max}}$	Жалпы деңгейіне тәуелсіз сигналдың өзгергіштік өлшемі
15	Precision	$Precision= \frac{TP}{TP+FP}$	Барлық оң болжамдардың ішіндегі дұрыс анықталған оң нәтижелердің үлесі
16	Recall	$Recall = \frac{TP}{TP+FN}$	Модельдің нысаналы класқа жататын объектілерді анықтау қабілеті
17	F1-score	$F1=2* \frac{Precision* Recall}{Precision+ Recall}$	Дәлдік пен толықтықты біріктіретін теңгерімді метрика
18	Бинарлық дәлдік	$Accuracy = \frac{TP+TN}{TP+TN+FP+FN l}$	Барлық бақылаулардың жалпы санындағы дұрыс жіктелген объектілердің үлесі
19	Теңгерімді дәлдік	$BA= \frac{1}{2} * (\frac{TP}{TP+FN} + \frac{TN}{TN+FP})$	Көлеміне қарамастан әрбір класты дұрыс жіктеудің модельдің орташа қабілеті
20	MCC	$MCC=$ $\frac{TPTN-FPFN}{\sqrt{(TP+FP) (TP+FN) (TN+FP)(TN+FN)}}$	Жіктеу сапасын бағалау көрсеткіші, яғни нақты және болжанған белгілер арасындағы корреляция

Статистикалық талдау нәтижелері спектрлік паттерндерді және ауру қоздырғыштарымен зақымданған бидай мен арпа бөліктерін сәйкестендіру мен саралауға арналған жіктеу модельдерінің жұмысын бағалау үшін пайдаланылды.