Заключение

В монографии обобщены результаты исследований, проведённых в 2024–2026 гг. на территории Павлодарской области и направленных на совершенствование методов дистанционного мониторинга агроценозов яровой пшеницы с применением мультиспектральной и гиперспектральной визуализации. Исследования охватывали оценку пространственно-временной изменчивости растительного покрова, изучение спектральных характеристик фитосанитарных объектов, разработку классификационных моделей и апробацию методов гиперспектрального зондирования в полевых условиях. На основании полученных результатов разработаны научно-методические основы интегрированной системы мониторинга, предусматривающей совместное использование дистанционных и контактных методов исследования.

Мультиспектральный мониторинг посевов яровой пшеницы в Железинском и Теренкольском районах позволил охарактеризовать сезонную динамику растительного покрова и выявить пространственную неоднородность агроценозов. Анализ вегетационных индексов NDVI, NDRE, GNDVI, EVI и показателя листовой поверхности LAI показал закономерные изменения спектральных характеристик растений в зависимости от фенологических фаз. В период активного формирования надземной биомассы наблюдалось повышение значений вегетационных индексов, достигавших максимума в фазу колошения. В 2024 году значения NDVI в этот период составляли 0,75–0,80, NDRE — 0,60–0,65, GNDVI — 0,62–0,68. Последующее снижение показателей соответствовало процессам созревания и физиологического старения растений.

Наряду с сезонными изменениями выявлены участки с пониженными значениями вегетационных индексов, характеризующие неоднородность состояния посевов. На отдельных участках значения NDVI снижались до 0,31–0,38. Сопоставление дистанционных материалов с результатами наземных обследований показало, что часть таких зон совпадала с участками распространения заболеваний и повреждения растений вредителями. При этом установлено, что изменение вегетационных индексов отражает общее физиологическое состояние растительного покрова и не позволяет без дополнительной диагностики однозначно определять причину выявленных отклонений. Это подтверждает необходимость совместной интерпретации спектральных данных и результатов контактных фитосанитарных исследований.

Гиперспектральные исследования, проведённые с использованием камеры FigSpec FS-13 в диапазоне 400–1000 нм, позволили получить детализированные характеристики отражательной способности основных фитосанитарных компонентов пшеничного агроценоза. Исследованием охвачены 11 видов заболеваний грибной этиологии, 9 видов сорной растительности и 12 видов насекомых. Полученные спектральные данные послужили основой для изучения межвидовых и внутригрупповых различий, выделения информативных спектральных признаков и построения моделей классификации.

Анализ спектральных профилей здоровых и поражённых растений яровой пшеницы выявил различия в характере отражения электромагнитного излучения, связанные с изменением состояния листового аппарата и развитием фитопатологических процессов. Наиболее информативные особенности спектральных кривых наблюдались в видимой и ближней инфракрасной областях, включая участки спектра, связанные с поглощением фотосинтетических пигментов и положением «красного края». Различия между исследуемыми образцами отражали особенности физиологического состояния растительных тканей и характер проявления заболеваний, что определяет возможность использования спектральных характеристик в качестве диагностических признаков.

Исследование сорной растительности показало наличие различий в спектральных профилях девяти изученных видов. Вариации отражательной способности были связаны с особенностями пигментного состава, морфологического строения листьев и характеристиками их поверхности. Полученные данные позволили выделить информативные области спектра для дифференциации сорных растений и сформировать экспериментальную основу их последующего распознавания на гиперспектральных изображениях. Исследования насекомых также выявили неоднородность спектральных характеристик, обусловленную особенностями строения и окраски покровов. При этом более сложное распределение спектральных признаков насекомых указывало на необходимость использования методов классификации, способных учитывать нелинейный характер межвидовых различий.

Применение метода главных компонент позволило сократить размерность гиперспектральных данных и определить особенности распределения исследуемых объектов в многомерном пространстве признаков. Для растительных групп первая главная компонента объясняла значительную часть общей дисперсии: 73,2 % для здоровой и поражённой пшеницы и 72,6 % для сорной растительности. У насекомых распределение дисперсии отличалось большей равномерностью: на первую и вторую главные компоненты приходилось соответственно 54,3 и 34,3 %. Полученные результаты свидетельствуют о различном характере спектральной изменчивости растительных и энтомологических объектов и подтверждают целесообразность дифференцированного подхода к анализу их спектральных данных.

Сравнительная оценка пяти алгоритмов машинного обучения — Random Forest, Maximum Entropy, SVM, Neural Network и SIMCA — показала различия в эффективности классификации фитосанитарных компонентов агроценоза. Наиболее высокие совокупные показатели получены при использовании Random Forest. Среднее значение F1-score составило 91,06 %, коэффициента Каппа — 0,90, коэффициента корреляции Мэтьюса (MCC) — 0,91. Для классификации заболеваний пшеницы значение F1-score достигало 93,33 %, сорной растительности — 92,96 %, насекомых — 86,91 %. Полученные показатели характеризуют высокую результативность данного алгоритма на исследованных гиперспектральных выборках.

Установлено, что эффективность классификации зависит не только от используемого алгоритма, но и от особенностей спектральной изменчивости биологических объектов. Наибольшие трудности возникали при распознавании насекомых, характеризующихся неоднородностью оптических свойств покровов и частичным перекрытием спектральных признаков. Отдельные алгоритмы демонстрировали высокую точность положительных предсказаний при сравнительно низкой полноте распознавания. Это указывает на необходимость комплексной оценки классификационных моделей с использованием нескольких статистических метрик и подтверждает значение предварительной обработки спектральных данных, формирования репрезентативных выборок и выбора алгоритмов с учётом особенностей исследуемых объектов.

Отдельным этапом исследования стала экспериментальная апробация дистанционной гиперспектральной визуализации с использованием камеры FigSpec FS-60. В отличие от проксимальной съёмки отдельных образцов, дистанционное зондирование позволило получить спектрально-пространственные изображения растительного покрова в естественных условиях произрастания. На примере сорной растительности выполнены выделение спектрально неоднородных областей и классификационная обработка изображений с формированием пространственно распределённых категорий. Полученные результаты продемонстрировали возможность применения дистанционных гиперспектральных данных для изучения неоднородности растительного покрова и предварительной дифференциации фитосанитарных объектов.

Сопоставление возможностей камер FigSpec FS-13 и FigSpec FS-60 позволило определить методические условия перехода от лабораторного спектрального анализа к дистанционной диагностике агроценозов. Установлено, что различия в освещённости, пространственном разрешении, геометрии регистрации и спектральном составе смешанных пикселей необходимо учитывать при использовании эталонных спектральных характеристик в полевых условиях. Предложена последовательность межмасштабного согласования данных, включающая формирование эталонных спектральных выборок, выделение устойчивых диагностических признаков, адаптацию классификационных моделей и независимую проверку результатов распознавания. Дальнейшее экспериментальное исследование переносимости диагностических признаков рассматривается как необходимое условие повышения достоверности дистанционной идентификации фитосанитарных объектов.

Обобщение результатов мультиспектрального мониторинга, проксимальной и дистанционной гиперспектральной визуализации позволило сформировать структурно-функциональную модель интегрированной системы дистанционного мониторинга агроценозов яровой пшеницы. В основу системы положено последовательное взаимодействие нескольких уровней получения и анализа информации. Мультиспектральная съёмка обеспечивает пространственную оценку состояния посевов и выделение неоднородных участков сельскохозяйственного поля. Проксимальная гиперспектральная визуализация предназначена для детального исследования спектральных характеристик отдельных фитосанитарных объектов и формирования эталонной информации. Дистанционное гиперспектральное зондирование расширяет возможности спектрального анализа на уровень растительного покрова, а контактные исследования обеспечивают биологическую проверку выявленных изменений.

Предложенный подход предусматривает объединение спектральных и пространственных данных с результатами фитопатологических, энтомологических и геоботанических обследований. Их совместная обработка формирует основу для создания тематических карт состояния посевов, выделения участков с повышенной фитосанитарной нагрузкой и подготовки геоинформационных материалов для дифференцированного управления сельскохозяйственными угодьями. При этом переход от картирования спектральной неоднородности к разработке карт-предписаний требует учёта результатов наземной диагностики, агрохимических характеристик почв и технологических особенностей возделывания культуры.

Научное значение проведённых исследований заключается в установлении особенностей спектральной изменчивости основных фитосанитарных компонентов пшеничного агроценоза, сравнительной оценке методов их интеллектуальной классификации и разработке методических принципов объединения спектральных данных различного пространственного масштаба. Практическая значимость полученных результатов определяется возможностью использования мультиспектрального мониторинга для оперативного выявления неоднородности посевов, гиперспектральной визуализации — для детализированного изучения фитосанитарных объектов, а методов машинного обучения — для автоматизации обработки и интерпретации спектральной информации.

Дальнейшее совершенствование интегрированной системы связано с расширением библиотеки эталонных спектральных сигнатур, повышением устойчивости классификационных моделей к изменениям условий съёмки, разработкой методов межсенсорного согласования данных и проведением независимой полевой валидации. Особое значение имеет оценка воспроизводимости результатов в различных агроэкологических условиях и на разных фенологических этапах развития культуры.

Проведённые исследования показали, что сочетание мультиспектрального мониторинга, гиперспектральной визуализации и контактной фитосанитарной диагностики позволяет рассматривать состояние агроценоза яровой пшеницы на нескольких взаимосвязанных пространственных уровнях — от отдельного биологического объекта до сельскохозяйственного поля. Разработанные научно-методические подходы и полученные экспериментальные результаты составляют основу дальнейшего совершенствования технологий комплексного дистанционного мониторинга и их применения в системах прецизионного земледелия.