Перспективный метод диагностики болезней растений и определения их фенотипа

   Традиционные методы ранней диагностики болезней, такие как метод чистых культур, микроскопический, микологический, полимеразой цепной реакции, иммуноферментного анализа, инвазивны, требуют наличия высококвалифицированного персонала, дорогостоящего оборудования и непригодны для их результативного использования на практике. В связи с тем, что здоровье растений является основополагающим показателем при оценке фенотипа культурного растения, рассмотрены современные неинвазивные методы ранней диагностики и определения фенотипа растений.

   Цель исследования – выбор рационального метода для осуществления ранней диагностики болезней растений и определения их фенотипа непосредственно на поле возделываемой культуры.

   Приведены преимущества и недостатки метода технического зрения, основанного на анализе изменений цветовых параметров полученных RGB-изображений листьев растений; флуоресцентного анализа, при котором оценивают эффективность фотосинтеза; методов мультиспектральной и гиперспектральной визуализации, осуществляемых путем определения ограниченного или непрерывного спектра, отраженного от поверхности листьев растений; метода тепловизионной визуализации, при которой фиксируют распределение инфракрасного излучения, испускаемого растением. Анализ методов показал, что определение рассеивания тепловой энергии – перспективный потенциальный показатель здоровья и наличия болезней. Кроме того, при воздействии большинства факторов окружающей среды изменяются тепловые свойства органов растения – листа, стебля, корня, органов размножения. Объяснена причина ограниченного распространения термометрии при ранней диагностике болезней растения: ложное неприятие исследователями факта, что оно представляет собой высокоорганизованную совокупность комплекса наземной и подземной части организмов. Сформулированы и обоснованы требования к устройствам для получения и обработки тепловых изображений. Разработана экспериментальная установка на основе тепловизионной камеры ТЕ-Q1, способной работать с Android-устройствами. Проведена проверка ее функционирования на образцах земляники садовой.

1. Dutta K., Talukdar D., Bora S.S. Segmentation of unhealthy leaves in cruciferous crops for early disease detection using vegetative indices and Otsu thresholding of aerial images // Measurement: Journal of the International Measurement Confederation. 2022. Vol. 189. P. 110478. DOI: 10.1016/j.measurement.2021.110478.

2. Tanner F., Tonn S., De Wit J., Van Den Ackerveken G., Berger B., Plett D. Sensor-based phenotyping of above-ground plant-pathogen interactions // Plant Methods. 2022. Vol. 18 (35). P. 2–18. DOI: 10.1186/s13007-022-00853-7.

3. Najafabadi M.Y., Heidari A., Rajcan I. All In One Pre-processing: A comprehensive preprocessing framework in plant field phenotyping // SoftwareX. 2023. Vol. 23. P. 101464. DOI: 10.1016/j.softx.2023.101464.

4. Алейников А.Ф., Минеев В.В., Чешкова А.Ф., Беляев А.А. Обнаружение пятнистостей земляники садовой методом импедансной спектроскопии // Сибирский вестник сельскохозяйственной науки. 2020. Т. 50. № 1. С. 81–91. DOI: 10.26898/0370-8799-2020-1-10.

5. Sajitha P., Andrushia A.D., Anand N., Naser M.Z. A review on machine learning and deep learning image-based plant disease classification for industrial farming systems // Journal of Industrial Information Integration. 2024. Vol. 38. P. 100572. DOI: 10.1016/j.jii.2024.100572.

6. Bartold M., Kluczek M. Estimating of chlorophyll fluorescence parameter Fv/Fm for plant stress detection at peatlands under Ramsar Convention with Sentinel-2 satellite imagery // Ecological Informatics. 2024. Vol. 81. P. 102603. DOI: 10.1016/j.ecoinf.2024.102603.

7. Sarić R., Nguyen V.D., Burge T., Berkowitz O., Trtílek M., Whelan J., Lewsey M.G., Čustović E. Applications of hyperspectral imaging in plant phenotyping // Trends in Plant Science. 2022. Vol. 27. P. 301–315. DOI: 10.1016/j.tplants.2021.12.003.

8. Ye D.P., Wu L.B., Li X.B., Atoba T.O., Wu W.H., Weng H.Y. A synthetic review of various dimensions of non-destructive plant stress phenotyping // Plants-Basel. 2023. Vol. 12 (8). P. 1698. DOI: 10.3390/plants12081698.

9. Hou F.J., Zhang Y., Zhou Y., Zhang M., Lv B., Wu J.Q. Review on infrared imaging technology // Sustainability. 2022. Vol. 14 (18). P. 26. DOI: 10.3390/su141811161.

10. Ding W., Abdel-Basset M., Alrashdi I., Hawas H. Next generation of computer vision for plant disease monitoring in precision agriculture: A contemporary survey, taxonomy, experiments, and future direction // Information Sciences. 2024. Vol. 665. P. 120338. DOI: 10.1016/j.ins.2024.120338.

11. Zheng C., Abd-Elrahman A., Whitaker V. Remote sensing and machine learning in crop phenotyping and management, with an emphasis on applications in strawberry farming // Remote Sensing. 2021. Vol. 13 (3). P. 531. DOI: 10.3390/rs13030531.

12. Sanaeifar A., Yang C., Guardia M.D., Zhang W.K., Li X.L., He Y. Proximal hyperspectral sensing of abiotic stresses in plants // Science of the Total Environment. 2023. Vol. 861. P. 160652. DOI: 10.1016/j.scitotenv.2022.160652.

13. Elmasry G., Elgamal R., Mandour N., Gou P., Al-Rejaie S., Belin E., Rousseau D. Emerging thermal imaging techniques for seed quality evaluation: principles and applications // Food Research International. 2020. Vol. 131. P. 109025. DOI: 10.1016/j.foodres.2020.109025.

14. Liu L.Y., Wang Z.S., Li J., Zhang X., Wang R.H. A non-invasive analysis of seed vigor by infrared thermography // Plants-Basel. 2020. Vol. 9 (6). P. 768. DOI: 10.3390/plants9060768.

15. Francesconi S., Harfouche A., Maesano M., Balestra G.M. UAV-based thermal, RGB imaging and gene expression analysis allowed detection of Fusarium head blight and gave new insights into the physiological responses to the disease in durum wheat // Frontiers in Plant Science. 2021. Vol. 12. P. 19. DOI: 1910.3389/fpls.2021.628575.

16. Singh A., Jones S., Ganapathysubramanian B., Sarkar S., Mueller D., Sandhu K., Nagasubramanian K. Challenges and opportunities in machine-augmented plant stress phenotyping // Trends Plant Science. 2021. Vol. 26. P. 53–69. DOI: 10.1016/j.tplants.2020.07.010.

17. Bhakta I., Phadikar S., Majumder K., Mukherjee H., Sau A. A novel plant disease prediction model based on thermal images using modified deep convolutional neural network // Precision Agriculture. 2023. Vol. 24. P. 1–17. DOI: 10.1007/s11119-022-09927-x.

18. Keszthelyi S., Fajtai D., Ponya Z., Somfalvi-Toth K., Donko T. A non-invasive approach in the assessment of stress phenomena and impairment values in pea seeds caused by pea weevil // Plants-Basel. 2021. Vol. 10 (7). Р. 1470. DOI: 10.3390/plants10071470.

19. Bi Y.L., Ma S.P., Gao Y.K.,. Shang J.X, Zhang Y.X., Xie L.L., Guo Y., Christie P. Thermal infrared evaluation of the influence of arbuscular mycorrhizal fungus and dark septate endophytic fungus on maize growth and physiology // Agronomy-Basel. 2022. Vol. 12 (4). Р. 912. DOI: 10.3390/agronomy12040912.

20. El Hoseny M.M., Dahi H.F., El Shafei A.M., Yones M.S. Spectroradiometer and thermal imaging as tools from remote sensing used for early detection of spiny bollworm, Earias insulana (Boisd.) infestation // International Journal of Tropical Insect Science. 2023. Vol. 43. P. 245–256. DOI: 10.1007/s42690-022-00917-0.

21. Lipinska E., Pobiega K., Piwowarek K., Blazejak S. Research on the use of thermal imaging as a method for detecting fungal growth in apples // Horticulturae. 2022. Vol. 8 (10). P. 972. DOI: 10.3390/horticulturae8100972.

22. Hatton N., Sharda A., Schapaugh W., Van Der Merwe D. Remote thermal infrared imaging for rapid screening of sudden death syndrome in soybean // Computers and Electronics in Agriculture. 2020. Vol. 178. P. 105738. DOI: 10.1016/j.compag.2020.105738.

23. Ashfaq W., Brodie G., Fuentes S., Gupta D. Infrared thermal imaging and morpho-physiological indices used for wheat genotypes screening under drought and heat stress // Plants-Basel. 2022. Vol. 11 (23). P. 3269. DOI: 10.3390/plants11233269.

24. Chandel N.S., Rajwade Y.A., Dubey K., Chandel A.K., Subeesh A., Tiwari M.K. Water stress identification of winter wheat crop with state-of-the-art AI techniques and high-resolution thermal-RGB imagery // Plants-Basel. 2022. Vol. 11. P. 3344. DOI: 10.3390/plants11233344.

25. Banerjee K., Krishnan P. Normalized Sunlit Shaded Index (NSSI) for characterizing the moisture stress in wheat crop using classified thermal and visible images // Ecological Indicators. 2020. Vol. 110. P. 105947. DOI: 10.1016/j.ecolind.2019.105947.

26. Das S., Christopher J., Apan A., Choudhury M.R., Chapman S., Menzies N.W., Dang Y.P. Evaluation of water status of wheat genotypes to aid prediction of yield on sodic soils using UAV-thermal imaging and machine learning // Agricultural and Forest Meteorology. 2021. Vol. 307. P. 108477. DOI: 10.1016/j.agrformet.2021.108477.

27. Mulero G., Jiang D., Bonfil D.J., Helman D. Use of thermal imaging and the photochemical reflectance index (PRI) to detect wheat response to elevated CO₂ and drought // Plant Cell and Environment. 2023. Vol. 46. Р. 76–92. DOI: 10.1111/pce.14472.

28. Menegassi L.C., Benassi V.C., Trevisan L.R., Rossi F., Gomes T.M. Thermal imaging for stress assessment in rice cultivation drip-irrigated with saline water // Engenharia Agricola. 2022. Vol. 42 (5). Р. 20220043. DOI: 10.1590/1809-4430-Eng.Agric.v42n5e20220043/2022.

29. Caruso G., Palai G., Tozzini L., Gucci R. Using visible and thermal images by an unmanned aerial vehicle to monitor the plant water status, canopy growth and yield of olive trees (cvs. Frantoio and Leccino) under different irrigation regimes // Agronomy-Basel. 2022. Vol. 12 (8) P. 1904. DOI: 10.3390/agronomy12081904.

30. Pradawet C., Khongdee N., Pansak W., Spreer W., Hilger T., Cadisch G. Thermal imaging for assessment of maize water stress and yield prediction under drought conditions // Journal of Agronomy and Crop Science. 2023. Vol. 209. Р. 56–70. DOI: 10.1111/jac.12582.

31. Vieira G.H.S., Ferrarezi R.S. Use of thermal imaging to assess water status in citrus plants in greenhouses // Horticulturae. 2021. Vol. 7 (8). Р. 249. DOI: 10.3390/horticulturae7080249.

32. Wen T., Li J.H., Wang Q., Gao Y.Y., Hao G.F., Song B.A. Thermal imaging: The digital eye facilitates high-throughput phenotyping traits of plant growth and stress responses // Science of The Total Environment. 2023. Vol. 899. Р. 165626 DOI: 10.1016/j.scitotenv.2023.165626.