МЕТОД ОЦЕНКИ СПЕКТРА ПОГЛОЩЕНИЯ ЛИСТА ПШЕНИЦЫ ПО СПЕКТРУ ДИФФУЗНОГО ОТРАЖЕНИЯ

Для оценки состояния растений в ходе нормального роста и при развитии инфекций широко применяют методы спектрального анализа. В сочетании с математическими методами распознавания образов из спектров отражения конструируют информативные индексы, которые различаются для растений в разных изучаемых физиологических (и патофизиологических) состояниях. Такой подход предполагает настройку индексов для конкретных разделяемых состояний. Информация о содержании пигментов является более универсальной, позволяющей судить о состоянии растения на основе физиологических представлений независимо от решаемой задачи. В последнее время для получения информации о содержании пигментов развиваются методы отражательной спектроскопии. По спектру диффузного отражения производится оценка спектра поглощения на основе модели распространения света в дисперсной среде. Одной из моделей такого типа ятзляется модель Кубелки - Мунка. В случае большой оптической толщины образца, когда поток, проходящий через образец, на выходе гфактилески равен нулю, можно гфименять упрощенную формулу, в которую не входит толщина образца. В остальных случаях необходимо эту толщину измерять, что для таких биологических объектов, как лист растения, проблематично из-за сложного рельефа листа. Приведены метод измерения и результаты изучения применимости формулы Кубелки - Мунка для получения спектров поглощения из спектров отражения листа пшеницы без измерения его толщины. Выведена формула для вычисления функции Кубелки — Мунка (отношения коэффициента поглощения к коэффициенту рассеяния) по двум измерениям коэффициентов диффузного рассеяния от образца, которые производятся с двумя подложками - с поглощающей и отражающей. Метод позволяет вычислить отношение коэффициента поглощения к коэффициенту рассеяния без измерения толщины исследуемого образца. Данный показатель можно использовать в качестве оценки спектра поглощения с некоторым коэффициентом пропорциональности. Описанный метод можно рекомендовать как наиболее универсальный и точный для определения отношения коэффициента поглощения к коэффициенту рассеяния листа в лабораторных условиях.

пшеница, грибная инфекция, спектральный анализ листьев, спектр диффузного отражения

1. Bajwa S. G., Rupe J. С, Mason J. Soybean disease monitoring with leafreflectance // Remote Sensing. 2017. Vol. 9. N 2. P. 127.

2. Bravo C, Moshou D., West J., McCartney A., Ramon H. Early Disease Detection in Wheat Fields Using Spectral Reflectance // Biosystems Engineering. 2003. Vol. 84. N 2. P. 137- 145.

3. PanZ., LiX., YangX.B., Andrade D., XueL., McKinneyN. Prediction of Plant Diseases through Modelling and Monitoring Airborne Pathogen Dispersal // Plant Sciences Reviews. 2010. CABI 191.

4. AudsleyE., Milne A., PaveleyN. A foliar disease model for use in wheat disease management decision support systems // Annals of Applied Biology. 2005. Vol. 147. N 2. P. 161-172.

5. ТорнлиД.Г.М. Математические модели в физиологии растений. Киев: Наукова думка, 1982.

6. Mahlein А.К., RumpfT., Welke P., Dehne H. W, PlumerL., SteinerU., OerkeE.C. Development of spectral indices for detecting and identifying plant diseases // Remote Sensing of Environment. 2013. Vol. 128. P. 21-30.

7. Ashourloo D., Mobasheri M.R., HueteA. Developing two spectral disease indices for detection of wheat leaf rust (Pucciniatriticina) // Remote Sensing. 2014. Vol. 6. N 6. P. 4723- 4740.

8. ChemuraA., MutangaO., SibandaM., Chidoko P. Machine learning prediction of coffee rust severity on leaves using spectroradiometer data // Tropical Plant Pathology. 2018. Vol. 43. N2. P. 117-127.

9. Khan A.J., Deadman M.L., Al-Maqbali Y.M., Al-SabahiJ., Srikandakumar A., Rizvi S.G. Biochemical changes in sorghum leaves infected with leaf spot pathogen, Drechslera sorghicola // The Plant Pathology Journal. 2001. Vol. 17. N 6. P. 342-346.

10. Robert C, BancalM.O., NeyВ., LannouC. Wheat leaf photosynthesis loss due to leaf rust, with respect to lesion development and leaf nitrogen status // New Phytologist. 2005. Vol. 165. N L P 227-241.

11. Bauriegel E., GiebelA., GeyerM., Schmidt U., Herppich W.B. Early detection of Fusarium infection in wheat using hyper-spectral imaging // Computersand Electronicsin Agriculture. 2011. Vol. 75. N 2. P. 304-312.

12. Kubelka P., MunkF. An article on optics of paint layers // Zeitschrift fur Technische Physik. 1931. Vol. 12. P. 593-601.

13. Al MakdessiN., JeanP.A., EcamotM., Gorretta N., Rabatel G., Roumet P. How plant structure impacts the biochemical leaf traits assessment from in-field hyperspectral images: A simulation study based on light propagation modeling in 3D virtual wheat scenes // Field Crops Research. 2017. Vol. 205. P. 95-105.

14. XuK, LinY, WeiX, YeH. Biomimetic Material Simulating Solar Spectrum Reflection Characteristics of Yellow Leaf// Journal of Bionic Engineering. 2018. Vol. 15. N 4. P. 741- 750.

15. Al Makdessi N., EcamotM., Roumet P., Rabatel G. A spectral correction method for multi-scattering effects in close range hyperspectral imagery of vegetation scenes: application to nitrogen content assessment in wheat // Precision Agriculture. 2018. P. 1-23.

16. Джадд Д., Вышецки Г. Цвет в науке и технике / пер. с англ. М: Мир, 1978. 592 с.

17. Kubelka P. New contributions to the optics of intensely light-scattering materials. Part I // Josa. 1948. Vol. 38. N 5. P. 448-457.

18. Torrent J. O.S.E., Barron V. Diffuse reflectance spectroscopy // Methods of soil analysis. 2008. Part 5. P. 367-387.