Интеграция методов машинного обучения для раннего обнаружения патогенов в растениях на основе анализа хлорофилла

А.А. Абдурахимов; К.О. Пономарев; А.С. Прохошин

Авторы

А.А. Абдурахимов Научно-исследовательский институт развития цифровых технологий и искусственного интеллекта Автор
К.О. Пономарев Тюменский государственный университет Автор
А.С. Прохошин Тюменский государственный университет Автор

Ключевые слова:

хлорофилл, машинное обучение, обнаружение фитопатогенов, заражение, абиотический стресс

Аннотация

В данном исследовании анализируются индексы хлорофилла в растениях как индикаторы наличия фитопатогенов и абиотического стресса. Особое внимание уделяется идентификации ранних признаков заражения земляники паутинным клещом с анализом уровня пигментов растения и использованием методов машинного обучения. Измерение индексов хлорофилла A, B и общего хлорофилла, необходимых для выявления степени влияния стрессового фактора на растение, проводилось с использованием спектрометра CI-710s. Анализ данных о содержании хлорофилла позволил определить начало стрессового состояния растения. Применение алгоритмов машинного обучения к табличным данным значительно повысило эффективность диагностики и предсказания рисков развития заболеваний.

Библиографические ссылки

Шамилев С.Р. Биолого-математическое и компьютерное моделирование заболевания растений // Экономика. Бизнес. Информатика. – 2017. – Т. 3. – № 2. – С. 130–145.

Адылова Ф.Т., Давронов Р.Р., Сафаров Р.А. Универсальный подход к интерпретации результатов прогнозирования моделей машинного обучения // Проблемы вычислительной и прикладной математики. – 2022. – № 4(42). – С. 128–137.

Nguyen C., Sagan V., Maimaitiyiming M., Maimaitijiang M., Bhadra S., Kwasniewski M.T. Sensors (Switzerland). – 2021. – Vol. 21. – No. 3. – P. 1–23. doi: 10.3390/s21030742.

Kalaji H.M., Jajoo A., Oukarroum A., Brestic M., Zivcak M., Samborska I.A., Cetner M. D., Lukasik I., Goltsev V., Ladle R. J. Chlorophyll a fluorescence as a tool to monitor physiological status of plants under abiotic stress conditions. // Acta Physiologiae Plantarum. – 2016. – Vol. 38. – No. 4. – P. 1–11. doi: 10.1007/s11738-016-2113-y.

Raczko E., Zagajewski B. Comparison of support vector machine, random forest and neural network classifiers for tree species classification on airborne hyperspectral APEX images // European Journal of Remote Sensing. – 2017. – Vol. 50. – No. 1. – P. 144–154. doi: 10.1080/22797254.2017.1299557.

Онаев М.К., Туктаров Р.Б., Тарбаев В.А., Гафуров Р.Р. Использование спутниковых методов исследований в изучении режима затопления и современного состояния рас тительного покрова лиманов. // Успехи современного естествознания. – 2018. – № 7. – С. 183–188.

Савин И.Ю., Коновалов С.Н., Бобкова В.В., Шарычев Д.В. Спектральные вегетационные индексы как индикаторы содержания пигментов в листьях яблони (Malus domestica Borkh.) // Sel’skokhozyaistvennaya Biologiya. – 2023. – Т. 58. – № 3. – С. 473–482. doi: 10.15389/agrobiology.2023.3.473rus.

Бардина Т.В., Чугунова М.В., Кулибаба В.В., Бардина В.И. Использование методов биотестирования для оценки экологического состояния почвогрунтов рекультивированного карьера // Биосфера. – 2020. – Т. 12. – № 1–2. – С. 1–11. doi: 10.24855/biosfera.v12i1.539.

Равшанов Н., Пекось О.А., Бакаев И.И. Прогнозирование сердечно-сосудистых заболеваний методами машинного обучения. // Проблемы вычислительной и прикладной математики. – 2023. – № 1(46). – С. 109–115.

Демидчик В.В., Шашко А.Ю., Бондаренко В.Ю., Смоликова Г.Н., Пржевальская Д.А., Черныш М.А., Пожванов Г.А., Барковский А.В., Смолич И.И., Соколик А.И., Ю М., Медведев С.С. Феномика растений: фундаментальные основы, программно-аппаратные платформы и методы машинного обучения. Физиология Растений. – 2020. – Т. 67. – № 3. – С. 227–245. doi: 10.31857/s0015330320030069.

Воробьев Н.И., Лысов А.К., Корнилов Т.В., Хютти А.В. Вычислительная нейросеть для обработки светоотражательных спектров растений и дистанционного фитосанитарного мониторинга картофеля // Аграрная наука Евро-Северо-Востока. – 2024. – Т. 25. – № 2. – С. 283–292. doi: 10.30766/2072-9081.2024.25.2.283-292.

Knauer U., von Rekowski C.S., Stecklina M., Krokotsch T., Minh T.P., Hauffe V., Kilias D., Ehrhardt I., Sagischewski H., Chmara S., Seiffert U. Tree species classification based on hybrid ensembles of a convolutional neural network (CNN) and random forest classifiers. Remote Sensing // – 2019. – Vol. 11. – No. 23. – P. 1–15. doi: 10.3390/rs11232788.

Nguyen D., Tan A., Lee R., Lim W.F., Hui T.F., Suhaimi F. Early detection of infestation by mustard aphid, vegetable thrips and two-spotted spider mite in bok choy with deep neural network (DNN) classification model using hyperspectral imaging data // Computers and Electronics in Agriculture. – 2024. – Vol. 220. doi: 10.1016/j.compag.2024.108892.

Shin Y.K., Bhandari S.R., Lee J.G. Monitoring of salinity, temperature, and drought stress in grafted watermelon seedlings using chlorophyll fluorescence // Frontiers in Plant Science. – 2021. – Vol. 12. – P. 786309. doi: 10.3389/fpls.2021.786309.