Новый метод анализа урожайности пшеницы отделяет влияние болезней от естественного старения

Урожайность пшеницы зависит от силы стока (числа зёрен и способности поглощать питательные вещества) и ёмкости источника (эффективности фотосинтезирующих тканей). Хотя ограничения по стоку хорошо известны, на урожай также влияют ограничения источника из-за болезней, например, септориоза (STB), в основном после колошения, во время налива зерна.

Основная сложность — дифференцировать влияние болезней от естественного старения на зелёность растительного покрова. Современные технологии сенсоров и анализа изображений, такие как глубокое обучение, предлагают решения, но сталкиваются с проблемами создания точных обучающих данных и различения небольших изменений в характеристиках покрова во времени.

Ключевая задача — разработать точные методы для разделения эффектов болезней и старения на урожай пшеницы с использованием передовых сенсорных технологий.

В июне 2023 года журнал Plant Phenomics опубликовал исследование "Combining High-Resolution Imaging, Deep Learning, and Dynamic Modeling to Separate Disease and Senescence in Wheat Canopies".

В работе представлен новый метод обработки изображений с использованием моделей глубокого обучения для семантической сегментации с целью мониторинга хлороза и некроза у пшеницы, фокусируясь на колосьях и побегах. Подход включает обучение модели сегментации растительности на полусинтетических данных, сочетающих композицию изображений и генеративно-состязательные нейронные сети.

Обученная модель продемонстрировала высокую точность в сегментации растительности на RGB-изображениях высокого разрешения. Общие показатели F1 при валидации были впечатляющими: 0.929 для моделей, обученных на сырых композитных изображениях, и 0.951 — на изображениях с перенесённым стилем.

Это указывает на эффективность моделей в идентификации частей растений и их состояния здоровья на разных фазах роста и в различных условиях освещённости. Производительность моделей сегментации оставалась стабильной в процессе обучения, особенно при использовании нескольких композитов на один растительный передний план.

Модель эффективно дифференцировала здоровые, хлоротичные и некротические ткани, что критически важно для понимания динамики здоровья растений. В частности, метод отлично справлялся с определением начала хлороза и некроза — ключевых индикаторов стресса растений из-за болезней или естественного старения.

Применение этой методологии в полевых условиях выявило временные паттерны угасания зелёности у пшеницы и позволило дифференцировать влияние болезней (например, септориоза, STB) и естественного старения.

Высокая пропускная способность метода делает его пригодным для генетических исследований устойчивости и толерантности к болезням. Результаты также подчеркнули потенциал подобных методов на основе изображений для точного и объективного мониторинга здоровья посевов, позволяя детально оценивать физиологический статус разных частей растения во времени.

Таким образом, эта методология обработки изображений, использующая глубокое обучение и продвинутый анализ, предлагает мощный инструмент для детального высокопроизводительного мониторинга здоровья растений на уровне отдельных органов. Она обладает значительным потенциалом для углубления понимания реакции культур на биотические стрессы и оптимизации стратегий управления посевами в полевых условиях.