Біологічні системи: теорія та інновації

Принципи високопродуктивного фенотипування та сенсорні платформи для неінвазивного дослідження у захисті рослин

Ростислав Матковський , Оксана Таран, Юлія Коломієць
Завантажити статтю
Анотація

Зміна клімату та зростання резистентності патогенів змушують шукати інноваційні методи діагностики хвороб рослин, особливо для таких небезпечних патогенів як Fusarium graminearum, який спричиняє значні втрати врожаю пшениці. Традиційні візуальні методи мають низьку пропускну здатність і суб'єктивність, що обмежує їх ефективність у великомасштабному моніторингу. Метою дослідження було вивчення принципів високопродуктивного фенотипування та оцінка ефективності сенсорної платформи для неінвазивного дослідження фузаріозу колосу в умовах України (Київська область). Використовували комбінацію мультиспектральної зйомки, тепловізії та алгоритмів машинного навчання на експериментальному полі площею 1 га зі штучним інфікуванням 20 % ділянок. Результати показали, що запропонована система досягла точності 92 % у виявленні патогена на ранніх стадіях, що на 37 % точніше візуальних методів. Спектральні індекси продемонстрували сильний зв'язок із концентрацією патогена: зниження нормалізованого різницевого вегетаційного індексу з 0,72 до 0,35 корелювало зі збільшенням біомаси гриба на 80 %. Теплові знімки виявили підвищення температури листя на 2,5 °C вже на 5-7 день після інфікування. Інтеграція всіх методів дозволила досягти точності 96 % при обробці 1 га за 2,5 години, що у 3 рази швидше за традиційні методи. Аналіз з використанням полімеразної ланцюгової реакції підтвердив специфічність методів: 95 % інфікованих зразків містили  дезоксирибонуклеїнову кислоту Fusarium, секвенування показало 100 % відповідність β-тубуліну. Автоматизована обробка даних займала 2,5 год/га (проти 8 год/га при візуальному методі), а масштабування до 10 га зменшувало витрати часу у 12 разів. Дослідження підтвердило ефективність високопродуктивного фенотипування для прецизійного захисту рослин та необхідність подальшого вдосконалення методів з урахуванням місцевих кліматичних умов. Практичне значення дослідження полягає в можливості скоротити витрати на фунгіциди завдяки цілеспрямованій обробці інфікованих ділянок, зменшити втрати врожаю у регіонах з високим інфекційним тиском та забезпечити основу для автоматизованих систем моніторингу, сумісних з технологіями точного землеробства

Ключові слова

сільське господарство; патогени; грибкові інфекції; гіперспектральна візуалізація; тепловізія

ЦИТУВАТИ
Matkovskyi, R., Taran, O., & Kolomyets, Yu. (2025). Principles of high-throughput phenotyping and sensor platforms for non-invasive research in plant protection. Biological Systems: Theory and Innovation, 16(2), 23-36. https://doi.org/10.31548/biologiya/2.2025.23
Використані джерела
  1. Ayankojo, I.T., Thorp, K.R., & Thompson, A.L. (2023). Advances in the application of Small Unoccupied Aircraft Systems (sUAS) for high-throughput plant phenotyping. Remote Sensing, 15(10), article number 2623. doi: 10.3390/rs15102623.
  2. Breiman, L. (2001). Random Forests. Machine Learning, 45, 5-32. doi: 10.1023/A:1010933404324. 
  3. CDC. (2020). Biosafety in microbiological and biomedical laboratories. Retrieved from https://www.cdc.gov/labs/bmbl/?CDC_AAref_Val=https://www.cdc.gov/labs/BMBL.html.
  4. Convention on Biological Diversity. (1992). Retrieved from https://www.cbd.int/convention.
  5. EPPO (European and Mediterranean Plant Protection Organization) Standards. (n.d.). Retrieved from https://gd.eppo.int/standards/PM7.
  6. Fu, X., & Jiang, D. (2022). High-throughput phenotyping: The latest research tool for sustainable crop production under global climate change scenarios. In Sustainable crop productivity and quality under climate change (pp. 313-381). Academic Press.  doi: 10.1016/B978-0-323-85449-8.00003-8.
  7. Gill, T., Gill, S.K., Saini, D.K., Chopra, Y., de Koff, J.P., & Sandhu, K.S. (2022). A comprehensive review of high throughput phenotyping and machine learning for plant stress phenotyping. Phenomics, 2(3), 156-183. doi: 10.1007/s43657-022-00048-z.  
  8. Hacisalihoglu, G., & Armstrong, P. (2023). Crop seed phenomics: Focus on non-destructive functional trait phenotyping methods and applications. Plants, 12(5), article number 1177. doi: 10.3390/plants12051177.
  9. Jansone, Z., Bleidere, M., & Putniece, G. (2022). Application of ground-based high-throughput phenotyping platforms in cereal breeding – a review. Research for Rural Development, 37. doi: 10.22616/RRD.28.2022.003.
  10. Kim, M., Lee, C., Hong, S., Kim, S.L., Baek, J.H., & Kim, K.H. (2021). High-throughput phenotyping methods for breeding drought-tolerant crops. International Journal of Molecular Sciences, 22(15), article number 8266. doi: 10.3390/ijms22158266.
  11. Kumari, P., et al. (2024b). Plant phenomics: The force behind tomorrow’s crop phenotyping tools. Journal of Plant Growth Regulation, 1-19.  doi: 10.1007/s00344-024-11450-4.
  12. Kumari, P., Gangwar, H., Kumar, V., Jaiswal, V., & Gahlaut, V. (2024a). Crop phenomics and high-throughput phenotyping. In P.M. Priyadarshan, S.M., Jain, S. Penna & J.M. Al-Khayri (Eds) Digital agriculture (pp. 391-423). Cham: Springer.  doi: 10.1007/978-3-031-43548-5_13.
  13. Kundu, S., Saini, D.K., Meena, R.K., Bahuguna, R.N., & Jagadish, S.K. (2024). High-throughput phenotyping and AI technologies for deciphering crop resilience to heat stress. Plant Physiology Reports, 29, 699-715. doi: 10.1007/s40502-024-00821-4.
  14. Li, D., Quan, C., Song, Z., Li, X., Yu, G., Li, C., & Muhammad, A. (2021). High-throughput plant phenotyping platform (HT3P) as a novel tool for estimating agronomic traits from the lab to the field. Frontiers in Bioengineering and Biotechnology, 8, article number 623705. doi: 10.3389/fbioe.2020.623705.
  15. Ma, Z. (2023). Sensing technologies for high-throughput plant phenotyping: a comprehensive review with a case study (Doctoral dissertation, University of British Columbia).
  16. Ma, Z., Rayhana, R., Feng, K., Liu, Z., Xiao, G., Ruan, Y., & Sangha, J. S. (2022). A review on sensing technologies for high-throughput plant phenotyping. IEEE Open Journal of Instrumentation and Measurement, 1, article number 9500121 doi: 10.1109/OJIM.2022.3178468.
  17. Pérez-Ruiz, M., Prior, A., Martínez-Guanter, J., Apolo-Apolo, O. E., Andrade-Sanchez, P., & Egea, G. (2020). Development and evaluation of a self-propelled electric platform for high-throughput field phenotyping in wheat breeding trials. Computers and Electronics in Agriculture, 169, article number 105237. doi: 10.1016/j.compag.2020.105237.
  18. Sarić, R., Nguyen, V.D., Burge, T., Berkowitz, O., Trtílek, M., Whelan, J., Lewsey, M.G., & Čustović, E.  (2022). Applications of hyperspectral imaging in plant phenotyping. Trends in Plant Science, 27(3), 301-315. doi: 10.1016/j.tplants.2021.12.003. 
  19. Singh, A.K., et al. (2021). High-throughput phenotyping in soybean. In J. Zhou & H.T. Nguyen (Eds.), High-throughput crop phenotyping. concepts and strategies in plant sciences (pp. 129-163). Cham: Springer. doi: 10.1007/978-3-030-73734-4_7.
  20. Tanner, F., Tonn, S., de Wit, J., Van den Ackerveken, G., Berger, B., & Plett, D. (2022). Sensor-based phenotyping of above-ground plant-pathogen interactions. Plant Methods, 18, article number 35. doi: 10.1186/s13007-022-00853-7.
  21. Topko, R., Voloshchyk, S., & Kovalyshyna, H. (2023). Evaluation of winter bread wheat genotypes based on remote sensing data and agronomic traits related to yield. Scientific Reports of the National University of Life and Environmental Sciences of Ukraine, 19(5). doi: 10.31548/dopovidi5(105).2023.012.
  22. Vedmediev, S. (2024). Development of software for collecting phenotypic data of sunflower seeds. Information Technology: Computer Science, Software Engineering and Cyber Security, 4, 53-60. doi: 10.32782/IT/2024-4-7.
  23. Wen, T., Li, J.H., Wang, Q., Gao, Y.Y., Hao, G.F., & Song, B.A. (2023). Thermal imaging: The digital eye facilitates high-throughput phenotyping traits of plant growth and stress responses. Science of the Total Environment, 899, article number 165626. doi: 10.1016/j.scitotenv.2023.165626.
  24. Xiao, Q., Bai, X., Zhang, C., & He, Y. (2022). Advanced high-throughput plant phenotyping techniques for genome-wide association studies: A review. Journal of Advanced Research, 35, 215-230. doi: 10.1016/j.jare.2021.05.002.
  25. Yuan, H., Song, M., Liu, Y., Xie, Q., Cao, W., Zhu, Y., & Ni, J. (2023). Field phenotyping monitoring systems for high-throughput: A survey of enabling technologies, equipment, and research challenges. Agronomy, 13(11), article number 2832. doi: 10.3390/agronomy13112832.
  26. Zhang, C., Kong, J., Wu, D., Guan, Z., Ding, B., & Chen, F. (2023). Wearable sensor: An emerging data collection tool for plant phenotyping. Plant Phenomics, 5, article number 0051. doi: 10.34133/plantphenomics.0051.
  27. Zhou, J., Vong, C.N., & Zhou, J. (2022). Imaging technology for high-throughput plant phenotyping. In S. Ma, T. Lin, E. Mao, Z. Song & K.C. Ting (Eds.), Sensing, data managing, and control technologies for agricultural systems (pp. 75-99). Cham: Springer International Publishing.  doi: 10.1007/978-3-031-03834-1_4.