ОПТИЧЕСКИЙ МЕТОД ОБНАРУЖЕНИЯ ВОДЫ В ЛИСТЬЯХ САЛАТА

Предложен и экспериментально протестирован метод неразрушающего контроля содержания воды в листьях салата латук, основанный на использовании комбинации спектров, RGB-изображений и температуры растительного покрова. Для сбора данных отобрано 130 образцов салата, выращенных при четырех различных уровнях содержания воды в субстрате. Для спектроскопических измерений с помощью метода частичных наименьших квадратов, использующего алгоритм обратных интервалов, выбраны пять спектральных интервалов, включающих в себя 380 точек, число которых далее уменьшено до 48 с использованием генетического алгоритма, основанного на сглаживании Савицкого–Голея и логарифмическом (1/R) преобразовании. С помощью метода последовательных проекций выбраны оптимальные для измерения длины волн 967, 1170, 1221, 1406, 1484, 1942 и 1985 нм. Тринадцать морфологических, цветовых и текстурных особенностей растений выявлены из RGB-изображений – фронтального и вида сверху. На основе сопоставления тепловых изображений исследуемых образцов с таковыми для сухих и влажных эталонных поверхностей эмпирически установлен индекс водного стресса. К спектральным данным и характеристикам изображения применен анализ главных компонент, причем для построения моделей с несколькими и одним сенсорами использован метод экстремального машинного обучения. Результаты показывают, что модель с несколькими сенсорами имеет коэффициент корреляции 0.9018, который на ~9.4 и 15.7% лучше, чем у спектральной модели и модели изображений.

1. Ü. Kızıl, L. Genç, M. İ. Nalpulat, D. Ş. Apolyo, M. Mı̇rı̇k, Zemdirbyste, 99, 409–418 (2012).

2. A. M. H. Elmetwalli, A. N. Tyler, P. D. Hunter, C. A. Salt, Remote Sens. Lett., 3, 363–372 (2012).

3. M. El-Bially, H. Saudy, I. El-Metwally, M. Shahin, Agric. Water Manage., 208, 132–139 (2018).

4. N. Sanchez, A. Gonzalez-Zamora, J. Martinez-Fernandez, M. Piles, M. Pablos, Agric. Meteorol., 259, 141–153 (2018).

5. F. M. Danson, M. D. Steven, T. J. Malthus, J. A. Clark, Int. J. Remote Sens., 13, 461–470 (1992).

6. J. G. P. W. Clevers, L. Kooistra, M. E. Schaepman, Int. J. Appl. Earth Obs. Geoinform., 12, 119–125 (2010).

7. Y. Hendrawan, H. Murase, Expert Syst. Appl., 38, 14321–14335 (2011).

8. S. Zhuang, P. Wang, B. Jiang, M. S. Li, Z. H. Gong, Comput. Electron. Agric., 140, 461–468 (2017).

9. B. A. King, K. C. Shellie, Comput. Electron. Agric., 145, 122–129 (2018).

10. E. G. Kullberg, K. C. DeJonge, J. L. Chavez, Agric. Water Manage., 179, 64–73 (2017).

11. O. Adeyemi, I. Grove, S. Peets, Y. Domun, T. Norton, Comput. Electron. Agric., 153, 102–114 (2018).

12. H. Y. Gao, H. P. Mao, X. D. Zhang, Zemdirbyste, 102, 51–58 (2015).

13. H. P. Mao, H. Y. Gao, X. D. Zhang, F. Kumi, Sci. Hortic., 184, 1–7 (2015).

14. A. Khorsandi, A. Hemmat, S. A. Mireei, R. Amirfattahi, P. Ehsanzadeh, Agric. Water Manage., 204, 222–233 (2018).

15. H. G. Jones, Application of Thermal Imaging and Infrared Sensing in Plant Physiology and Ecophysiology, Elsevier, London, 107–163 (2004).

16. P. R. Petrie, Y. N. Wang, S. Liu, S. Lam, M. A. Whitty, M. A. Skewes, Biosyst. Eng., 179, 126–139 (2019).

17. S. B. Idso, R. D. Jackson, P. J. Pinter Jr., R. J. Reginato, J. L. Hatfield, Agric. Meteorol., 24, 45–55 (1981).

18. P. Ceccato, S. Flasse, S. Tarantola, S. Jacquemoud, J. M. Gregoire, Remote Sens. Environ., 77, 22–33 (2001).

19. Y. Özyı̇ğit, M. Bı̇Lgen, J. Agric. Sci. Technol., 15, 1537–1545 (2013).

20. A. Savitzky, M. J. E. Golay, Anal. Chem., 36, 1627–1639 (1964).

21. T. Shi, Y. Chen, H. Liu, J. Wang, G. Wu, Appl. Spectrosc., 68, 831–837 (2014).

22. R. K. H. Galvão, M. C. U. Araujo, G. E. José, M. J. C. Pontes, E. C. Silva, T. C. B. Saldanha, Talanta, 67, 736–740 (2005).

23. R. Leardi, L. Nørgaard, J. Chemometr., 18, 486–497 (2004).

24. R. Leardi, J. Chemometr., 14, 643–655 (2010).

25. M. C. U. Araujo, T. C. B. Saldanha, R. K. H. Galvao, T. Yoneyama, H. C. Chame, V. Visani, Chemometr. Intell. Lab. Syst., 57, 65–73 (2001).

26. D. Story, M. Kacira, C. Kubota, A. Akoglu, L. An, Comput. Electron. Agric., 74, 238–243 (2010).

27. T. Hang, N. Lu, M. Takagaki, H. P. Mao, Sci. Hortic., 252, 113–120 (2019).

28. F. Bachofer, G. Queneherve, T. Zwiener, M. Maerker, V. Hochschild, Eur. J. Remote Sens., 49, 205–224 (2016).

29. N. Agam, Y. Cohen, J. A. J. Berni, V. Alchanatis, D. Kool, A. Dag, U. Yermiyahu, A. Ben-Gal, Agric. Water Manage., 118, 79–86 (2013).

30. F. R. S. Karl Pea, J. Sci., 2, 559–572 (1901).

31. G. B. Huang, D. H. Wang, Y. Lan, Int. J. Mach. Learn. Cybern., 2, 107–122 (2011).

32. S. Ullah, A. K. Skidmore, A. Ramoelo, T. A. Groen, M. Naeem, A. Ali, ISPRS-J. Photogramm. Remote Sens., 93, 56–64 (2014).

33. I. Torres, M. T. Sanchez, M. Benlloch-Gonzalez, D. Perez-Marin, Biosyst. Eng., 180, 50–58 (2019).

34. D. L. Mangus, A. Sharda, N. Q. Zhang, Comput. Electron. Agric., 121, 149–159 (2016).

35. W. H. Maes, K. Steppe, J. Exp. Bot., 63, 4671–4712 (2012).

36. Z. Thungo, H. Shimelis, A. O. Odindo, J. Mashilo, Acta Agric. Scand. Sect. B-Soil Plant Sci., 70, 177–194 (2020).

37. P. J. Zarco-Tejada, V. Gonzalez-Dugo, L. E. Williams, L. Suarez, J. A. J. Berni, D. Goldhamer, E. Fereres, Remote Sens. Environ., 138, 38–50 (2013).

38. S. Chung, L. E. Breshears, J.-Y. Yoon, Comput. Electron. Agric., 154, 93–98 (2018).