Глобальный показатель: Гиперспектральные камеры обнаруживают фитофтороз на поздних стадиях с точностью до 98%, но только в 79% случаев до появления симптомов.
Исследования с использованием дронов и полевых камер показывают высокую точность обнаружения видимых очагов фитофтороза. Раннее обнаружение, до появления пятен, затруднено, а модели, обученные в лаборатории, теряют точность в полевых условиях.
Фитофтороз, вызываемый грибком Phytophthora infestans, является самым дорогостоящим заболеванием картофеля во многих регионах. Фермеры по-прежнему обнаруживают его в основном путем обхода полей. Исследователи тестируют камеры, измеряющие сотни узких световых полос, известные как гиперспектральная визуализация, чтобы быстрее обнаруживать болезнь. Опубликованные исследования показывают, что эта технология может и чего не может сделать сегодня.
Снимки видимых очагов заболевания, полученные с помощью дронов.
Группа исследователей из Манчестерского столичного университета (Великобритания), Китайской академии наук и Хэбэйского сельскохозяйственного университета разработала модель глубокого обучения для гиперспектральных изображений, полученных с помощью дронов. В статье, опубликованной в 2022 году, Дистанционное зондированиеВ результате модель достигла средней точности 98.09% на тестовых данных и 95.75% на независимом наборе данных. Она показала лучшие результаты, чем стандартные методы машинного обучения и глубокого обучения, с которыми ее сравнивала команда.
До появления симптомов
Раннее обнаружение сложнее. Согласно статье, опубликованной исследователями из Линкольнского университета, Нанкинского сельскохозяйственного университета, Шведского университета сельскохозяйственных наук и Копенгагенского университета, в июле 2020 года в Дании они провели полевые испытания с использованием камеры, расположенной близко к растениям. ArXivНа поле было более 20 генотипов картофеля. Изображения, сделанные через 3, 7 и 9 дней после инокуляции, когда пятна еще не были видны, были отнесены к очень ранней стадии. Набор данных содержал 15 360 небольших изображений, вырезанных из 240 полевых снимков. Точность на 2,000 тестовых изображениях составила 73.9% для всех полос и 79.0% для шести выбранных полос в диапазоне от 492 до 765 нм.
В будние дни. Отписаться можно одним щелчком мыши.
Из лаборатории в поле
Исследование 2021 в Точное земледелие С. Аппельтанс, Дж. Г. Питерс и А. М. Муазен создали библиотеку из 8,585 спектров, полученных с отделенных листьев, помеченных как здоровые или находящиеся на пяти стадиях заболевания. Первая модель достигла точности 94.1% на лабораторных данных, но не сработала в полевых условиях. После того, как команда изменила обработку данных, точность в лабораторных условиях упала до 80.8%, но затем модель стала обнаруживать симптомы в полевых условиях. Ее полевые прогнозы совпали с визуальной оценкой с коэффициентом детерминации R² = 0.985.
Также тестируются более простые мультиспектральные камеры на дронах. Исследование 2021 года показало, что... Компьютеры и электроника в сельском хозяйстве Сравнив пять методов машинного обучения, исследователи обнаружили, что линейная поддержка vector А классификаторы на основе случайного леса лучше всего подходили для картирования зон поражения фитофторозом с минимальным участием человека.
Почему это важно
Исследования показывают, что камеры могут очень точно отображать видимые очаги фитофтороза. При принятии решений о применении пестицидов более важной задачей является обнаружение заболевания до появления пятен, и в полевых условиях точность этих действий по-прежнему составляет около 74–79%.
На данный момент эта технология может поддерживать разведку и помогать в проведении целенаправленных полевых проверок, но она пока не заменяет прогнозирование заболеваний и осмотр посевов.
Фото: Лист картофеля, пораженный фитофторозом (Phytophthora infestans) (иллюстративный пример). Бьорн Андерссон (SLU) / Wikimedia Commons, CC BY-SA 4.0
