Аннотация:Количественная объективная оценка различных признаков растений занимает центральное место в современных методах диагностики состояния природных и искусственных сообществ (агроэкосистем). Этот подход, получивший название «фенотипирование», используется и в ускоренной селекции культурных растений для повышения их продуктивности и устойчивости к стрессам [1-3]. Методы фенотипирования растений также интегрированы в передовые практики точного земледелия (smart farming). Необходимость быстрого скрининга растений на обширных территориях, многочисленных родительских форм и гибридов на опытных делянках, в полях и садах обусловила создание автоматизированных, неинвазивных экспресс-методов массового или высокопроизводительного фенотипирования растений [2]. На начальных этапах для фенотипирования использовали методологию дистанционного зондирования. Она предусматривает регистрацию информации о растительности регистрируется сенсорами на спутниковых и авиационных платформах, с относительно далёкого расстояния — от сотен километров до сотен метров. В настоящее время наблюдается взрывное распространение технологий мониторинга информации для фенотипирования растений на сравнительно небольших расстояниях — от нескольких сантиметров до нескольких метров, в совокупности называемых «проксимальным зондированием» (proximal sensing). Традиционно для дистанционного и проксимального зондирования использовали регистрацию и анализ отражённого растениями света (анализ спектров отражения) [3-7]. В зависимости от спектрального разрешения (числа доступных спектральных каналов) выделяют мульти- и гиперспектральные подходы. Анализ гиперспектральных изображений, основанных на пространственно-разрешённой визуализации спектров отражения растений даёт огромное количество структурной, биохимической и фенологической информации о диких и культурных растениях [3,5,7]. Появление недорогих гиперспектрометров сделало этот метод доступным для широкого сообщества ученых и практиков (растениеводов и селекционеров). Наряду с анализом отражённых сигналов, быстро набирает популярность функциональная диагностика растений и сообществ, основанной на визуализации амплитудно-кинетических параметров флуоресценции хлорофилла a, индуцированной солнечным светом (solar-induced fluorescence, SIF). В последнее время возможности проксимального зондирования растений резко расширились благодаря использованию новых математических методов анализа процессов и изображений с применением искусственных нейронных сетей (методов машинного обучения, ML). Более того, всё чаще ML-анализ изображений выдвигаются в качестве необходимой и достаточной методологической основы для проксимального зондирования растений. При этом данные подходы нередко теряют связь с физиолого-биохимическими и фенологическими процессами исследуемого объекта (растения). Однако более эффективным представляется сбалансированный подход, сочетающий спектральный анализ отражённого сигнала либо эмиссии флуоресценции с морфологическим анализом структур растений методом ML. Очевидно, что извлечение информации из гиперспектральных изображений, равно как и оптимизация MLалгоритмов для их анализа, остается сложной задачей. В докладе сопоставляются преимущества и ограничения вышеупомянутых методологий проксимального зондирования и предлагается стратегия выбора оптимального подхода. В качестве примеров приводится использованием спектральных индексов, включая новых подходов, основанных на дистанционно измеренных коэффициентов отражения. Рассматривается извлечение количественной информации о развитии растений (старение, созревание, смена фенофаз), их биохимическом составе (содержание первичных и вторичных каротиноидов, антоцианов и хлорофиллов) из гиперспектральных изображений, полученных в условиях окружающей среды в полевых условиях и в контролируемых условиях в лаборатории. На основании собственных и опубликованных в литературе данных сделано заключение о том, что «синтетический» подход обогатил к проксимальному зондированию и фенотипированию растений даёт исследователям более разностороннюю, а значит и более ценную информацию о физиологическом состоянии растений, состоянии акклиматизации к стрессу и прогрессировании развития растений. Литература [1] Demidchik et al. 2020. Plant Phenomics: Fundamental Bases, Software and Hardware Platforms, and Machine Learning. Russ J Plant Physiol 67:397-412 [2] Watt et al. Phenotyping: New Windows into the Plant for Breeders. Annu Rev Plant Biol 2020. 71:15.1–15.24 [3] Solovchenko et al. Extraction of Quantitative Information from Hyperspectral Reflectance Images for Noninvasive Plant Phenotyping. Russ J Plant Physiol. 2022. In press. DOI: 10.20944/preprints202112.0325.v1 [3] Shurygin et al. 2021. Comparison of the non-invasive monitoring of fresh-cut lettuce condition with imaging reflectance hyperspectrometer and imaging PAM-fluorimeter. Photonics. 8:425. DOI: 10.3390/photonics8100425