Печать

PDF Скачать статью в pdf.

DOI: 10.15507/2658-4123.035.202504.678-699

EDN: https://elibrary.ru/mdwymg

УДК 004.89:547.979.7

 

Оценка содержания хлорофилла по оптической плотности листьев растений с использованием машинного обучения

 

Ракутько Сергей Анатольевич
доктор технических наук, доцент, главный научный сотрудник отдела агроэкологии в животноводстве Института агроинженерных и экологических проблем сельскохозяйственного производства – филиала ФГБНУ ФНАЦ ВИМ (196634, Российская Федерация, г. Санкт-Петербург, п. Тярлево, Фильтровское ш., д. 3), ORCID: https://orcid.org/0000-0002-2454-4534, Researcher ID: B-2745-2014, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Ракутько Елена Николаевна
научный сотрудник отдела агроэкологии в животноводстве Института агроинженерных и экологических проблем сельскохозяйственного производства – филиала ФГБНУ ФНАЦ ВИМ (196634, Российская Федерация, г. Санкт-Петербург, п. Тярлево, Фильтровское ш., д. 3), ORCID: https://orcid.org/0000-0002-3536-9639, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Су Цзянь
кандидат технических наук, старший инженер Исследовательского института оборудования для сельского хозяйства Академии сельскохозяйственных наук Синьцзян-Уйгурского автономного района (830091, Китайская Народная Республика, г. Урумчи, ул. Наньчаннан, 291), ORCID: https://orcid.org/0000-0001-5120-3623, SPIN-код: 6210-611, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Аннотация
Введение. Хлорофилл играет важную роль в абсорбции и трансформации световой энергии в химическую и обеспечивает производство органического вещества в растениях. Мониторинг содержания хлорофилла позволяет оценить взаимодействие растений с окружающей средой, степень влияния стресс-факторов, что важно для управления урожаем. Традиционные лабораторные методы анализа подразумевают разрушение образца, требуют много времени и не подходят для быстрых полевых оценок. Более удобным для этих целей представляется применение недорогих, портативных приборов.
Цель исследования. Разработать структуру искусственной нейронной сети и ее машинное обучение для предсказания содержания хлорофилла в листьях растений по их оптической плотности в отдельных диапазонах видимого спектра.
Материалы и методы. Датасет для искусственной нейронной сети формировали из экспериментальных данных, полученных с помощью денситометра ДП-1М и хлорофиллметра CCM-200. Измерения проводили для листьев растений салата, перца, томата, кабачка в различных возрастных состояниях и при различных параметрах световой среды. Обучение искусственной нейронной сети проводилось в среде Google Colab с последующей адаптацией модели для использования в микроконтроллерном устройстве – листовом фотоколориметре.
Результаты исследования. В сформированном датасете размером 1 000 записей оптическая плотность листьев варьируется в красной области от 0,57 до 2,54, зеленой – от 0,9 до 1,66, синей – от 1,09 до 3,53 отн. ед. Соответственно этим комбинациям содержание хлорофилла меняется от 3,1 до 156,5 отн. ед. Наиболее точной из шести различных структур сети, отличающихся количеством нейронов в скрытых слоях, оказалась структура «32:32», обеспечивающая низкий уровень средней абсолютной ошибки MAE = 6,64 отн. ед., среднюю ошибку предсказаний MAPE = 16,34 % и высокий коэффициент детерминации R² = 0,8886. Для упрощения модели и экономии ресурсов микроконтроллера была выбрана структура «4:4». Она позволила сохранить невысокий уровень MAE = 6,83 %, MAPE = 16,86 % при R² = 0,8808 и значительно меньшем объеме используемых ресурсов – 41 весовой параметр и 164 байта памяти. Сравнительная оценка с классическими алгоритмами машинного обучения показала превосходство разработанной модели по всем метрикам.
Обсуждение и заключение. Для практического использования обученная искусственная нейронная сеть перенесена в микроконтроллер разработанного ранее листового фотоколориметра, имеющего все необходимые аппаратные средства для измерения оптической плотности листа в отдельных спектральных диапазонах. Разработанная модель позволяет реализовать неразрушающий и оперативный контроль состояния растений, что особенно важно в системах точного земледелия. Разработка имеет большой потенциал для практического применения в системах экологического мониторинга и поддержки принятия решений в сельском хозяйстве. Результаты исследования подтверждают целесообразность использования машинного обучения для повышения эффективности методов оценки состояния растений и формирования цифровых решений в агротехнологиях.

Ключевые слова: светокультура, лист растения, содержание хлорофилла, оптическая плотность, искусственная нейронная сеть, машинное обучение

Финансирование: работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации в рамках Государственного задания ФГБНУ ФНАЦ ВИМ (тема № FGUN-2025-0010 «Разработать энерго-ресурсосберегающие машинные технологии и цифровые системы мониторинга и управления для экологически безопасного производства сельскохозяйственной продукции», в части создания прототипа цифрового средства для экологического мониторинга), 2025 г.

Благодарности: авторы благодарят своих коллег: старшего научного сотрудника А. П. Мишанова за кропотливую работу по созданию условий для роста растений и помощь в проведении первичных измерений; кандидата сельскохозяйственных наук А. Е. Маркову за подготовку экспериментального материала, а также рецензентов за их вклад в экспертную оценку работы.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Для цитирования: Ракутько С.А., Ракутько Е.Н., Су Ц. Оценка содержания хлорофилла по оптической плотности листьев растений с использованием машинного обучения. Инженерные технологии и системы. 2025;35(4):678–699. https://doi.org/10.15507/2658-4123.035.202504.678-699

Вклад авторов:
С. А. Ракутько – формулирование замысла исследования, целей и задач; cоздание и подготовка рукописи: визуализация результатов исследования и полученных данных.
Е. Н. Ракутько – применение статистических, математических, вычислительных и других формальных методов для анализа или синтеза данных исследования; осуществление научно-исследовательского процесса, включая выполнение экспериментов и сбор данных.
Ц. Су – написание программного кода и реализация вспомогательных алгоритмов; создание и подготовка рукописи: написание черновика рукописи, включая его перевод на иностранный язык.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила в редакцию 17.06.25;
поступила после рецензирования 25.09.2025;
принята к публикации 08.10.2025

 

СПИСОК ЛИТЕРАТУРЫ

  1. Qiao L., Tang W., Gao D., Zhao R., An L., Li M. и др. UAV-Based Chlorophyll Content Estimation by Evaluating Vegetation Index Responses Under Different Crop Coverages. Computers and Electronics in Agriculture. 2022;196:106775. https://doi.org/10.1016/j.compag.2022.106775
  2. Урбанович Е.А., Афонников Д.А., Николаев С.В. Определение количественного содержания хлорофиллов в листьях по спектрам отражения алгоритмом случайного леса. Вавиловский журнал генетики и селекции. 2021;25(1):64–70. https://doi.org/10.18699/VJ21.008
  3. Gao C., Li H., Wang J., Zhang X., Huang K., Song X. и др. Combined Use of Spectral Resampling and Machine Learning Algorithms to Estimate Soybean Leaf Chlorophyll. Computers and Electronics in Agriculture. 2024;108675. https://doi.org/10.1016/j.compag.2024.108675
  4. Angel Y., McCabe M.F. Machine Learning Strategies for the Retrieval of Leaf-Chlorophyll Dynamics: Model Choice, Sequential Versus Retraining Learning, and Hyperspectral Predictors. Frontiers in Plant Science. 2022;13:722442. https://doi.org/10.3389/fpls.2022.722442
  5. Ерошенко Ф.В., Лапенко Н.Г., Сторчак И.Г., Бильдиева Е.А., Костицын Р.Д., Старостина М.А. Оценка природных растительных сообществ с использованием данных дистанционного зондирования Земли в условиях степей Ставропольского края. Инженерные технологии и системы. 2022;32(3):390–409. https://doi.org/10.15507/2658-4123.032.202203.390-409
  6. Zhang Y., Hui J., Qin Q., Sun Y., Zhang T., Sun H. и др. Transfer-learning-based Approach for Leaf Chlorophyll Content Estimation of Winter Wheat from Hyperspectral Data. Remote Sensing of Environment. 2021;267:112724. https://doi.org/10.1016/j.rse.2021.112724
  7. Ta N., Chang Q., Zhang Y. Estimation of Apple Tree Leaf Chlorophyll Content Based on Machine Learning Methods. Remote Sensing. 2021;13(19):3902. https://doi.org/10.3390/rs13193902
  8. Li D., Hu Q., Ruan S., Liu J., Zhang J., Hu C. и др. Utilizing Hyperspectral Reflectance and Machine Learning Algorithms for Non-Destructive Estimation of Chlorophyll Content in Citrus Leaves. Remote Sensing. 2023;15(20):4934. https://doi.org/10.3390/rs15204934
  9. Nofrizal A.Y., Sonobe R., Yamashita H., Ikka T., Morita A. Estimation of Chlorophyll Content in Radish Leaves Using Hyperspectral Remote Sensing Data and Machine Learning Algorithms. In: Proceedings Remote Sensing for Agriculture, Ecosystems, and Hydrology XXIII. 2021;1185609. https://doi.org/10.1117/12.2600072
  10. Zhu W., Sun Z., Yang T., Li J., Peng J., Zhu K. и др. Estimating Leaf Chlorophyll Content of Crops via Optimal Unmanned Aerial Vehicle Hyperspectral Data at Multi-Scales. Computers and Electronics in Agriculture. 2020;178:105786. https://doi.org/10.1016/j.compag.2020.105786
  11. Yu R., Zhu X., Cao S., Xiong J., Wen X., Jiang Y. и др. Оценка содержания хлорофилла в листьях яблонь на основе гиперспектральных изображений. Журнал прикладной спектрологии. 2019;86(3): 425–432. URL: https://zhps.ejournal.by/jour/article/view/581 (дата обращения: 15.02.2022).
  12. Narmilan A., Gonzalez F., Salgadoe A.S.A., Kumarasiri U.W.L.M., Weerasinghe H.A.S., Kulasekara B.R. Predicting Canopy Chlorophyll Content in Sugarcane Crops Using Machine Learning Algorithms and Spectral Vegetation Indices Derived from UAV Multispectral Imagery. Remote Sensing. 2022;14(5):1140. https://doi.org/10.3390/rs14051140
  13. Zhang H., Ge Y., Xie X., Atefi A., Wijewardane N. K., Suresh T. High Throughput Analysis of Leaf Chlorophyll Content in Sorghum Using RGB, Hyperspectral, and Fluorescence Imaging and Sensor Fusion. Plant Methods. 2022;18:60. https://doi.org/10.1186/s13007-022-00892-0
  14. Nagy A., Szabo A., Elbeltagi A., Nxumalo G.S., Bodi E.B., Tamas J. Hyperspectral Indices Data Fusion-Based Machine Learning Enhanced by MRMR Algorithm for Estimating Maize Chlorophyll Content. Frontiers in Plant Science. 2024;15:1419316. https://doi.org/10.3389/fpls.2024.1419316
  15. Чернышев Д.Н., Клочкова В.С., Лелеков А.С. Моделирование спектра поглощения культуры Phaeodactylum Tricornutum Bohlin в красной области. Вопросы современной альгологии. 2023;1(31):19–27. https://doi.org/10.33624/2311-0147-2023-1(31)-19-27
  16. Абдурахимов А.А., Пономарев К.О., Прохошин А.С. Интеграция методов машинного обучения для раннего обнаружения патогенов в растениях на основе анализа хлорофилла. Проблемы вычислительной и прикладной математики. 2024 (5):107–114. URL: https://journals.airi.uz/index.php/pvpm/article/view/79/77 (дата обращения: 24.02.2025).
  17. Novichonok E.V., Novichonok A.O., Kurbatova J.А., Markovskaya E.F. Use of the atLEAF+ Chlorophyll Meter for a Nondestructive Estimate of Chlorophyll Content. Photosynthetica. 2016;54(1):130–137. https://doi.org/10.1007/s11099-015-0172-8
  18. Xavier W.D., Castoldi G., Cavalcante T.J., Rodrigues C.R., Trindade P.R., Luiz I.A. и др. Portable Chlorophyll Meter for Indirect Evaluation of Photosynthetic Pigments and Nitrogen Content in Sweet Sorghum. Sugar Tech. 2021;23:560–570. https://doi.org/10.1007/s12355-020-00922-y
  19. Ракутько С.А., Ракутько Е.Н., Мишанов А.П. Влияние параметров световой среды на содержание хлорофилла в листьях рассады томата и их оптические свойства. Известия Санкт-Петербургского государственного аграрного университета. 2020;60:67–74. URL: https://spbgau.ru/life/newspaper/zhurnal-izvestiya/?SECTION_CODE=zhurnal-izvestiya&PAGEN_1=2# (дата обращения: 22.02.2025).
  20. Ракутько С.А., Мишанов А.П., Ракутько Е.Н., Маркова А.Е. Дисперсионный анализ биометрических показателей и содержания хлорофилла в листьях рассады томата, выращиваемой в различных условиях световой среды. Технологии и технические средства механизированного производства продукции растениеводства и животноводства. 2020;(2):30–44. URL: https://agroecoengineering.sznii.ru/ru/arkhiv-zhurnala.html (дата обращения: 17.02.2025).
  21. Панарин В.М., Гришаков К.В., Маслова А.А., Гришакова О.В., Архипов А.В. Применение искусственных нейронных сетей в инженерно-технических и экологических разработках. Известия Тульского государственного университета. Технические науки. 2022;(4):278–284. URL: https://tidings.tsu.tula.ru/tidings/pdf/web/preview_therest_ru.php?x=tsu_izv_technical_sciences_2022_04_a&year=2022 (дата обращения: 24.02.2025).
  22. Кутырев А.И., Филиппов Р.А. Применение сверточной нейронной сети для мониторинга состояния земляники садовой. Аграрная наука Евро-Северо-Востока. 2023;24(4):685–696. https://doi.org/10.30766/2072-9081.2023.24.4.685-696
  23. Черепенин В.А., Кацупеев А.А. Анализ подходов к созданию системы «Умная теплица» на основе нейронной сети. Программные системы и вычислительные методы. 2024;(1):68–78. https://doi.org/10.7256/2454-0714.2024.1.69794
  24. Смирнов А.В., Тищенко И.П. Применение Сиамских нейронных сетей для классификации биомассы растений по визуальному состоянию. Программные системы: теория и приложения. 2024;15(3):53–74. https://doi.org/10.25209/2079-3316-2024-15-3-53-74
  25. Воробьев Н.И., Лысов А.К., Корнилов Т.В., Хютти А.В. Вычислительная нейросеть для обработки светоотражательных спектров растений и дистанционного фитосанитарного мониторинга картофеля. Аграрная наука Евро-Северо-Востока. 2024;25(2):283–292. https://doi.org/10.30766/2072-9081.2024.25.2.283-292
  26. Ракутько С.А. Становление и развитие энергоэкологии светокультуры как нового научного направления в институте агроинженерных и экологических проблем. Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2024;(2):331–346. https://doi.org/10.32786/2071-9485-2024-02-40
  27. Ракутько С.А., Ракутько Е.Н., Васькин А.Н., Горбатенко Н.А., Забодаев Д.П., Яковенко Н.И. Применение измерителя CCM-200 для оперативного определения содержания хлорофилла в листьях растений светокультуры. Технологии и технические средства механизированного производства продукции растениеводства и животноводства. 2017;(92):18–25. https://www.elibrary.ru/zmeaoj
  28. Ракутько Е.Н., Ракутько С.А. Методика измерения оптической плотности листьев растений с применением денситометра ДП-1М. Технологии и технические средства механизированного производства продукции растениеводства и животноводства. 2018;(94):23–35. https://doi.org/10.24411/0131-5226-2018-10003
  29. Ракутько С.А., Ракутько Е.Н., Васькин А.Н. Листовой фотоколориметр – устройство для измерения оптических свойств листьев растений. Инновации в сельском хозяйстве. 2020;(1):15–24. https://www.elibrary.ru/aaxvrv

 

 

Лицензия Creative Commons
Контент доступен под лицензией Creative Commons Attribution 4.0 License.

Подробности
Просмотров: 6