Создание гибридных систем анализа гиперспектральных данных и RGB-изображений для ранней диагностики у зерновых культур

Аннотация

Статья посвящена разработке и валидации гибридной системы ранней диагностики стрессовых состояний зерновых культур на основе слияния гиперспектральных данных и RGB-изображений. Целью являлось количественно оценить вклад каждой модальности и показать, что их интеграция повышает точность и робастность выявления довизуальных признаков стресса. Материалы и методы: полевые эксперименты 2023-2024 годов на озимой пшенице (Triticum aestivum L., сорт Московская 40 ) под тремя воздействиями – дефицит азота, септориоз (Septoria tritici) и комбинированный стресс – с дистанционным зондированием БПЛА DJI Matrice 300 RTK. Сбор данных включал push-broom сенсор Headwall Nano Hyperspec (400-1000 нм, 2,2 нм, ~270 каналов, ~5 см/пкс) и RGB-камеру Zenmuse P1 (45 Мп, ~1,5 см/пкс); выполнены радиометрическая/атмосферная коррекции HSI, цветовая калибровка RGB и ортотрансформация. Извлекались вегетационные индексы (NDVI, PRI, ChlI и др.), проводились PCA/MNF для снижения размерности; из RGB получены признаки цвета (HSV, Lab) и текстуры (GLCM). Сравнены SVM (RBF), Random Forest и 3D-CNN; исследованы раннее (feature-level) и позднее (decision-level) слияние. Результаты: одиночные индексы HSI превосходят RGB-признаки на ранних стадиях; ChlI дал 84,11% точности против ≤70% для лучших RGB-признаков. Для одномодальных моделей HSI-3D-CNN достигла 92,46% (κ=0,903), опережая SVM/RF, однако при высокой вычислительной цене; RGB-модели уступали на 16-18 п.п. Гибридная архитектура с ранним слиянием признаков и CNN обеспечила 96,33% общей точности и F1=0,959, что на 3,87 п.п. выше лучшей HSI-модели и на 20,52 п.п. выше RGB. Валидация по наземным биохимическим измерениям показала сильные корреляции: r=0,917 (азотное голодание), r=0,884 (септориоз), r=0,945 (контроль), подтверждая физиологическую релевантность предсказаний. Вывод: синергетическое слияние HSI и RGB позволяет надёжно выявлять довизуальные стрессовые изменения, обеспечивая прирост точности при приемлемом компромиссе по вычислительным затратам и открывая путь к внедрению в системы точного земледелия и поддержку дифференцированных агротехнологических решений.