izvestiiatimacadИзвестия Тимирязевской сельскохозяйственной академииIZVESTIYA OF TIMIRYAZEV AGRICULTURAL ACADEMY0021-342XФГБОУ ВО РГАУ-МСХА имени К.А. Тимирязева10.26897/0021-342X-2026-2-67-83izvestiiatimacad-1234Research ArticleГЕНЕТИКА, БИОТЕХНОЛОГИЯ, СЕЛЕКЦИЯ И СЕМЕНОВОДСТВОGENETICS, BIOTECHNOLOGY, BREEDING AND SEED PRODUCTIONНормализованные спектральные индексы эпидермиса семян как предиктор прорастания средозащитных культур в технологии адаптивного растениеводстваNormalized spectral indices of seed coat as a predictor of germination in shelterbelt crops for adaptive farming technologyhttps://orcid.org/0000-0003-1230-0433НовиковА. И.NovikovA. I.

Новиков Артур Игоревич, д-р техн. наук, профессор РАН, ведущий научный сотрудник отдела 140 – управления агротехнологиями и агромониторинга

195220, г. Санкт-Петербург, Гражданский пр., 14

Arthur I. Novikov, DSc (Eng), Professor of the Russian Academy of Sciences, Leading Research Associate at the Department of Agricultural Technologies and Agromonitoring Management

14 Grazhdanskiy Ave., Saint Petersburg, 195220

nvatdo@gmail.comhttps://orcid.org/0000-0002-8939-942XЛебедевА. В.LebedevA. V.

Лебедев Александр Вячеславович, д-р с.-х. наук, доцент, доцент кафедры землеустройства и лесоводства

127434, г. Москва, ул. Тимирязевская, 49

Aleksandr V. Lebedev, DSc (Ag), Associate Professor, Associate Professor at the Department of Land Management and Forestry

49 Timiryazevskaya St., Moscow, 127434

alebedev@rgau-msha.ruhttps://orcid.org/0000-0003-1279-3960НовиковаТ. П.NovikovaT. P.

Новикова Татьяна Петровна, канд. техн. наук, доцент, старший научный сотрудник

194021, г. Санкт-Петербург, Институтский переулок, 5, корп. 1

Tatyana P. Novikova, CSc (Eng), Associate Professor, Senior Research Associate

5, Bldg. 1, Institutskiy Ln., Saint Petersburg, 194021

novikova_tp.vglta@mail.ruАгрофизический научно-исследовательский институтРоссияAgrophysical Research InstituteRussian FederationРоссийский государственный аграрный университет – МСХА имени К.А. ТимирязеваРоссияRussian State Agrarian University – Moscow Timiryazev Agricultural AcademyRussian FederationСанкт-Петербургский государственный лесотехнический университет имени С.М. КироваРоссияSaint-Petersburg State Forest Technical University named after S.M. KirovRussian Federation202621052026026783Copyright © Новиков А.И., Лебедев А.В., Новикова Т.П., 20262026Новиков А.И., Лебедев А.В., Новикова Т.П.Novikov A.I., Lebedev A.V., Novikova T.P.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://izvestiia.timacad.ru/jour/article/view/1234

В условиях адаптивного растениеводства, ориентированного на устойчивость к стрессорам и ресурсоэффективность, предпосевная оценка качества семян средозащитных культур приобретает критическое значение. Исследования посвящены оценке предиктивного потенциала нормализованных спектральных индексов семенного покрова (эпидермиса) в RGB-пространстве для прогнозирования лабораторно-контейнерной всхожести на примере селекционной формы сосны обыкновенной (Pinus sylvestris L. cv. Negorelskaya), используемой в защитном лесоразведении. Проанализированы 7 нормализованных индексов, минимизирующих влияние общей яркости: [(R-G-B)/(R+G)]², [(R-B)/(R+B)]², [(G-B)/(G+B)]², [(G-R)/(G+R)]², [(R+G-B)/(R+G+B)]², [(R+B-G)/(R+G+B)]², [(G+B-R)/(R+G+B)]². Для более 1000 индивидуальных семян получены сканерные изображения и оценена контейнерная всхожесть на 50-й день. Установлены статистически значимые различия (p < 0,0001-0,0165) распределений всех индексов между группами с нулевой и ненулевой всхожестью. Выявлены устойчивые спектральные паттерны, ассоциированные с низким потенциалом прорастания: повышенное относительное отражение в красном и зеленом каналах по сравнению с синим, и пониженное – в синем канале относительно красного и зеленого. Результаты демонстрируют возможность интеграции простых, недорогих спектральных маркеров, основанных на RGB-сканировании, в технологические паспорта семян. Такой подход обеспечивает неразрушающий отбор жизнеспособного семенного материала с предсказуемыми свойствами, что является ключевым элементом концепции «целевого растения» для формирования адаптивных, стресс-толерантных полезащитных лесных полос.

In adaptive farming, focused on stress tolerance and resource efficiency, pre-sowing seed quality assessment of shelterbelt crops is critical. The study evaluates the predictive potential of normalized spectral indices of the seed coat (epidermis) in the RGB space for forecasting laboratory-container germination. The research uses as an example a breeding form of Scots pine (Pinus sylvestris L. cv. Negorelskaya), which is used in protective afforestation. Seven normalized indices minimizing the influence of overall brightness were analyzed: [(R-G-B)/(R+G)]², [(R-B)/(R+B)]², [(G-B)/(G+B)]², [(G-R)/(G+R)]², [(R+G-B)/(R+G+B)]², [(R+B-G)/(R+G+B)]², [(G+B-R)/(R+G+B)]². Scanner images were obtained for more than 1 000 individual seeds, and container germination was assessed on the 50th day. Statistically significant differences (p<0.0001-0.0165) in the distributions of all indices were established between zero- and non-zero-germination groups. Stable spectral patterns associated with low germination potential were identified: increased relative reflectance in the red and green channels compared to the blue channel and decreased reflectance in the blue channel relative to the red and green ones. The findings demonstrate the possibility of integrating simple, low-cost spectral markers based on RGB scanning into seed technology passports. This approach enables non-destructive selection of viable seed material with predictable properties. It is a key element of the “Target Plant” concept for establishing adaptive, stress-tolerant forest shelterbelts.

адаптивное растениеводствосредозащитные лесные полосынормализованные спектральные индексыRGB-сканированиеэпидермис семенинеразрушающий контроль семянцелевое растениеPinus sylvestris L.adaptive farmingforest shelterbeltsnormalized spectral indicesRGB scanningseed coatnon-destructive seed testingtarget plantPinus sylvestris L.Исследования выполнены в рамках гранта Санкт-Петербургского научного фонда, № 25-РБ-06-15.The research was funded by the Saint Peterburg Science Foundation, grant No. 25-РБ-06-15.ReferencesЖученко А.А. Адаптивное растениеводство. М.: Колос, 2009. 520 с.Zhuchenko A.A. Adaptive plant growing. Moscow, Russia: Kolos, 2009:520. (In Russ.)Николаев М.В. Климатические изменения и ведение полеводства в зоне осушаемых земель Европейского Нечерноземья России: уязвимость и адаптация // Сельскохозяйственная биология. 2023. Т. 58, № 1. С. 60-74. https://doi.org/10.15389/agrobiology.2023.1.60rusNikolaev M.V. The impact of climate change on crop farming in the drained lands of the European Nonchernozem region of Russia: vulnerability and adaptation assessment. Agricultural Biology. 2023;58(1):60-74. (In Russ.) https://doi.org/10.15389/agrobiology.2023.1.60rusНейфельд В.В., Кадомцева М.Н. Механизмы адаптации растениеводства регионов ПФО к последствиям глобальных климатических изменений // Аграрный научный журнал. 2022. № 4. С. 37-43. https://doi.org/10.28983/asj.y2022i4pp37-43Neufeld V.V., Kadomtseva M.E. Mechanisms of adaptation of crop production in the regions of the Volga Federal District to the consequences of global climate change. The Agrarian Science Journal. 2022;(4):37-43. (In Russ.) https://doi.org/10.28983/asj.y2022i4pp37-43Ивонин В.М., Воскобойникова И.В. Ландшафтная агролесомелиорация // Мелиорация и гидротехника. 2021. Т. 11, № 3. С. 54-77. https://doi.org/10.31774/2712-9357-2021-11-3-54-77Ivonin M.V., Voskoboynikova I.V. Landscape agroforestry reclamation. Land Reclamation and Hydraulic Engineering. 2021;11(3):54-77. (In Russ.) https://doi.org/10.31774/2712-9357-2021-11-3-54-77Примаков Н.В., Танюкевич В.В. Лесохозяйственные мероприятия в полезащитных лесных полосах Краснодарского края // Известия высших учебных заведений. Лесной журнал. 2024. № 4 (400). С. 185-192. https://doi.org/10.37482/0536-1036-2024-4-185-192Primakov N.V., Tanyukevich V.V. Forestry measures in shelterbelts of the Krasnodar Territory. Russian Forestry Journal. 2024;(4(400)):185-192. (In Russ.) https://doi.org/10.37482/0536-1036-2024-4-185-192Дубенок Н.Н., Кузьмичев В.В., Лебедев А.В. Анализ экологических функций древостоев березы и дуба в условиях урбанизированной среды по материалам долгосрочных наблюдений // Российская сельскохозяйственная наука. 2018. № 5. С. 29-31. https://doi.org/10.31857/S250026270000632-0Dubenok N.N., Kuzmichev V.V., Lebedev A.V. Analysis of ecological functions of birch and oak stands in conditions of an urbanized environment based on the materials of long-term observations. Rossiiskaia selskokhoziaistvennaia nauka. 2018;(5):29-31. (In Russ.) https://doi.org/10.31857/S250026270000632-0Novikova T.P., Tylek P., Mastrangelo C.B., Drapalyuk M.V. et al. The root collar diameter growth reveals a strong relationship with the height growth of juvenile Scots pine trees from seeds differentiated by spectrometric feature. Forests. 2023;14(6):1164. https://doi.org/10.3390/f14061164Novikova T.P., Tylek P., Mastrangelo C.B., Drapalyuk M.V. et al. The root collar diameter growth reveals a strong relationship with the height growth of juvenile Scots pine trees from seeds differentiated by spectrometric feature. Forests. 2023;14(6):1164. https://doi.org/10.3390/f14061164Новикова Т.П., Новиков А.И., Петрищев Е.П. Справочная информационная система FLR-Library для адаптивного лесовосстановления: кластерный анализ дескрипторов // Лесотехнический журнал. 2023. Т. 13, № 3 (51). С. 164-179. https://doi.org/10.34220/issn.2222-7962/2023.3/12Novikova T.P., Novikov A.I., Petrishchev E.P. FLR-library reference information system for adaptive forest restoration: cluster analysis of descriptors. Forestry Engineering Journal. 2023;(3(51)):164-179. (In Russ.) https://doi.org/10.34220/issn.2222-7962/2023.3/12ElMasry G., ElGamal R., Mandour N., Gou P. et al. Emerging thermal imaging techniques for seed quality evaluation: Principles and applications. Food Research International. 2020;131:109025. https://doi.org/10.1016/j.foodres.2020.109025ElMasry G., ElGamal R., Mandour N., Gou P. et al. Emerging thermal imaging techniques for seed quality evaluation: Principles and applications. Food Research International. 2020;131:109025. https://doi.org/10.1016/j.foodres.2020.109025Xia Y., Xu Y., Li J., Zhang C. et al. Recent advances in emerging techniques for non-destructive detection of seed viability: A review. Artificial Intelligence in Agriculture. 2019;1: 35-47. https://doi.org/10.1016/j.aiia.2019.05.001Xia Y., Xu Y., Li J., Zhang C. et al. Recent advances in emerging techniques for non-destructive detection of seed viability: A review. Artificial Intelligence in Agriculture. 2019;1: 35-47. https://doi.org/10.1016/j.aiia.2019.05.001ElMasry G., Mandour N., Al-Rejaie S., Belin E. et al. Recent Applications of Multispectral Imaging in Seed Phenotyping and Quality Monitoring – An Overview. Sensors. 2019;19:1090. https://doi.org/10.3390/s19051090ElMasry G., Mandour N., Al-Rejaie S., Belin E. et al. Recent Applications of Multispectral Imaging in Seed Phenotyping and Quality Monitoring – An Overview. Sensors. 2019;19:1090. https://doi.org/10.3390/s19051090ElMasry G., Mandour N., Wagner M.-H., Demilly D. et al. Utilization of computer vision and multispectral imaging techniques for classification of cowpea (Vigna unguiculata) seeds. Plant Methods. 2019;15:24. https://doi.org/10.1186/s13007-019-0411-2ElMasry G., Mandour N., Wagner M.-H., Demilly D. et al. Utilization of computer vision and multispectral imaging techniques for classification of cowpea (Vigna unguiculata) seeds. Plant Methods. 2019;15:24. https://doi.org/10.1186/s13007-019-0411-2Loddo A., Di Ruberto C. On the efficacy of handcrafted and deep features for seed image classification. Journal of Imaging. 2021;7:171. https://doi.org/10.3390/jimaging7090171Loddo A., Di Ruberto C. On the efficacy of handcrafted and deep features for seed image classification. Journal of Imaging. 2021;7:171. https://doi.org/10.3390/jimaging7090171Bernardes R.K., De Medeiros A., da Silva L., Cantoni L. et al. Deep-Learning Approach for Fusarium Head Blight Detection in Wheat Seeds Using Low-Cost Imaging Technology. Agriculture. 2022;12:1801. https://doi.org/10.3390/agriculture12111801Bernardes R.K., De Medeiros A., da Silva L., Cantoni L. et al. Deep-Learning Approach for Fusarium Head Blight Detection in Wheat Seeds Using Low-Cost Imaging Technology. Agriculture. 2022;12:1801. https://doi.org/10.3390/agriculture12111801Nehoshtan Y., Carmon E., Yaniv O. Robust seed germination prediction using deep learning and RGB image data. Scientific Reports. 2021;11:17126. https://doi.org/10.1038/s41598-021-01712-6Nehoshtan Y., Carmon E., Yaniv O. Robust seed germination prediction using deep learning and RGB image data. Scientific Reports. 2021;11:17126. https://doi.org/10.1038/s41598-021-01712-6Reddy P., Panozzo J., Guthridge K.M. Single Seed Near-Infrared Hyperspectral Imaging for Classification of Perennial Ryegrass Seed. Sensors. 2023;23:1820. https://doi.org/10.3390/s23041820Reddy P., Panozzo J., Guthridge K.M. Single Seed Near-Infrared Hyperspectral Imaging for Classification of Perennial Ryegrass Seed. Sensors. 2023;23:1820. https://doi.org/10.3390/s23041820Chen C., Bai M., Wang T. An RGB image dataset for seed germination prediction and vigor detection – maize. Frontiers in Plant Science. 2024;15:1341335. https://doi.org/10.3389/fpls.2024.1341335Chen C., Bai M., Wang T. An RGB image dataset for seed germination prediction and vigor detection – maize. Frontiers in Plant Science. 2024;15:1341335. https://doi.org/10.3389/fpls.2024.1341335Li J., Xu F., Song S. Hyperspectral RGB Imaging Combined with Deep Learning for Maize Seed Variety Identification. IEEE Access. 2024;12:83788-83800. https://doi.org/10.1109/access.2024.3419006Li J., Xu F., Song S. Hyperspectral RGB Imaging Combined with Deep Learning for Maize Seed Variety Identification. IEEE Access. 2024;12:83788-83800. https://doi.org/10.1109/access.2024.3419006Tigabu M., Daneshvar A., Jingjing R., Wu P. et al. Multivariate discriminant analysis of single seed near infrared spectra for sorting dead-filled and viable seeds of three pine species: does one model fit all species? Forests. 2019;10:469. https://doi.org/10.3390/f10060469Tigabu M., Daneshvar A., Jingjing R., Wu P. et al. Multivariate discriminant analysis of single seed near infrared spectra for sorting dead-filled and viable seeds of three pine species: does one model fit all species? Forests. 2019;10:469. https://doi.org/10.3390/f10060469Tigabu M., Daneshvar A., Wu P., Ma X. et al. Rapid and non-destructive evaluation of seed quality of Chinese fir by near infrared spectroscopy and multivariate discriminant analysis. New Forests. 2020;51:395-408. https://doi.org/10.1007/s11056-019-09735-8Tigabu M., Daneshvar A., Wu P., Ma X. et al. Rapid and non-destructive evaluation of seed quality of Chinese fir by near infrared spectroscopy and multivariate discriminant analysis. New Forests. 2020;51:395-408. https://doi.org/10.1007/s11056-019-09735-8Sokolov S.V., Kamensky V.V., Novikov A.I., Ivetić V. How to increase the analog-to-digital converter speed in optoelectronic systems of the seed quality rapid analyzer. Inventions. 2019;4(4):61. https://doi.org/10.3390/inventions4040061Sokolov S.V., Kamensky V.V., Novikov A.I., Ivetić V. How to increase the analog-to-digital converter speed in optoelectronic systems of the seed quality rapid analyzer. Inventions. 2019;4(4):61. https://doi.org/10.3390/inventions4040061Davis A.S., Pinto J.R. The Scientific Basis of the Target Plant Concept: An Overview. Forests. 2021;12:1293. https://doi.org/10.3390/f12091293Davis A.S., Pinto J.R. The Scientific Basis of the Target Plant Concept: An Overview. Forests. 2021;12:1293. https://doi.org/10.3390/f12091293

The authors declare that there are no conflicts of interest present.