Нормализованные спектральные индексы эпидермиса семян как предиктор прорастания средозащитных культур в технологии адаптивного растениеводства

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.

1. Жученко А.А. Адаптивное растениеводство. М.: Колос, 2009. 520 с.

2. 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.2023.1.60rus

3. Нейфельд 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.y2022i4pp37-43

4. Ивонин В.М., Воскобойникова И.В. Ландшафтная агролесомелиорация // Мелиорация и гидротехника. 2021. Т. 11, № 3. С. 54-77. https://doi.org/10.31774/2712-9357-2021-11-3-54-77

5. Примаков 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/10.37482/0536-1036-2024-4-185-192

6. Дубенок 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/S250026270000632-0

7. Novikova 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/f14061164

8. Новикова 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.2222-7962/2023.3/12

9. ElMasry 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.2020.109025

10. Xia 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.2019.05.001

11. ElMasry 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/s19051090

12. ElMasry 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/s13007-019-0411-2

13. Loddo 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/jimaging7090171

14. Bernardes 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/agriculture12111801

15. Nehoshtan 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/s41598-021-01712-6

16. Reddy 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/s23041820

17. Chen 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.2024.1341335

18. Li 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.2024.3419006

19. Tigabu 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/f10060469

20. Tigabu 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/s11056-019-09735-8

21. Sokolov 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/inventions4040061

22. Davis 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