Обзор систем фенотипирования для закрытого грунта: особенности, цифровые технологии, искусственный интеллект
Аннотация
В условиях глобального изменения климата и роста потребности в сельскохозяйственной продукции требуются продуктивные сорта растений, устойчивые к абиотическим и биотическим стрессам. Системы фенотипирования позволяют анализировать взаимодействия между генотипами и окружающей средой. Цель обзора – рассмотреть особенности и выявить преимущества систем фенотипирования для закрытого грунта и закрытых агроэкосистем, обобщить современные методы и технологии оценки морфологических и физиологических характеристик растений, определить потенциал внедрения искусственного интеллекта. В статье подробно рассмотрены и классифицированы системы фенотипирования для закрытого грунта и закрытых агроэкосистем. При фенотипировании растений широко используются оптические методы, термография, рентгеновская томография, различные контактные датчики, робототехника, техническое зрение и алгоритмы искусственного интеллекта. Оптические методы являются неотъемлемой частью любой системы фенотипирования и могут включать построение аддитивной цветовой модели, монохроматических изображений, спектроскопию, трехмерное сканирование. Регулирование параметров окружающей среды обеспечивает контроль выращивания и возможность воспроизведения стрессовых факторов. Системы фенотипирования позволяют осуществлять анализ морфологических и физиологических параметров растений в ручном или автоматизированном режимах. Выявлено, что системы фенотипирования для закрытого грунта и закрытых агроэкосистем имеют высокую точность измерений по сравнению с измерениями в открытом грунте, а также возможность проведения измерений важных физиологических параметров растений, недоступных в системах фенотипирования для открытого грунта. Была проанализирована роль искусственного интеллекта в обработке данных. Установлено, что алгоритмы искусственного интеллекта могут быть задействованы на всех этапах обработки данных, что позволяет увеличить автоматизацию, строить прогностические модели, выявлять скрытые закономерности. Приведены примеры использования машинного обучения, в том числе глубокого. Подчеркивается необходимость разработки отечественных высокопроизводительных систем фенотипирования для закрытого грунта, способных конкурировать с зарубежными аналогами.

