Фото: із відкритих джерел
Дослідження показало, що поєднання спектроскопії відбиття з попередньою обробкою даних SNV та моделлю PLS-DA може розрізняти стадії розвитку інфекції ToBRFV у листі томата в перший тиждень після зараження. Водночас автори наголошують: результати отримані в контрольованих умовах і потребують перевірки в польових сценаріях.
Про це повідомляє сайт Аграрії разом з посиланням на Hortidaily.
У дослідженні, опублікованому в журналі Smart Agricultural Technology, вивчали, чи здатні методи спектроскопії відбиття та поглинання разом із моделлю PLS-DA (partial least squares discriminant analysis) відстежувати часову динаміку інфікування Tomato brown rugose fruit virus (ToBRFV) у листках томата впродовж 1–7 діб після інокуляції (dpi).
На відміну від типового підходу «здоровий проти інфікованого», ціллю класифікації був саме день відбору проби (сім класів прогресування хвороби: 1–7 dpi). Окремої контрольної групи з імітацією інокуляції (mock-inoculated) у роботі не було, тому автори не ставили завданням відокремити здорові рослини від інфікованих.
Як проводили вимірювання
Один когортний набір із 27 механічно інокульованих рослин моніторили в динаміці в контрольованих тепличних умовах. Дані збирали неруйнівно портативним спектрометром у діапазоні 350–1100 нм, а для аналізу використовували 400–1100 нм.
Для підвищення якості сигналу застосували три підходи попередньої обробки: фільтрацію Savitzky–Golay, Standard Normal Variate (SNV) та їх комбінацію.
Що показали результати моделювання
За висновками авторів, спектри відбиття виявилися більш інформативними та стабільними для багатовимірного моделювання, ніж спектри поглинання. Найбільший приріст якості дала саме попередня обробка SNV. У поєднанні зі спектрами відбиття вона забезпечила F1-score 1.000 на даних навчання/крос-валідації.
Водночас у роботі окремо підкреслено обмеження цієї оцінки: відбір ознак виконували на повному наборі даних до етапу оцінювання, тому значення F1-score слід трактувати як внутрішню «верхню межу» (upper-bound) і не як незалежну перевірку узагальнюваності моделі.
Додавання згладжування Savitzky–Golay, за даними дослідження, не давало суттєвого покращення і в окремих випадках зменшувало дискримінаційну інформацію.
Які ділянки спектра були найважливішими
Спектральний аналіз показав, що найбільший внесок у розрізнення стадій інфекції мали ділянки Red Edge та NIR. Автори інтерпретують це як прояв безперервного часово́го градієнта фізіологічних змін, пов’язаних зі стресом.
Разом із тим ця інтерпретація базується на даних літератури, а не на прямих вимірюваннях пігментів, вмісту води чи вірусного навантаження в листі в межах цього експерименту.
Де виникали помилки класифікації
Аналіз score plot та матриці помилок показав, що хибні класифікації переважно траплялися між сусідніми днями (наприклад, між 2 і 3 dpi), що узгоджується з поступовим, безперервним характером розвитку інфекції в перший тиждень.
Що це може означати для практики
Автори роблять висновок, що інтеграція спектроскопії відбиття з попередньою обробкою SNV і моделюванням PLS-DA є перспективним неруйнівним підходом для моніторингу раннього рослинного стресу в контрольованих умовах. Потенційно це може бути корисним для задач точного землеробства, однак потрібна подальша валідація в польових умовах.
Основні параметри дослідження
- Об’єкт: листя томата, інфіковане ToBRFV.
- Дизайн: 27 механічно інокульованих рослин, поздовжній моніторинг 1–7 dpi; без окремої mock-контрольної групи.
- Прилад/дані: портативний спектрометр 350–1100 нм; аналіз у межах 400–1100 нм.
- Модель: PLS-DA; ціль класифікації — день відбору (7 класів).
- Попередня обробка: Savitzky–Golay, SNV, комбінація.
- Ключовий результат: відбиття > поглинання за дискримінаційною здатністю; SNV дало найбільше покращення; F1-score 1.000 на train/CV (з застереженням щодо відбору ознак на повному датасеті).
- Найінформативніші ділянки: Red Edge та NIR.
Джерело: Pourdarbani R. та ін. Temporal reflectance and absorbance spectral signatures of ToBRFV-infected tomato leaves: a PLS-DA modeling comparison over a 1–7-day post-inoculation period, Smart Agricultural Technology, Volume 15 (2026), 102629.