ЦИФРОВА МОДЕЛЬ РОСЛИНИ СОНЯШНИКА ДЛЯ ФЕНОТИПУВАННЯ В ЗАДАЧАХ СЕЛЕКЦІЇ
DOI:
https://doi.org/10.32689/maup.it.2025.3.4Ключові слова:
цифрова модель, фенотипування, онтологіяАнотація
Розробка високопродуктивних сортів є ключовим напрямом у контексті зростаючого тиску глобальних викликів, серед яких кліматичні зміни, демографічне зростання та обмеженість природних ресурсів. Для ефективної реалізації сучасних селекційних програм актуальним є удосконалення методів автоматизованого фенотипування. Метою роботи є розробка цифрової моделі рослини соняшника, яка забезпечує ефективне та точне фенотипування в контексті селекційних досліджень з виведення сортів соняшнику кондитерського напряму. Роботу виконано у співпраці з фахівцями лабораторії генетики та генетичних ресурсів Інституту олійних культур НААН України.Методологічний підхід базується на визначені характеристик фенотипування кондитерського соняшнику, які необхідні для розв’язання задач селекції, а саме фіксації морфологічних, біохімічних, фізичних, агрономічних ознак, умов вирощування. Визначені категорії, характеристик, одиниць вимірювання, типу даних та джерела даних.Наукова новизна полягає в створенні цифрової моделі рослини соняшника для фенотипування в задачах селекції соняшнику кондитерського напряму. Висновки. В роботі визначено набір даних, об’єднання яких є цифровою моделлю рослини соняшника для фенотипування в контексті селекційних досліджень. Для цього створено перелік характеристик морфологічних, біохімічних, фізичних, зовньошнього середовища та агротехнологій, вказано джерело даних цієї інформації. Це забезпечує передумови для розробки та застосування стандартизованих методів збору даних та уніфікованих алгоритмів обробки великих масивів даних в селекційних дослідженнях.
Посилання
Атлас морфологічних ознак сортів рослин соняшнику однорічного Helianthus annuus L. (наочне доповнення до Методики проведення кваліфікаційної експертизи на ВОС соняшнику однорічного) / Міністерство аграрної політики та продовольства України; Український інститут експертизи сортів рослин. К.: Український інститут експертизи сортів рослин, 2018. 79 с.
Господаренко Г. М., Черно О. Д., Мартинюк А. Т., Бойко В. П. Винесення основних елементів живлення з ґрунту культурами польової сівозміни за різного удобрення. AgroChemistry and Soil Science. 2021. № 91. С. 31–40.
Грачов О. Plant monitoring system: ШІ-система для розумного моніторингу рослин. Інформаційні технології та суспільство. 2025. Вип. 1 (16). С. 59–64. https://doi.org/10.32689/maup.it.2025.1.7
Зозуля О. Л., Швартау В. В., Михальська Л. М., інші. Сучасні методи цифрового моніторингу в рослинництві. frg.org.ua. URL: https://frg.org.ua
Кендзьора Н. З. Динаміка температури атмосферного повітря і режим опадів як фактори змін феноритміки рослин в період 2010–2019 років. Екологія, природокористування та охорона навколишнього середовища: прикладні аспекти. 2020. С. 51–54.
Примак І. Д., Купчик В. І., Лозінський М. В., Войтовик М. В., Панченко О. Б., Косолап М. П., Панченко І. А. Агрономічне ґрунтознавство. К.: 2017. 580 с.
Семенова І. Г. Синоптичні та кліматичні умови формування посух в Україні: монографія. Одеський державний екологічний університет. Х.: ФОП Панов А. М., 2017. 236 с.
Adebola T., Zhang Y., Kim J., Navlakha S. GrowSplat: Dynamic 3D Gaussian splatting for plant morphology alignment. arXiv preprint. 2025. arXiv:2505.10923. URL: https://arxiv.org/abs/2505.10923
AgEval: A Benchmark for Zero-Shot and Few-Shot Plant Stress Phenotyping with Multimodal LLMs. arXiv preprint. 2023. URL: https://arxiv.org/abs/2306.05431
Aliyev E. B. Development of a device for automatic phenotyping of sunflower seed material. Machinery & Energetics. Journal of Rural Production Research. 2019. Vol. 10, No. 1. P. 11–17. ISSN 2663-1334. (Kyiv, Ukraine).
Andres F., Wiechers D., Langensiepen M., Kage H. Field Robot Platform for Phenotyping Maize. Computers and Electronics in Agriculture. 2021. Vol. 182. Article ID: 105991. DOI: https://doi.org/10.1016/j.compag.2021.105991
Atkinson N. J., Lilley C. J., Urwin P. E. Genome-Wide Association Mapping of Time-Dependent Growth Responses to Moderate Drought Stress in Arabidopsis. Plant Cell and Environment. 2013. Vol. 36, Issue 2, pp. 262–276. DOI: https://doi.org/10.1111/j.1365-3040.2012.02598.x
Bakurova A., Vedmedeva K., Vedmedev S., Tereschenko E. Ontological model of Helianthus cultivation in Ukrainian conditions. CEUR Workshop Proceedings. 2023. Vol. 3396. P. 130–140.
Bakurova A., Vedmedeva K., Vedmedev S., Tereschenko E., Shyrokorad D. Development of the System for the Digital Model of the Helianthus Phenotype. Proceedings of the VI International Scientific Congress Society of Ambient Intelligence 2023 (ISC SAI 2023). 20–25 November 2023. P. 20–25. ISBN 978-80-88618-46-1. DOI: 10.46489/ISCSAI-23-30.
Gao Y., Qi X. Neural 3D Gaussian Splatting for Plant Structure Reconstruction. ACM Transactions on Graphics. 2024. Vol. 43, No. 4. P. 1–14.
Hu M., Zhao W., Li J. NeRF-based dynamic 3D modeling of plant growth using multi-view time series. IEEE Transactions on Image Processing. 2024. (in press).
Intelligent Monitoring of Stress Induced by Water Deficiency in Plants using Deep Learning. arXiv preprint. 2022. URL: https://arxiv.org/abs/2205.09364
Li Q., Wang Z., Chen L., Xu Y. Integrating 3D Gaussian Fields with NeRF for High-Fidelity Plant Reconstruction. Sensors. 2025. Vol. 25, No. 3. Article ID: 987. DOI: https://doi.org/10.3390/s25030987
Liu S., Wang H., Yan J., Chen Y. 3D Plant Phenotyping with Voxel-Based Reconstruction Techniques. Plant Methods. 2020. Vol. 16. Article ID: 116. DOI: https://doi.org/10.1186/s13007-020-00652-1
Martin-Brualla R., Radwan N., Sajjadi M. S. M., Barron J. T., Dosovitskiy A., Duckworth D. NeRF in the Wild: Neural Radiance Fields for Unconstrained Photo Collections. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2021. P. 7210–7219.
Mildenhall B., Srinivasan P. P., Tancik M., Barron J. T., Ramamoorthi R., Ng R. NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis. Communications of the ACM. 2021. Vol. 65, No. 1. P. 99–106.
Shi Y., Zhang Y., Xu J., Li B. Digital twins in plant phenotyping: Concepts, applications, and future perspectives. Frontiers in Plant Science. 2022. Vol. 13. Article ID: 1038810. DOI: https://doi.org/10.3389/fpls.2022.1038810
Tardieu F., Cabrera-Bosquet L., Pridmore T., Bennett M. Plant Phenomics, From Sensors to Knowledge. Current Biology. 2017. Vol. 27, No. 15. P. R770–R783. DOI: https://doi.org/10.1016/j.cub.2017.05.055
Tsaftaris S. A., Minervini M., Scharr H. Machine learning for plant phenotyping needs image processing. Trends in Plant Science. 2016. Vol. 21, No. 12. P. 989–991. DOI: https://doi.org/10.1016/j.tplants.2016.10.002
Ubbens J. R., Stavness I., Francis P. The use of plant models in deep learning: An overview and roadmap. Plant Methods. 2018. Vol. 14. Article ID: 36. DOI: https://doi.org/10.1186/s13007-018-0312-8
Wang, J., et al. Transcriptome Profiles Reveal Response Mechanisms and Key Role of PsNAC1 in Pinus sylvestris var. mongolica to Drought Stress. BMC Plant Biology. 2022. Vol. 22, Article 72. DOI: https://doi.org/10.1186/s12870-022-03475-7
Yu Y., Schlüter U., Weber M. DT-FieldPheno: A digital twin approach for high-throughput field phenotyping. Computers and Electronics in Agriculture. 2021. Vol. 188. Article ID: 106349. DOI: https://doi.org/10.1016/j.compag.2021.106349
Zhang, Z., et al. Molecular Mechanisms of Drought Resistance Using Genome-Wide Association Mapping in Maize (Zea mays L.). Frontiers in Plant Science. 2020. Vol. 11, Article 1109. DOI: https://doi.org/10.3389/fpls.2020.01109
Zhu H., Huang L., Li Y. High-resolution 3D reconstruction of plants using NeRF-based models in controlled environments. Journal of Plant Research and Imaging. 2024. Vol. 29, No. 2. P. 145–159.
Ziamtsov I., Navlakha S. GrowSplat: Data-driven modeling of plant architecture using voxelized imaging. Bioinformatics. 2020. Vol. 36, Suppl_1. P. i125–i132. DOI: https://doi.org/10.1093/bioinformatics/btaa432
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
