2022, випуск 1, c. 42-48
Одержано 15.06.2022; Виправлено 25.06.2022; Прийнято 28.06.2022
Надруковано 30.06.2022; Вперше Online 03.08.2022
https://doi.org/10.34229/2707-451X.22.1.5
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Інтелектуальна обробка даних від хлорофіл-флуорометричних сенсорів
В.М. Груша 
Інститут кібернетики імені В.М. Глушкова НАН України, Київ
Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Один із способів спостереження за станом рослинних об’єктів є індукція флуоресценції хлорофілу (ІФХ)— це випромінювання хлорофілу в червоному спектрі світла, що виникає при освітленні хлорофілу живої рослини в синьому спектрі світла. Для вимірювання ІФХ використовують спеціальні прилади, так звані хлорофіл-флуорометри. Ряд таких приладів розроблені в Інституті кібернетики ім. В.М. Глушкова НАН України. Зокрема, розроблений портативний хлорофіл-флуорометр «Флоратест» та мережа бездротових сенсорів для вимірювання ІФХ. Накопичення значної кількості вимірювань ІФХ призвело до застосування для їх аналізу інтелектуальних методів як то нейронних мережі.
Мета роботи. Дослідити можливості методів машинного навчання, зокрема, нейронних мереж, методу опорних векторів, алгоритму XGBoost при аналізі кривих індукції флуоресценції хлорофілу, що були виміряні сенсорами розробленими в Інституті кібернетики імені В.М. Глушкова НАН України.
Результати. На основі даних експерименту з обприскування рослин гербіцидом, показано, що нейронні мережі , метод опорних векторів та алгоритм XGBoost забезпечують раннє визначення впливу стресового фактору на стан рослини ще до появи на рослині зовнішніх ознак дії. Аналогічно показано можливість застосування методів машинного навчання для визначення низького значення вологості грунту. Встановлено, які з наведених методів для згаданих задач підходять краще. Вивчено можливість покращення результатів роботи згаданих методів за допомогою нормалізації. Найкращі результати продемонструвала нормалізація шляхом централізації значень навколо середнього та мінімаксна нормалізація в межах [-1;1].
Висновки. Застосування різних алгоритмів машинного навчання при обробці кривих індукції флуоресценції хлорофілу показало, що для задачі класифікації рослин обприсканих гербіцидом найкращий результати демонструють метод опорних векторів та алгоритм XGBoost в той час як нейронна мережа продемонструвала найгірші результати. Застосування згаданих методів для задачі визначення необхідності штучного поливу показало, що найкращі результати демонструє нейронна мережа, дещо гірший результат в методу опорних векторів і найгірше з задачею справлявся алгоритм XGBoost.
Ключові слова: індукція флуоресценції хлорофілу, нейронна мережа, метод опорних векторів, алгоритм XGBoost.
Цитувати так: Груша В.М. Інтелектуальна обробка даних від хлорофіл-флуорометричних сенсорів. Cybernetics and Computer Technologies. 2022. 1. С. 42–48. https://doi.org/10.34229/2707-451X.22.1.5
Список літератури
1. Romanov V. Galelyuka I., Antonova H., Kovyrova O., Hrusha V., Voronenko O. Application of Wireless Sensor Netwoks for Digital Agriculture. Proceedings of the 10th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems.2019. P. 340–344. https://doi.org/10.1109/IDAACS.2019.8924267
2. Samborska I., Alexandrov V., Sieczko L, Kornatowska B., Goltsev V., Cetner M., Kalaji H. Artificial neural networks and their application in biological and agricultural research. Signpost open access journal of nanophotobiosciences. Vol. 02. 2014. P. 14–30.
3. Silva J., Figueiredo A., Cunha J., Eiras-Dias J., Silva S, Vanneschi L., Mariano P. Using Rapid Chlorophyll Fluorescence Transients to Classify Vitis Genotypes. Plants. Vol. 9. Issue 2. 174. 2020. https://doi.org/10.3390/plants9020174
4. Chlorophyll fluorescence spectral discrimination by artificial neural network methods. DEFRA project code HH1530SPC. 2002.
5. Kirova M., Ceppi G., Chernev P., Goltsev V., Strasser R. Using Artificial Neural Networks for Plant Taxonomic Determination Based on Chlorophyll Fluorescence Induction Curves. Biotechnology and Biotechnological Equipment. XI Anniversary Scientific Conference 120 Years of Academic Education in Biology 45 Years Faculty of Biology. P. 941–946. https://doi.org/10.1080/13102818.2009.10818577
6. Goltsev V., Zaharieva I., Chernev P., Kouzmanova M., Kalaji H.M., Yordanov I., Krasteva V., Alexandrov V., Stefanov D., Allkhverdiev S.I., Strasser R.J. Drought-induced modification of photosynthetic electron transport in intact leaves: Analysis and use of neural network as a tool for a rapid non-invasive estimation Biochimica et Biophysica Acta. 1817 (8). 2012. P. 1490–1498. https://doi.org/10.1016/j.bbabio.2012.04.018
7. Rybka K., Janaszek-Mankowska M., Siedlarz P., Mankowski D. Machine learning in determination of water saturation deficit in wheat leaves on basis of Chl a fluorescence parameters. Photosynthetica. 57 (1). 2019. P. 226–230. https://doi.org/10.32615/ps.2019.017
8. Soja G., Soja A.M. Recognizing the Sources of Stress in Wheat and Bean by using chlorophyll fluorescence induction parameters as inputs for neural network models. Phyton. Special issue: «D. Grill». 45 (3). 2005. P. 157–168.
9. Xanthoula Eirini Pantazi, Dimitrios Moshou, Dimitrios Kasampalis and Pavlos Tsouvaltzis. Automatic Accessment of Phenotypes in lettuce plants by using Chlorophyll Fluorescence Kinetics and Machine Learning. Proceedings International Conference of Agricultural Engineering. AgEng. 2014. Zurich, 6-10.07.2014. P. 167–176.
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна