Zgodnje zaznavanje biotskega in abiotskega stresa rastlin krompirja (Solanum tuberosum L.) z uporabo spektralnega slikanja in umetne inteligenceLapajne, Janez (Avtor) Žibrat, Uroš (Mentor) Širca, Saša (Komentor) zaznavanje stresa rastlinspektralno slikanjeumetna inteligencastrojno učenjefenotipizacija rastlinZgodnje zaznavanje zdravstvemega stanja rastlin je bistveno za ohranjanje njihovega zdravja in količine pridelkov ter spodbujanje trajnostnih načinov kmetovanja. Pravočasno prepoznavanje dejavnikov stresa je mogoče z uporabo spektralnega slikanja, ki predstavlja neinvazivno metodo za spremljanje odzivov rastlin na stresne dejavnike. Disertacija preučuje združitev spektralnega slikanja in strojnega učenja za zaznavanje zdravstvenega stanja krompirja, pri čemer raziskave temeljijo na multispektralnih in hiperspektralnih podatkih laboratorijskih in poljskih poskusov. Za izboljšanje natančnosti in interpretacije zaznavanja stresa smo uporabili napredne pristope modeliranja, vključno z globokimi nevronskimi mrežami, ojačevalnimi modeli in tehnikami razložljivosti, ter metodami za določanje ključnih spektralnih valovnih dolžin, povezanih s specifičnimi stresnimi odzivi. Rezultati kažejo, da modeli strojnega učenja zanesljivo razločujejo med zdravimi in rastlinami podvrženimi stresu, še preden znaki stresa postanejo vidni s prostim očesom. Modeli dosegajo F1-točnost do 0,95 pri zaznavanju vodnega stresa, do 100 % zanesljivost pri prepoznavanju rastlin in gomoljev okuženih z ogorčicami in F1-točnost 0,826 pri zaznavanju črne listne pegavosti krompirja. Kljub temu ostajajo izzivi pri razlikovanju med biotskimi in abiotskimi stresorji, zlasti pri sočasni prisotnosti več dejavnikov. Analiza je identificirala ključne spektralne pasove za zaznavanje stresa: 475–580 nm, 660–730 nm, 940–970 nm, 1420–1510 nm, 1875–2040 nm in 2350–2480 nm za vodni stres. Bližnje-infrardeči del spektra je bil najpomembnejši za zgodnje zaznavanje okužb s črno listo pegavostjo krompirja, takoj pred modrim in zelenim kanalom. Spektralno območje 1000–1200 nm je bilo povezano z notranjostjo gomoljev, napadenih z ogorčicami, medtem ko so pasovi 1500–1600 nm, 1850–2000 nm in 2300–2450 nm ustrezali njihovi zunanjosti. Ugotovitve raziskave pomembno prispevajo k razumevanju rastlinske fiziologije in napredku preciznega kmetijstva. Združitev spektralnega slikanja in umetne inteligence omogoča razvoj inovativnih orodij za zgodnje odkrivanje stresa, kar prispeva k boljši prilagoditvi na podnebne spremembe ter zaščiti pridelkov pred škodljivci in boleznimi.20252025-11-09 07:15:16Doktorsko delo/naloga175815sl