The object of research, development or design (in Russian) : Агроценозы зерновых культур (пшеница, ячмень) на северо-востоке Казахстана; гиперспектральные изображения здоровых и больных профилей растений исследуемых культур.

The object of research, development or design (in Kazakh) : Қазақстанның солтүстік-шығысындағы дәнді дақылдардың (бидай, арпа) агроценоздары; зерттелетін дақылдар өсімдіктерінің сау және ауру бейіндерінің гиперспектралды кескіндері.

Aim of work (in Russian) : Разработать методологию ранней диагностики заболеваний зерновых культур (пшеницы, ячменя) с использованием технологии гиперспектральной визуализации на основе идентификации спектральных профилей больных растений методом искусственного интеллекта; создать современную отечественную систему мониторинга и ранней диагностики болезней зерновых культур для обеспечения повышения урожая и продовольственной безопасности страны.

Aim of work (in Kazakh) : Жасанды интеллект әдісімен ауру өсімдіктердің спектрлік бейіндерін сәйкестендіру негізінде гиперспектральды бейнелеу технологиясын пайдалана отырып, дәнді дақылдар (бидай, арпа) ауруларын ерте диагностикалау әдіснамасын әзірлеу; елдің өнімділігі мен азық-түлік қауіпсіздігін арттыруды қамтамасыз ету үшін дәнді дақылдар ауруларын мониторингілеу мен ерте диагностикалаудың қазіргі заманғы отандық жүйесін құру.

Методы исследования (на русском) : Исследования проводились с использованием комплекса проксимальных, дистанционных и контактных методов для многоуровневой диагностики фитопатологического состояния зерновых культур. Применялась проксимальная гиперспектральная съёмка в лабораторных и полевых условиях с использованием камеры VNIR-диапазона (400–1000 нм) и оптической спектрометрии для регистрации спектров отражения листьев и колосьев растений различной степени поражения. Контактные методы включали визуальную и микроскопическую диагностику поражений, морфологическое и культуральное определение возбудителей, а также анализ патогенной нагрузки семенного и растительного материала, что обеспечило этиологическую верификацию спектральных данных и уточнение фитопатогенного фона исследуемых посевов. Предварительная обработка гиперспектральных изображений включала радиометрическую калибровку, нормализацию спектров отражения, устранение шумовых компонент, сегментацию изображений и выделение информативных областей (ROI). Для анализа спектральных признаков и оценки информативности диапазонов использовались методы многомерной статистики и машинного обучения, включая анализ главных компонент (PCA) и дискриминантный анализ на основе частных наименьших квадратов (PLS-DA), а также алгоритмы SIMCA, SVM, Maximum Entropy (SDCA), Neural Network и Random Forest.

Методы исследования (на казахском) : Зерттеулер дәнді дақылдардың фитопатологиялық жағдайын көпдеңгейлі диагностикалау мақсатында проксимальды, қашықтықтан және контактты әдістер кешенін қолдана отырып жүргізілді. Зертханалық және далалық жағдайларда VNIR диапазонында (400–1000 нм) жұмыс істейтін камера мен оптикалық спектрометрияны пайдалану арқылы әртүрлі деңгейде зақымданған өсімдіктердің жапырақтары мен масақтарының шағылысу спектрлері тіркелді. Контактты әдістерге зақымдануды визуалды және микроскопиялық диагностикалау, қоздырғыштарды морфологиялық және культуральды анықтау, сондай-ақ тұқым мен өсімдік материалдарының патогендік жүктемесін талдау кірді. Бұл тәсіл спектралды деректердің этиологиялық тексерілуін қамтамасыз етіп, зерттелетін егістердің фитопатогендік фонын нақтылауға мүмкіндік берді. Гиперспектралды кескіндерді алдын ала өңдеу радиометриялық калибрлеуді, шағылысу спектрлерін қалыпқа келтіруді, шу компоненттерін жоюды, кескіндерді сегментациялауды және маңызды аймақтарды (ROI) бөлуді қамтыды. Спектралды белгілерді талдау мен диапазондардың ақпараттылығын бағалау үшін көпөлшемді статистика және машиналық оқыту әдістері қолданылды. Олардың ішінде негізгі компоненттер талдауы (PCA), жеке ең кіші квадраттар әдісіне негізделген дискриминанттық талдау (PLS-DA), сондай-ақ SIMCA, SVM, Maximum Entropy (SDCA), Neural Network және Random Forest алгоритмдері пайдаланылды.

Obtained results and novelty (in Russian) : В результате выполненных исследований разработан комплексный подход к идентификации и количественной диагностике заболеваний пшеницы и ячменя на основе анализа гиперспектральных данных проксимальной съёмки. Сформирована обширная база гиперспектральных изображений (более 1000 гиперкубов) и эталонных спектров, охватывающих различные типы фитопатологий листового, колосового и корневого типа. Разработаны и апробированы алгоритмы предварительной обработки и анализа гиперспектральных изображений, включающие нормализацию спектров отражения, радиометрическую калибровку, выделение информативных диапазонов и сегментацию ROI. Построены и обучены модели машинного обучения (SIMCA, SVM, Maximum Entropy (SDCA), Neural Network, Random Forest), обеспечившие точность классификации заболеваний на уровне 91–95 %. Впервые для агроэкосистем северо-востока Казахстана установлены диагностически значимые диапазоны спектральной чувствительности растений (530–580 нм, 680–740 нм и 900–970 нм), отражающие ранние физиологические изменения в тканях при развитии заболеваний. Показана возможность достоверного распознавания спектральных различий между здоровыми и поражёнными растениями без применения инвазивных методов. Научная новизна работы заключается в создании и экспериментальном подтверждении гиперспектральных критериев ранней диагностики болезней зерновых культур, в формировании обучающей выборки и разработке интеллектуальных алгоритмов автоматизированной классификации патологий.

Obtained results and novelty (in Kazakh) : Жүргізілген зерттеулер нәтижесінде проксимальды түсірудің гиперспектралды деректерін талдау негізінде бидай мен арпа ауруларын анықтау және сандық диагностикалаудың кешенді тәсілі жасалды. Гиперспектралды кескіндер (1000-нан астам гиперкуб) мен жапырақ, масақ және тамыр типті фитопатологияның әртүрлі түрлерін қамтитын эталондық спектрлердің кең базасы құрылды. Гиперспектралды кескіндерді алдын ала өңдеу және талдау алгоритмдері әзірленіп, сыналды; олар спектрлерді қалыпқа келтіруді, радиометриялық калибрлеуді, ақпараттық диапазондарды бөліп көрсетуді және ROI сегментациясын қамтиды. Машиналық оқыту модельдері (SIMCA, SVM, Maximum Entropy (SDCA), Neural Network, Random Forest) құрастырылып, оқытылды, олардың ауруларды жіктеудегі дәлдігі 91–95 % деңгейінде болды. Қазақстанның солтүстік-шығысындағы агроэкожүйелер үшін алғаш рет өсімдіктердің спектралды сезімталдығының диагностикалық маңызды диапазондары (530–580 нм, 680–740 нм және 900–970 нм) анықталды, олар аурулардың дамуындағы тіндердегі ерте физиологиялық өзгерістерді көрсетеді. Сондай-ақ, инвазивті әдістерді қолданбай сау және зақымданған өсімдіктер арасындағы спектралды айырмашылықтарды сенімді түрде тану мүмкіндігі дәлелденді. Жұмыстың ғылыми жаңалығы дәнді дақылдар ауруларын ерте диагностикалаудың гиперспектралды критерийлерін жасау және эксперименттік растау, оқыту үлгісін қалыптастыру, сондай-ақ патологияларды автоматтандырылған түрде жіктеу үшін интеллектуалды алгоритмдерді әзірлеуден тұрады.

The main constructive and technical economic indicators (in Russian) : Все исследования и наблюдения проводятся согласно апробированных методик и требований государственных стандартов (ГОСТ); для реализации проекта имеется Лаборатория биологических исследований на базе Торайгыров университета, укомплектованная современным оборудованием и спектральной техникой, необходимыми для проведения научных, лабораторных и полевых исследований; все работы ведутся квалифицированными научными сотрудниками; осуществляется научная коллаборация с Федеральным государственным автономным образовательным учреждением высшего образования «Национальный исследовательский Томский политехнический университет» (ФГАОУ ВО НИ ТПУ) (г. Томск, Россия), в рамках которой проводятся консультации по реализуемому Проекту. Развитие новой технологии ранней диагностики заболеваний зерновых культур, основанной на методах машинного обучения, направлено на разработку интеллектуальных сельскохозяйственных систем для точного применения.

The main constructive and technical economic indicators (in Kazakh) : Барлық зерттеулер мен бақылаулар сыналған әдістемелер мен Мемлекеттік стандарттардың (МЕМСТ) талаптарына сәйкес жүргізіледі; жобаны іске асыру үшін Торайғыров университетінің базасында ғылыми зерттеулерді жүргізуге арналған қажетті заманауи жабдықтармен, сондай-ақ дала жұмыстарының ыңғайлылығы мен тиімділігін қамтамасыз ететін мүкәммалмен жабдықталған Биологиялық зерттеулер зертханасы бар; барлық жұмыстарды білікті ғылыми қызметкерлер жүргізеді; «Ұлттық зерттеу Томск политехникалық университеті» федералды мемлекеттік автономды жоғары білім беру мекемесімен (ҰЗ ТПУ ФМА ЖББМ) (Томск қ., Ресей) ғылыми ынтымақтастық жүзеге асырылуда, оның шеңберінде іске асырылып жатқан жоба бойынша консультациялар өткізіледі. Машиналық оқытуға негізделген дәнді дақылдар ауруларын ерте диагностикалаудың жаңа технологиясын дамытуды дәл қолдану үшін интеллектуалды ауылшаруашылық жүйелерін дамытуға бағытталған.

Level of implementation (in Russian) : Внедрение результатов проекта находится на стадии разработки инновационного и технологичного оптического метода обнаружения болезней зерновых культур (пшеницы, ячменя) с использованием технологии гиперспектральной визуализации.

Level of implementation (in Kazakh) : Жоба нәтижелерін енгізу гиперспектральды бейнелеу технологиясын қолдану негізінде дәнді дақылдардың (бидай, арпа) ауруларын анықтаудың инновациялық және технологиялық оптикалық әдісін әзірлеу сатысында.

Efficiency (in Russian) : Реализация проекта позволит разработать методологию ранней диагностики заболеваний зерновых культур (пшеницы, ячменя) с использованием технологии гиперспектральной визуализации на основе идентификации спектральных профилей больных растений методом искусственного интеллекта; создать современную отечественную систему мониторинга и ранней диагностики болезней зерновых культур для обеспечения повышения урожая и продовольственной безопасности страны. Разработанная методика будет востребована для создания прецизионной технологии и ее внедрения в практику сельхозтоваропроизводства, что в перспективе позволит оптимизировать финансовые затраты при выращивании сельскохозяйственных культур и снизить пестицидную нагрузку на агроэкосистемы. Полученные результаты будут являться элементом высокопродуктивного и ресурсосберегающего земледелия.

Efficiency (in Kazakh) : Жобаны іске асыру жасанды интеллект әдісімен ауру өсімдіктердің спектрлік бейіндерін сәйкестендіру негізінде гиперспектральды бейнелеу технологиясын пайдалана отырып, дәнді дақылдар (бидай, арпа) ауруларын ерте диагностикалау әдіснамасын әзірлеуге; елдің өнімділігі мен азық-түлік қауіпсіздігін арттыруды қамтамасыз ету үшін дәнді дақылдар ауруларын мониторингілеу мен ерте диагностикалаудың қазіргі заманғы отандық жүйесін құруға мүмкіндік береді. Әзірленген әдістеме дәлме-дәл технологияны құру және оны ауыл шаруашылығы тауарын өндіру тәжірибесіне енгізу үшін сұранысқа ие болып, болашақта ауыл шаруашылығы дақылдарын өсіру кезінде қаржылық шығындарды оңтайландыруға және агроэкожүйелерге пестицидтік жүктемені азайтуға мүмкіндік береді. Алынған нәтижелер өнімділігі жоғары және ресурс үнемдейтін егін шаруашылығының элементі болып табылады.

Field of application (in Russian) : Разработанный инновационный метод мониторинга и ранней диагностики заболеваний зерновых культур с использованием технологии гиперспектрального зондирования может применяться в сельскохозяйственных предприятиях различных форм собственности, занимающихся возделыванием зерновых культур, а также в научно-исследовательских организациях и службах агромониторинга для оценки фитосанитарного состояния посевов.

Field of application (in Kazakh) : Гиперспектралды зондтау технологиясын пайдалана отырып әзірленген дәнді дақылдар ауруларын мониторингілеу мен ерте диагностикалаудың инновациялық әдісін дәнді дақылдарды өсірумен айналысатын әртүрлі меншік нысанындағы ауыл шаруашылығы кәсіпорындарында, сондай-ақ дақылдардың фитосанитарлық жағдайын бағалау мақсатында ғылыми-зерттеу ұйымдары мен агромониторинг қызметтерінде қолдануға болады.