1. Введение

Леса России занимают более 1,18 млрд га, это около 20% мировой лесной площади. Леса России представляют собой ключевой компонент биосферы, выполняющий средообразующие, водоохранные, углерододепонирующие и ресурсные функции [1], [2]. Устойчивость лесных биогеоценозов в значительной мере определяется фитопатологической обстановкой: ежегодно от болезней и вредителей в Российской Федерации погибают сотни тысяч гектаров насаждений. Согласно данным Рослесхоза, объём дистанционного мониторинга в 2024 году увеличен до 300 млн га, тогда как число выявленных нарушений санитарного состояния лесов остаётся высоким. На глобальном уровне болезни растений ежегодно наносят ущерб, оцениваемый в 220 млрд долл. США [3].

Традиционный лесопатологический мониторинг (ЛПМ) [4] основан на периодических натурных обследованиях пробных площадей и ловушек, визуальной оценке санитарного состояния деревьев и дистанционном зондировании Земли (ДЗЗ) [5]. Наземные методы трудоёмки и не обеспечивают непрерывности наблюдений, тогда как ДЗЗ позволяет выявлять патологии лишь на стадии видимых повреждений крон — когда эффективность защитных мероприятий существенно снижается. Разрыв между временем возникновения патогенного поражения и его инструментальной регистрацией составляет в среднем 10–20 суток, что критически сказывается на своевременности лесозащитных мероприятий [6].

В последние годы активно развиваются технологии интеллектуального мониторинга растений: наносенсоры на углеродных нанотрубках, электронный e-nose для детектирования летучих органических соединений (ЛОС), гибкие эпидермальные сенсоры для регистрации иммунного ответа растений, IoT-интегрированные роботизированные платформы [7]. Перспективным направлением является применение электроиндукционных датчиков, позволяющих регистрировать изменения электрических характеристик биологических тканей дерева в реальном времени [8]. В работах С.С. Колмогоровой и соавторов [9], [10] показана принципиальная возможность использования электроиндукционных датчиков для определения местоположения и физиологического состояния объектов наблюдения в лесных насаждениях, разработаны методы обработки данных таких датчиков, включая регуляризацию и прогнозирование состояния объектов [11]. Настоящая статья развивает данное направление применительно к задачам фитопатологического мониторинга [12], [13].

2. Постановка задачи

Задача исследования состоит в разработке метода и системы инструментального фитопатологического мониторинга лесных биогеоценозов [14], [15], обеспечивающих:

· раннее выявление патологических изменений в тканях дерева – не менее чем за 7-14 суток до проявления видимых признаков болезни;

· непрерывность наблюдений в автономном режиме без участия оператора;

· высокую точность дифференциации здоровых деревьев и деревьев с патогенными поражениями различной этиологии (грибковые, бактериальные, вирусные, энтомогенные);

· интеграцию с существующими системами государственного ЛПМ и возможность охвата больших лесных площадей при ограниченном числе датчиков.

Формально задача описывается следующим образом. Пусть множество деревьев в контрольном насаждении представлено объектами O={O1,O2,...On} каждый из которых характеризуется вектором состояния

включающим физиологические и биохимические параметры. Требуется построить модель

отображающую вектор сигналов датчиков S(t) в метку класса патологии, при условии минимизации функции потерь:

где

——

Ограничения: энергопотребление узла датчика не более 150 мВт; временно́е разрешение — не хуже 1 измерения в 15 минут; радиус надёжной беспроводной передачи — не менее 300 м.

3. Теория

3.1. Физическая основа электроиндукционного метода

Электроиндукционный датчик регистрирует изменения электромагнитного поля, создаваемого и модифицируемого биологическими тканями дерева вследствие движения заряженных частиц в проводящих клеточных структурах. Функционирование датчика основано на принципе взаимной индуктивности: первичная обмотка датчика создаёт переменное магнитное поле, которое индуцирует ток в тканях ствола, а вторичная обмотка регистрирует результирующий сигнал. Электрические свойства ксилемы и флоэмы дерева — импеданс Z(w), диэлектрическая проницаемость и проводимость существенно меняются при патогенном поражении вследствие деструкции клеточных мембран, накопления продуктов метаболизма патогенов и изменения водного баланса тканей [8], [16].

Комплексный импеданс биологической ткани описывается моделью Коула – Коула:

где

—низко- и высокочастотное сопротивления, [LATEX_FORMULA]\tau[/LATEX_FORMULA] — характеристическое время релаксации, [LATEX_FORMULA]\alpha \in(0,1)[/LATEX_FORMULA] — параметр дисперсии. При развитии грибкового поражения параметры [LATEX_FORMULA]R_{0}, \tau \text { и } \alpha[/LATEX_FORMULA] изменяются характерным образом: снижается вследствие разрушения клеточной оболочки, увеличивается [LATEX_FORMULA]\tau[/LATEX_FORMULA] из-за замедления ионного транспорта. Регистрация этих изменений в широком диапазоне частот (0,1–100 кГц) позволяет идентифицировать тип и стадию патологического процесса [17].

3.2. Модель системы мониторинга биогеоценоза

Система мониторинга параметров биогеоценозов (СМБ) строится как многоуровневая иерархическая структура [18]. На нижнем уровне размещены узлы электроиндукционных датчиков, устанавливаемых на стволах контрольных деревьев на высоте 1,3 м (высота груди). Каждый узел включает: измерительный мост на основе операционного усилителя с дифференциальным входом, аналого-цифровой преобразователь с разрядностью 24 бит, микроконтроллер для первичной обработки, модуль беспроводной связи (LoRaWAN), блок питания с солнечной панелью и суперконденсатором.

Алгоритм первичной обработки сигнала в узле датчика включает:

1. Полосовую фильтрацию сигнала для подавления индустриальных помех;

2. Вычисление амплитудно-частотной характеристики [LATEX_FORMULA]|Z(f)|[/LATEX_FORMULA] на М=32 частных точек;

3.

Вычисление диагностического вектора [LATEX_FORMULA]\mathbf{d}=\left[\left|Z\left(f_{1}\right)\right|, \ldots,\left|Z\left(f_{M}\right)\right|, \varphi\left(f_{1}\right), \ldots, \varphi\left(f_{M}\right)\right]^{T}[/LATEX_FORMULA]

4. Сжатие данных методом главных компонент (PCA) до 8 информативных признаков.

На верхнем уровне сервер сбора и аналитики экологических данных реализует алгоритм классификации состояния насаждений [19], [20], сочетающий методы машинного обучения с пространственным анализом для выявления очагов патологии. Для прогнозирования развития патологий применяется модель на основе климатических показателей — температуры, влажности воздуха и почвы — аналогично подходу, использованному при прогнозировании лесных пожаров [2], [22], [23].

3.3. Инвариантные характеристики электромагнитного поля

Задача выявления патологий осложняется изменчивостью измеряемых сигналов под влиянием внешних факторов: суточных и сезонных вариаций влажности древесины, температуры, грозовой активности. Для преодоления данной проблемы применяется подход, основанный на использовании инвариантов электромагнитного поля — комбинаций измеряемых величин, инвариантных относительно определённых классов внешних возмущений. Подобный подход был ранее разработан применительно к задачам измерений электромагнитных полей [9], [24]. Дифференциальный инвариант [LATEX_FORMULA]I_{k}[/LATEX_FORMULA] вычисляется как:

где

—импеданс k-го измерительного узла на двух соседних декадных частотах. Показано, что дисперсия [LATEX_FORMULA]I_{k}[/LATEX_FORMULA] при изменении температуры на ±15 °C не превышает 3%, тогда как при патогенном поражении [LATEX_FORMULA]I_{k}[/LATEX_FORMULA] изменяется на 1540%.

4. Результаты модельных экспериментов

Модельные эксперименты проведены на смешанных лесных насаждениях площадях размером 1 га. Опытная сеть включала 24 узла электроиндукционных датчиков, размещённых на 24 контрольных деревьях, с шагом сетки 20×20 м. Дополнительно установлены метеостанции, датчики влажности почвы и видеокамеры для независимой верификации состояния деревьев специалистами-патологами.

4.1. Сравнительная эффективность методов мониторинга

Сравнительный анализ различных методов фитопатологического мониторинга показал существенные различия по точности и оперативности выявления патологий (рис. 1, рис. 2). Традиционный визуальный осмотр обеспечивает точность на уровне 55% при среднем времени выявления 14 суток. Метод дистанционного зондирования со спутниковых платформ повышает точность до 72%, сокращая время выявления до 7 суток. Применение БПЛА с мультиспектральными сенсорами позволяет достичь точности 84% при времени выявления 3 суток. Распределённые IoT-сети с многофакторными датчиками обеспечивают точность до 88% и время выявления около 1 суток. Предлагаемый метод на основе электроиндукционных датчиков позволил достичь точности выявления патологий 91–93% при среднем времени обнаружения 0,3 суток (7–8 часов), что на 38 суток опережает визуальный метод и на 2,7 суток — метод БПЛА [2], [5], [25], [26].

Диагностические признаки патологий

В ходе 30-суточных наблюдений за деревьями с лабораторно подтверждёнными очагами поражения и контрольной группой здоровых деревьев установлены характерные изменения сигналов датчиков (рис. 3). У здоровых деревьев сигнал электроиндукционного датчика стабилен [24], [27] в диапазоне 2,05–2,18 мВ с суточной вариацией не более 5%, обусловленной естественными изменениями влажности древесины. У деревьев, поражённых корневой гнилью (Heterobasidion annosum), начиная с 10–11-х суток после заражения (лабораторно верифицированного) наблюдается монотонное возрастание сигнала с последующим формированием характерной «параболической» динамики, обусловленной прогрессирующей деструкцией тканей. Аналогичная картина наблюдается при поражении голландской болезнью вяза (Ophiostoma ulmi) и усыхании от стволовых вредителей [16].

Параметры инварианта [LATEX_FORMULA]I_{k}[/LATEX_FORMULA] для поражённых деревьев: среднее значение 0,31 ± 0,04 против 0,12 ± 0,02 для здоровых (p<0,001 по критерию Манна – Уитни). Площадь под ROC-кривой (AUC) для бинарного классификатора составила 0,967, что свидетельствует о высокой разделимости классов.

4.3. Структура выявленных патологий

В рамках экспериментального мониторинга на 24 контрольных деревьях за период наблюдений выявлено 7 случаев патологических изменений: 4 случая грибковых поражений (корневая гниль, опёнок осенний), 2 случая бактериального поражения и 1 случай энтомогенного усыхания (рис. 4). В структуре причин патологий лесных биогеоценозов Северо-Западного региона грибковые патогены занимают доминирующую долю (около 38%), тогда как насекомые-вредители, климатический стресс, антропогенные факторы и прочие причины формируют оставшиеся 62% [2], [4].

Программное обеспечение обработки данных

Программа обработки данных при инструментальной оценке расстояний и состояния объектов в лесных насаждениях реализована в виде программного комплекса, прошедшего государственную регистрацию (свидетельство № 2025615540) [28]. Программа осуществляет предварительную обработку сигналов датчиков, вычисление инвариантных характеристик, PCA-сжатие, классификацию и визуализацию результатов в ГИС-интерфейсе [26], [29].

5. Обсуждение результатов

Полученные результаты демонстрируют принципиальную возможность использования электроиндукционных датчиков для раннего выявления фитопатологических процессов в лесных биогеоценозах. Ключевым физическим механизмом является изменение импеданса биологических тканей дерева при развитии патогенного поражения: разрушение клеточных мембран, накопление экзоферментов патогенов и изменение ионного баланса приводят к значимым и воспроизводимым изменениям диэлектрических свойств древесины, регистрируемым электроиндукционным методом за 8-12 суток до появления видимых симптомов [11]. Это согласуется с данными о биоэлектрических реакциях растений на стрессовые воздействия и результатами применения гибких эпидермальных сенсоров для мониторинга иммунного ответа растений [17], [30].

Достигнутые показатели точности (91–93%) превосходят характеристики существующих методов. Для сравнения: системы на основе глубокого обучения, применяемые при анализе RGB-изображений в лабораторных условиях, достигают точности 95–99%, однако в полевых условиях она снижается до 70-85%. IoT-интегрированные системы с использованием мультимодальных датчиков показывают точность до 88% при значительно бо’льших требованиях к вычислительным ресурсам. Преимущество предлагаемого подхода состоит в независимости от оптических условий (освещённость, облачность, запылённость), присущей ДЗЗ и БПЛА-методам, а также в значительно меньших энергопотреблении и стоимости по сравнению с мультиспектральными системами.

Важным результатом является подтверждение применимости инвариантного подхода к анализу сигналов электроиндукционных датчиков в условиях лесной среды. Нормированные на температурный дрейф инварианты [LATEX_FORMULA]I_{k}[/LATEX_FORMULA] сохраняют диагностическую ценность в диапазоне температур от −5 до +30 °C, что критически важно для применения в условиях Северо-Западного региона России с резко континентальным климатом. Предложенная модель Коула – Коула адекватно описывает частотную зависимость импеданса древесины с коэффициентом детерминации R2>0,97 для обоих классов объектов наблюдения.

Ограничением метода является его чувствительность к состоянию контактной зоны датчик — ствол: неоднородность коры, смоляные ходы и механические повреждения могут вносить систематическую погрешность. Данное ограничение устраняется процедурой индивидуальной калибровки каждого узла датчика при первичной установке, реализованной в разработанном программном комплексе. Перспективным направлением является применение регуляризации структуры данных и методов прогнозирования для повышения устойчивости системы к нестационарным помехам.

Предложенная система органично вписывается в концепцию распределённой системы сбора и интеллектуальной обработки данных биогеоценозов [18], [19], расширяя её функциональность в части фитопатологического мониторинга. Архитектурное решение, основанное на иерархическом профилировании потоков данных [14], [31] и применении LoRaWAN-протокола, обеспечивает масштабируемость системы до уровня лесничества (площадь. 10 000–50 000 га) без существенного изменения вычислительной инфраструктуры.

6. Заключение

1. Разработан и верифицирован метод фитопатологического мониторинга лесных биогеоценозов на основе электроиндукционных датчиков, регистрирующих изменения импеданса биологических тканей дерева в диапазоне частот 0,1–100 кГц. Метод обеспечивает раннее выявление патологических изменений за 8–12 суток до появления визуальных признаков болезни.

Предложена физико-математическая модель на основе обобщённого уравнения Коула – Коула, связывающая параметры импеданса древесины с типом и стадией патогенного поражения. Показана информативность инвариантных характеристик электромагнитного поля, инвариантных относительно температурных возмущений (дисперсия [LATEX_FORMULA]I_{k}[/LATEX_FORMULA] при изменении температуры на ±15 °C не превышает 3%).

2. По результатам полевых экспериментов в насаждениях Северо-Западного региона достигнута точность классификации 91-93% при AUC = 0,967. Среднее время выявления патологии составило 0,3 суток, что в 46 раз превосходит традиционный визуальный метод и в 10 раз — метод ДЗЗ.

3. Разработан программно-технический комплекс сбора и аналитики данных, интегрированный с ГИС и системами государственного ЛПМ. Реализованы алгоритмы PCA-сжатия, адаптивной классификации и пространственной визуализации очагов патологии.

4. Предлагаемый подход создаёт предпосылки для перехода от периодического к непрерывному фитопатологическому мониторингу лесных биогеоценозов на больших площадях, что соответствует стратегическим задачам цифровой трансформации лесного комплекса Российской Федерации.

The additional file for this article can be found as follows: