Гиперспектральный мониторинг влияния средств защиты растений на состояние сеянцев сосны обыкновенной (Pinus sylvestris L.) при моделировании их ирригации карьерными сточными водами

Очистка карьерных сточных вод, как и рекультивация выработанных угольных разрезов, – серьезные экологические проблемы. Один из способов их решения – фиторемедиация с использованием стрессоустойчивых растений, таких как сосна обыкновенная (Pinus sylvestris L.). Для снижения риска эпифитотий при массовом выращивании необходимы обработки химическими средствами защиты растений (СЗР). Важно убедиться, что СЗР не наносят вреда растениям при использовании для полива растений карьерных сточных вод, содержащих тяжелые металлы. В этой связи весьма актуальна задача массового мониторинга растений неинвазивными методами. В работе использовали методы прямых измерений и неинвазивный подход, основанный на съемке и анализе гиперспектральных изображений, для комплексного мониторинга состояния сеянцев сосны, обработанных СЗР «Актара» и «Превикур Энерджи» в разных концентрациях (однократной, двукратной и четырехкратной по сравнению с концентрацией, рекомендованной производителем) на фоне полива растворами минеральных солей, имитирующих карьерные сточные воды угольных разрезов по составу основных компонентов. Показано, что, несмотря на некоторые методические сложности съемки и количественной интерпретации гиперспектральных изображений, возможно их использование для неинвазивного дистанционного мониторинга состояния сеянцев хвойных растений в вегетационных экспериментах, в том числе – в полевых условиях. СЗР, применяемые в исследованных дозах, не обладали острой токсичностью и не оказывали выраженного негативного влияния на темпы роста и состояние пигментного аппарата сеянцев сосны обыкновенной в двухмесячный период наблюдений. При этом полив этих растений модельными карьерными сточными водами также не сопровождался синергическими токсическими эффектами. Таким образом, не выявлено очевидных препятствий к применению вышеупомянутых СЗР для профилактики и стоп-обработок сеянцев сосны обыкновенной, выращиваемых с поливом карьерными сточными водами, содержащими Fe, Zn и Mn. Полученные результаты также свидетельствуют о перспективности использования карьерных сточных вод, богатых элементами минерального питания, но не содержащих высокотоксичных тяжелых металлов (таких, как Pb и Cd), при выращивании растений для фиторемедиации почв выработанных угольных разрезов. Однако для оценки отдаленных во времени эффектов необходимы длительные, желательно многолетние, исследования.

1. Ray S., Dey K. Coal mine water drainage: the current status and challenges. J. Inst. Eng. (India): Ser. D. 2020;101(2):165–172.

2. Hudson-Edwards K.A., Jamieson H.E., Lottermoser B.G. Mine wastes: past, present, future. Elements. 2011;7(6):375–380.

3. Tchounwou P.B., Yedjou C.G., Patlolla A.K., Sutton D.J. Heavy metal toxicity and the environment. Mol. Clinic. Environ. Toxicol. 2012;3:133–164.

4. Lottermoser B.G. Recycling, reuse and rehabilitation of mine wastes. Elements. 2011;7(6):405–410.

5. Luptakova A., Ubaldini S., Macingova E., Fornari P., Giuliano V. Application of physical-chemical and bio- logical-chemical methods for heavy metals removal from acid mine drainage. Proc. Biochem. 2012;47(11):1633–1639.

6. Sincero A.P., Sincero G.A. Physical-chemical treatment of water and wastewater. CRC press: Boca Raton; 2002. 856 pp.

7. Priya A.K., Jalil A.A., Vadivel S., Dutta K., Rajendran S., Fujii M., Soto-Moscoso M. Heavy metal remediation from wastewater using microalgae: recent advances and future trends. Chemosphere. 2022;305:135375.

8. Manikandan A., Suresh Babu P., Shyamalagowri S., Kamaraj M., Muthukumaran P., Aravind J. Emerging role of microalgae in heavy metal bioremediation. J. Basic. Microbiol. 2022;62(3–4):330–347.

9. Solovchenko A., Selyakh I., Semenova L., Scherbakov P., Zaytseva A., Zaytsev P., Fedorenko T., Alam M.A., Jingliang X., Lukyanov A., Lobakova E. A local or a stranger? Comparison of autochthonous vs. allochthonous microalgae potential for bioremediation of coal mine drainage water. Chemosphere. 2024;365:143359.

10. Singh N., Gupta V.K., Kumar A., Sharma B. Synergistic effects of heavy metals and pesticides in living systems. Front. Chem. 2017;5:70.

11. Alengebawy A., Abdelkhalek S.T., Qureshi S.R., Wang M.-Q. Heavy metals and pesticides toxicity in agricultural soil and plants: Ecological risks and human health implications. Toxics. 2021;9(3):42.

12. Kumar P., Singh J., Yadav V.K., Gautam K., Kumar M., Gupta R. Phenotyping in plant breeding using modern tools: a review. J. Adv. Biol. Biotechnol. 2024;27(11):200–212.

13. Ferreira L.D.C., Carvalho I.C.B., Jorge L.A.C., Quezado-Duval A.M., Rossato M. Hyperspectral imaging for the detection of plant pathogens in seeds: recent developments and challenges. Front. Plant. Sci. 2024;15:1387925.

14. Дейвис Ш.М., Ландгребе Д.А., Филлипс Т.Л., Ланженлауб Д.С., Сиева л.Р.Ф., Свейн Ф.Х., Хоффер Р.М. Дистанционное зондирование: количественный подход. М.: Недра; 1983. 415 c.

15. Zavafer A., Bates H., Mancilla C., Ralph P.J. Phenomics: conceptualization and importance for plant physio- logy. Trends Plant Sci. 2023;28(9):1004–1013.

16. Watt M., Fiorani F., Usadel B., Rascher U., Muller O., Schurr U. Phenotyping: new windows into the plant for breeders. Annu. Rev. Plant Biol. 2020;71(1):689–712.

17. Maraveas C. Image analysis artificial intelligence technologies for plant phenotyping: current state of the art. AgriEngineering. 2024;6(3):3375–3407.

18. Fu P., Meacham-Hensold K., Guan K., Wu J., Bernacchi C. Estimating photosynthetic traits from reflectance spectra: A synthesis of spectral indices, numerical inversion, and partial least square regression. Plant Cell Environ. 2020;43(5):1241–1258.

19. Perine J., Anderson J.C., Kruger G.R., AbiAkar F., Overmyer J. Effect of nozzle selection on deposition of thiamethoxam in Actara® spray drift and implications for off-field risk assessment. Sci. Tot. Environ. 2021;772:144808.

20. Ekabote S.D., Divyajyothi U., Narayanaswamy P., Ravindra H. Evaluation of propamocarb 530+ fosetyl 310-840 SL for the management of damping off of vegetables. J. Pharmacognos. Phytochem. 2019;8(1):1616–1618.

21. Shurygin B., Chivkunova O., Solovchenko O., Solovchenko A., Dorokhov A., Smirnov I., Astashev M., Khort D. Comparison of the non-invasive monitoring of fresh-cut lettuce condition with imaging reflectance hyperspectrometer and imaging PAM-fluorimeter. Photonics. 2021;8(10):425.

22. Gitelson A., Solovchenko A. Non-invasive quantification of foliar pigments: possibilities and limitations of reflectance-and absorbance-based approaches. J. Photochem. Photobiol. B: Biol. 2018;178:537–544.

23. Gitelson A., Solovchenko A. Generic algorithms for estimating foliar pigment content. Geophys. Res. Lett. 2017;44(18):9293–9298.

24. Horler D.N.H., Dockray M., Barber J. The red edge of plant leaf reflectance. Int. J. Rem. Sens. 2007;4(2):273–288.

25. De Carvalho O.A., Meneses P.R. Spectral correlation mapper (SCM): an improvement on the spectral angle mapper (SAM). Summaries of the 9th JPL airborne earth science workshop, vol. 9. no. 2. Pasadena: JPL publication; 2000:00-18.

26. Kruse F.A., Lefkoff A., Boardman J., Heideb- recht K., Shapiro A., Barloon P., Goetz A. The spectral image processing system (SIPS) — interactive visualization and analysis of imaging spectrometer data. Rem. Sens. Environ. 1993;44(2–3):145–163.

27. Ilija P. Previcur energy-advantages of the fungicide for the control of vegetable diseases. Zbornik predavanj in referatov, 8. Slovenskega postvetovanja o varstvu Rastlin, Ljubljana; 2007:59–64.

28. Solovchenko A., Dorokhov A., Shurygin B., Nikolenko A., Velichko V., Smirnov I., Khort D., Aksenov A., Kuzin A. Linking tissue damage to hyperspectral reflectance for non-invasive monitoring of apple fruit in orchards. Plants. 2021;10(2):310.

29. Rouchaud J., Moons C., Meyer J.A. Effects of pesticide treatments on the carotenoid pigments of lettuce. J. Agric. Food Chem. 1984;32(6):1241–1245.

30. Solovchenko A. Photoprotection in Plants: Optical Screening-based Mechanisms. Heidelberg; N.Y.: Springer; 2010. 170 pp.

31. Shurygin B., Smirnov I., Chilikin A., Khort D., Kutyrev A., Zhukovskaya S., Solovchenko A. Mutual augmentation of spectral sensing and machine learning for non-invasive detection of apple fruit damages. Horticulturae. 2022;8(12):1111.