# Феномика и высокопроизводительное фенотипирование
Высокопроизводительные системы, использующие датчики и машинное обучение для быстрого измерения признаков растений.
Source: https://bioecon.ru/technology/phenomics-high-throughput-phenotyping/
Updated: 2026-08-18
## Обзор и цепочка создания стоимости
Маркеры: [EC: NACE 26.51 (Контрольно-измерительная и навигационная аппаратура) | OECD: Селекция и генетика растений | Regulator: USDA-APHIS (США), EFSA (ЕС), MARA (КНР)]
Высокопроизводительное фенотипирование использует передовые методы визуализации (мультиспектральные, гиперспектральные, LiDAR, тепловые) и машинное обучение для быстрого и неразрушающего количественного анализа признаков растений — архитектуры, биомассы, устойчивости к стрессу. Эти системы перекидывают мост между генотипом и фенотипом, ускоряя селекционные циклы и оптимизируя управление урожаем. Современные платформы обрабатывают 1 000–10 000 растений в день при капитальных затратах $50K–$500K на тепличные портальные системы, смещая узкое место от сбора данных к анализу на базе ИИ.
Ключевые направления высокопроизводительного фенотипирования:
1. **Мультиспектральная и гиперспектральная визуализация:** Диапазоны NIR, SWIR и тепловой фиксируют биохимические свойства — содержание хлорофилла и водный стресс, невидимые для RGB-камер.
2. **3D-реконструкция:** LiDAR и стереозрение восстанавливают архитектуру и биомассу растений, давая точные объёмные и структурные признаки.
3. **Высокопроизводительная автоматизация:** Тепличные порталы, конвейеры, дроны и роботы под пологом масштабируют съёмку до тысяч растений в день.
4. **Извлечение признаков на базе ИИ:** Свёрточные нейросети отделяют растения от фона почвы и извлекают сложные признаки — индекс площади листьев, число плодов, степень поражения болезнями.
### Секторальная цепочка создания стоимости
```
[Сенсорное оборудование] ──> [Платформы автоматизации] ──> [Обработка изображений] ──> [Данные и ИИ]
│
(Извлечение признаков)
│
▼
[Урожай] <─── [Селекционные программы] <─────┘
```
### Уровни цепочки создания стоимости
| Уровень | Описание | Ключевые входы/выходы |
|:---|:---|:---|
| **Сенсорное оборудование** | Камеры и LiDAR для неразрушающего сбора данных. | **Вход:** Сырой свет, движение.
**Выход:** Цифровые сигналы. |
| **Платформы автоматизации** | Дроны, роверы и тепличные порталы, несущие датчики. | **Вход:** Датчики.
**Выход:** Мобильные данные. |
| **Обработка изображений** | Извлечение признаков растений из сырых изображений через ИИ. | **Вход:** Сырые изображения.
**Выход:** Признаки растений. |
| **Аналитика данных** | Прогнозные модели для селекции и урожайности. | **Вход:** Признаки растений.
**Выход:** Агрономические модели. |
| **Селекционные программы** | Создание устойчивых высокоурожайных культур. | **Вход:** Агрономические модели.
**Выход:** Элитные семена. |
| **Точное земледелие** | Применение выводов к управлению полем. | **Вход:** Элитные семена.
**Выход:** Урожай. |
Сквозные технологии сектора:
- **Машинное зрение:** Мультиспектральные и гиперспектральные камеры фиксируют биохимические и структурные свойства растений.
- **Глубокое обучение:** Свёрточные нейросети отделяют растения от фона и извлекают сложные феномные признаки в масштабе.
- **Полевая робототехника:** Дроны и роботы под пологом расширяют фенотипирование из теплиц в открытые поля.
---
## США
США делают упор на полевую феномику и автоматизацию, сочетая робототехнику под пологом с аналитикой на базе дронов.
### Полевая робототехника, аналитика дронов, автоматизация
- **EarthSense:** Развёртывает робота TerraSentia под пологом для масштабируемого полевого фенотипирования пропашных культур.
- **Sentera:** Лидирует в аналитике на базе дронов, поставляя селекционерам карты признаков высокого разрешения.
- **Фокус на автоматизацию:** Американские игроки продвигают прочное полевое развёртывание, вынося тепличное фенотипирование в поле.
---
## КНР
Китай быстро внедряет автоматизированное тепличное фенотипирование в интересах продовольственной безопасности, причём институты тесно сотрудничают с местными интеграторами.
### Тепличные платформы, извлечение признаков, продовольственная безопасность
- **Shanghai AgriPheno:** Предоставляет автоматизированные тепличные фенотипирующие платформы и сервисы извлечения признаков в рамках национальных селекционных программ.
- **Партнёрство с институтами:** Научно-исследовательские институты работают с интеграторами над масштабированием феномных конвейеров для основных культур.
- **Продовольственный драйв:** Государственная поддержка ускоряет внедрение для скорейшего выведения устойчивых высокоурожайных сортов.
---
## ЕС
Европа — пионер развитой инфраструктуры фенотипирования растений, поставляющий высокоточные 3D- и мультиспектральные системы для исследований и селекции.
### 3D-мультиспектральное сканирование, цифровое фенотипирование, флуориметрия
- **Phenospex:** Поставляет 3D-мультиспектральное полевое сканирование через датчик PlantEye для фенотипирования культур.
- **LemnaTec:** Создаёт системы цифрового фенотипирования (PhenoCenter, Scanalyzer) для теплиц и полей.
- **Photon Systems Instruments и Hiphen:** Развивают флуориметрические платформы PlantScreen и дрон-аналитику изображений соответственно.
---
## Ведущие компании и научно-исследовательские институты
| Компания / Институт | Страна | Ключевые продукты / платформы | Технологические особенности | Статус 2026 |
|:---|:---|:---|:---|:---|
| **Phenospex** | 🇳🇱 Нидерланды | *Полевое фенотипирование PlantEye* | 3D-мультиспектральное сканирование | commercial |
| **Photon Systems Instruments** | 🇨🇿 Чехия | *PlantScreen, флуориметры* | Флуориметрия и визуализация | commercial |
| **Hiphen** | 🇫🇷 Франция | *ПО полевого фенотипирования* | Анализ изображений с дронов | commercial |
| **LemnaTec** | 🇩🇪 Германия | *PhenoCenter, Scanalyzer* | Системы цифрового фенотипирования | commercial |
| **EarthSense** | 🇺🇸 США | *Робот TerraSentia* | Робототехника под пологом | commercial |
| **Shanghai AgriPheno** | 🇨🇳 Китай | *Тепличные платформы* | Автоматизированное извлечение признаков | commercial |
---
## Технологический стек и инновации
Современное фенотипирование объединяет неразрушающие сенсорные технологии с передовыми вычислениями; критическое узкое место сместилось от сбора данных к их анализу.
1. **Мультиспектральная и гиперспектральная визуализация:**
- Диапазоны NIR, SWIR и тепловой фиксируют биохимические свойства — содержание хлорофилла и водный стресс, недоступные RGB-камерам.
- Обеспечивает раннюю неразрушающую диагностику биотического и абиотического стресса на тысячах растений в день.
2. **3D-реконструкция:**
- LiDAR и стереозрение восстанавливают архитектуру и биомассу растений в точные объёмные модели.
- Фиксирует структурные признаки (высота, угол листьев, объём полога), ключевые для селекции на архитектуру.
3. **Извлечение признаков глубоким обучением:**
- Свёрточные нейросети отделяют растения от фона почвы и количественно оценивают сложные признаки — индекс площади листьев, число плодов, степень поражения.
- Превращает полевые сканы терабайтного масштаба в воспроизводимые, готовые для селекционеров данные о признаках.
---
## Цепочки создания стоимости и пайплайны производства
### Промышленный пайплайн высокопроизводительного фенотипирования растений (ISO 9001 / стандарты селекционных данных)
```
┌───────────────────────────┐ ┌───────────────────────────┐
│ 1. Сенсорная съёмка │ ───> │ 2. Мультиспектр и 3D │
└───────────────────────────┘ └───────────────────────────┘
│
▼
┌───────────────────────────┐ ┌───────────────────────────┐
│ 4. Извлечение признаков ИИ│ <─── │ 3. Высокообъёмный сбор │
└───────────────────────────┘ └───────────────────────────┘
│
▼
┌───────────────────────────┐ ┌───────────────────────────┐
│ 5. Прогнозная аналитика │ ───> │ 6. Внедрение в селекцию │
└───────────────────────────┘ └───────────────────────────┘
```
#### Этап 1: Сенсорная съёмка
Стандартная RGB- и тепловизионная съёмка фиксирует простые морфологические признаки, закладывая базовый слой данных феномного конвейера.
#### Этап 2: Мультиспектральная и 3D-интеграция
Диапазоны NIR и SWIR плюс LiDAR/стереозрение добавляют биохимические индикаторы и точную объёмную архитектуру к стеку признаков.
#### Этап 3: Высокообъёмный сбор
Тепличные порталы, конвейеры, дроны и роботы под пологом масштабируют съёмку до 1 000–10 000 растений в день при CapEx от $50K до $500K.
#### Этап 4: Извлечение признаков ИИ
Свёрточные нейросети отделяют растения от фона почвы и извлекают сложные признаки (индекс площади листьев, число плодов, степень поражения) из сканов масштаба от гигабайтов до терабайт.
#### Этап 5: Прогнозная аналитика
Феномные данные интегрируются с геномными и средовыми моделями для прогнозирования продуктивности, устраняя ключевое узкое место интероперабельности и воспроизводимости данных.
#### Этап 6: Внедрение в селекцию
Прогнозные выводы питают разработку элитных семян и управление полем, всё чаще в сочетании с цифровыми двойниками, моделирующими продуктивность растений в различных климатических сценариях для ускорения климатически устойчивых культур.